面向三维电子显微镜的细胞膜物理引导神经重建

随着三维电子显微成像技术的发展，对膜超微结构的定量表征已成为一种研究路径，用以探究膜周围蛋白质及其他组分的组织方式如何驱动结构与功能。然而，阻碍这些研究工作的一个关键问题在于，诸如膜曲率等几何特征的可靠重建具有挑战性，因为这需要从离散的膜表示中计算高阶导数。近年来，利用神经网络学习复杂形状的连续隐式表示取得了重要进展，为解决这一问题提供了有前景的方案。 本研究提出了一种物理约束神经网络框架，利用隐式神经表示从图像中重建达到曲率精度阶的膜几何形态。基于合成数据的基准测试表明，训练过程中引入基于物理的正则化能够提高所恢复曲率的精度，并增强对图像噪声的鲁棒性。将该方法应用于实验数据集进一步表明，该框架能够推广至复杂的细胞结构，例如高尔基体和线粒体。我们还对细胞中的内吞小窝进行了三维曲率分析，揭示了小窝颈部存在各向异性曲率，而这此前已被预测为颈部收缩的一种较低能量途径。 本研究提供了一个统一框架，用于从体积成像数据中重建三维膜形状，包括曲率在内的几何信息。通过更准确地捕捉膜几何形态，我们的方法能够产出可与分子尺度相互作用相关联的力学洞见。

随着三维电子显微成像技术的发展，对膜超微结构的定量表征已成为一种研究方法，用以探究膜周围蛋白质及其他组分的组织方式如何驱动结构与功能。阻碍这些研究工作的一个因素是，诸如膜曲率等几何特征的可靠重建具有挑战性，因为这需要从离散的膜表征中计算高阶导数。近年来，利用神经网络学习复杂形状的连续隐式表征取得了重要进展，为这一问题提供了很有前景的解决方案。本研究提出了一种物理信息神经网络框架，利用隐式神经表征从图像中以达到曲率精度的方式重建膜几何形态。基于合成数据的基准测试表明，训练过程中引入基于物理的正则化可提高所恢复曲率的准确性，并增强对图像噪声的鲁棒性。对实验数据集的应用表明，该框架可推广至复杂的细胞结构，如高尔基体和线粒体。我们进一步对细胞中的内吞小窝进行了三维曲率分析，揭示了小窝颈部的各向异性曲率，而这此前已被预测为颈部收缩的一种较低能量路径。本研究为从体积成像数据中重建三维膜形状（包括曲率）提供了一个统一框架。通过更准确地捕捉膜几何形态，我们的方法能够揭示可与分子尺度相互作用相关联的力学见解。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.01.742159v1?rss=1

🏷️ 三维电子显微镜 膜几何重建 隐式神经表示 物理约束神经网络 膜曲率分析 细胞超微结构