钙离子是细胞内重要的信号分子。神经元细胞内钙离子浓度的变化与神经细胞分泌神经递质以及产生电冲动等活动直接相关。钙成像是一种采用钙离子荧光探针对细胞内钙离子等信使物质进行定量测定的技术，对神经科学的研究至关重要。然而，钙成像易受检测噪声的影响，极大地限制了神经科学研究的进展。近日，清华大学的科研团队在《Nature Methods》发布了一种用于钙成像数据时空增强的自监督深度学习算法——DeepCAD，题为：Reinforcing neuron extraction and spike inference in calcium imaging using deep self-supervised denoising。

基于数据的深度神经网络学习方法已经应用于显微技术的信号处理，可以显著提高成像质量。由于体内神经元钙瞬变的快速动力学和非竞争性等特性，传统深度学习所需的训练场真值无法获得，DeepCAD无需任何高信噪比观察图像，仅使用单个低信噪比的钙成像序列即可实现网络训练，可以抑制检测噪声，将信噪比提高10倍以上，实现低激发功率下的高信噪比钙成像，从而增强了神经元提取和尖峰推理的准确性，并提高了神经回路的功能分析能力。

注：此研究成果摘自《Nature Methods》杂志，文章内容不代表本网站观点和立场，仅供参考。

论文链接：https://www.nature.com/articles/s41592-021-01225-0