コヒーレントラマン顕微鏡法は、機器とコンピュータの融合によって拡張できる可能性がある

2023 年 3 月 20 日

この記事は、Science X の編集プロセスとポリシーに従ってレビューされています。 編集者は、コンテンツの信頼性を確保しながら、次の属性を強調しました。

事実確認済み

校正する

Light Publishing Center、長春光学研究所、精密機械物理学、CAS 著

ラマン散乱は、光子と分子の間でエネルギーを交換して分子振動に関する情報を伝える非弾性散乱プロセスです。 ラマン顕微分光法は、主にラベルフリーと水バックグラウンドフリーという 2 つの「フリー」により、生物学や外科手術において不可欠な分析ツールとなっています。

これらの利点により、内因性の摂動を発生させずに生きたサンプルを研究することが可能になります。 さらに、ラマン ピークのスペクトル帯域幅は蛍光色素の発光スペクトルよりもはるかに狭いため、同じ環境でさまざまな代謝種を同時に研究することができます。

eLight に掲載された新しい論文の中で、ボストン大学の Haonan Lin 博士と Ji-Xin Cheng 教授は、コヒーレント ラマン散乱 (CRS) への機器と計算によるアプローチの組み合わせをレビューしました。

ラマン散乱には大きな利点があるにもかかわらず、ラマン散乱の基本的な欠点の 1 つは、その断面積が非常に限られていることです。 典型的なラマン断面積は分子あたり 10 ～ 30 cm2 であり、その結果、焦点あたりのシグナル統合時間は数秒から数分と非常に長くなります。 このような制限された速度により、動的システムのピクセルごとのイメージングを実行することは非現実的になります。 ラマン信号をコヒーレントに強化し、基本的な断面積の限界を突破するために、非線形光学プロセスが導入されました。

2 つの同期した超高速レーザーを使用すると、コヒーレント反ストークスラマン散乱 (CARS) と誘導ラマン散乱 (SRS) でコヒーレント ラマン シグナルが発生しました。 CRS では、2 つのレーザー場がターゲット分子と同期して相互作用します。 うなり周波数がラマン振動モードと一致すると、コヒーレントに増幅されたエネルギー伝達プロセスが発生します。 ポンプ光子を消滅させ、それをストークスビームに変換し、新しい周波数で光子を生成します。

CRS により、生体サンプルの固有ラマン ピークに基づく高速化学イメージングが可能になりました。 しかし、生体サンプルはさまざまな代謝産物で構成される洗練されたマイクロシステムであり、特に強力でありながら密集した炭素水素 (CH) 領域では、スペクトルが重複することがよくあります。

これは、狭帯域単色 CRS を使用した細胞および組織内の化学物質の定量と同定を妨げます。 過去数年間にわたり、各ピクセルでラマンスペクトルを生成するハイパースペクトル CRS を開発するために多大な努力が払われてきました。

ハイパースペクトル画像は、複雑な環境における化学組成と存在量に関する情報を解読できる可能性をもたらします。 ただし、生の画像は高次元であるため、そのような情報はすぐには入手できません。 主要な純粋成分を特定し、濃度マップを分解するにはアルゴリズムが必要です。

ハイパースペクトル CRS の機器開発と並行して、さまざまなハイパースペクトル画像分離方法が報告されています。 純粋な成分の組成に関する事前情報が与えられているかどうかに応じて、それらを教師ありメソッドと教師なしメソッドのいずれかに分類します。

計測機器の革新により、CRS イメージングの速度は最大 2 kHz のフレーム レート、最大 3500 cm-1 のスペクトル カバレージ、およびスペクトルあたり最大 5 μs のスペクトル取得速度に達しました。 ただし、CRS の感度限界によって決まる物理的な限界により、これらの条件を同時に実現することはできません。

たとえば、速度をさらに上げると、セットアップの信号対雑音比 (SNR) が低下し、生物医学用途には適用できなくなります。 光損傷の制約の下では、このトレードオフを設計空間として伝えることができます。 これは、速度、スペクトル帯域幅、SNR を表す 3 つの軸と交差する超平面です。 計測機器の最適化により、システムは超平面上の最適な条件点に到達することができますが、それを超えることは依然として困難です。

研究チームは、CRS 化学顕微鏡の限界を押し上げるために使用されるさまざまな計算手法を導入しました。 測定値の誤った解釈を避けるために、適用可能な計算アルゴリズムの範囲に注意を払う必要があります。 順モデルが基礎となる物理プロセスを適切に記述できるかどうかを評価することが重要です。 これには、測定ノイズの統計的分布、イメージング システムの画像コンボリューション カーネル、およびその他の技術が含まれます。

フォワード モデルの特性を評価し、モデル パラメーターを調整するには、厳密な実験を行う必要があります。 以前のモデル/正則化を使用する場合は、信号を包括的に理解する必要があります。 以前のモデルのハイパーパラメータ調整は、正しい結果を得るために重要であり、反復的な更新と検証が必要になる場合があります。

深層学習アプリケーションの場合、逆問題の高度なモデリングのタスクは軽減されますが、ネットワーク構造の適切な選択と、十分に大規模なトレーニングおよび検証データセットが必要です。

研究チームは将来を見据えて、計測機器の進歩により、時間的、空間的、スペクトル的次元でのデータ スループットが増加し続けると予想しています。 スパース性や相関性など、データ構造に関する機能をさらに提供する必要があります。 一方、新しい計算手法を利用して、設計空間のトレードオフを打破し、生物医学研究のための豊富な化学組成を提供することができます。 計算光学顕微鏡法の急速な進歩により、より多くのアイデアが CRS に浸透すると予想されます。

ほとんどの計算手法は広視野の実装に重点を置いているため、CRS 顕微鏡への変換は簡単ではありません。 CRS イメージングへの適用性を確保するには、広範なモデリング、システム設計、アルゴリズム開発を実行する必要があります。 将来的には、既存の手法が新しく確立された設計領域を強化するために引き続き実行可能であるため、計算手法がさらに重要な役割を果たすことになります。 視野、撮像深度、空間解像度などの面でブレークスルーを達成するための新しい方法が生まれる可能性があります。

詳しくは： Haonan Lin 他、計算コヒーレント ラマン散乱イメージング: 高度な機器とデータ サイエンスの融合による物理的障壁の突破、eLight (2023)。 DOI: 10.1186/s43593-022-00038-8

提供: Light Publishing Center、Changchun Institute of Optics、 Fine Mechanics and Physics、CAS