原标题:超分辨率显微镜技术原理概述

如今,科学家们已经研发了多种超分辨率技术,远远超出了衍射J限,能够观察到分子尺度的细节。SRM技术可以将细胞结构解析为亚细胞水平,从而获取有关细胞组分的3D结构的信息,并可以观察到单分子共定位。

下面我们来简要概述了时下几种流行的SRM技术的原理:

1.受激发射耗竭(STED)显微镜

STED对于有经验的荧光显微镜使用者来说相对简单,该方法和普通共聚焦显微镜(Confocal)的原理相同。普通Confocal使用单光源,而STED使用双光源。其中一个光源发射能激发荧光团——荧光标签(研究者们以此来定位和观察蛋白)的光,另一个光源发出不同波长的光,用于抑制荧光。这束光是环形的,并且与束光有所重叠,因此只有环形中间区域的分子会继续发出荧光。

获得STED超分辨率图片并没有那么复杂,用户需要仔细调整参数,才能得到漂亮的结果,否则所得图片和普通confocal没有差别。

使用传统和RESCue受激发射减损显微镜(STED)得到的细胞核膜上核孔复合体的图片。

STED的原理:

显微镜透镜对光的衍射会导致来自单个点的光出现在较大的区域,这称为点扩散函数(PSF)(见图1),由于PSF的存在,使得常规显微镜无法达到超分辨。

图1:在普通光学显微镜中,成像是通过将来自点光源的光线会聚到像平面上的单个点来实现的。超出光衍射的限制,防止了射线的较精确会聚,从而导致物体的图像模糊。显微镜的分辨率取决于点扩散函数(PSF)的大小,或对象在某个点的三维强度分布。在STED中,应用环形炸弹耗尽型激光器,其零点与激发激光焦点的zui大值重叠。STED激光器引起荧光的“饱和耗尽”,从而“抑制了来自零点附近区域的荧光,导致有效PSF的尺寸减小”。

而受激发射耗竭(STED)显微镜通过限制样品的荧光区域(PSF)产生超分辨率图像。STED显微镜使用两个重叠的激光,个按照常规显微镜激发荧光团(图2A)。第二个激光器称为耗尽激光器(STED激光器),它激发“甜甜圈”形状的激光,其中心的零强度点非常小(〜30 nm)(未激发)。除了在甜甜圈的中心处之外,第二激光起到了“关闭”激光所产生的外圈荧光,从而将样本激发的荧光分子范围缩小到中心圆点处,这有效地降低了PSF,以产生非常小的单分子荧光聚焦区域,从而获得高分辨率图像(图2D)。

图2:

1.单个小于250 nm的蛋白质无法通过标准共聚焦成像解析,从而导致图像模糊

2.STED耗尽激光器产生了淬灭外围荧光的“甜甜圈”

3.饱和耗尽在功能上降低了激励PSF

4.随之可以解析单个蛋白质

适用于STED的荧光团偶联抗体:

为了获得超分辨率,染料必须具有STED激光波长的高发射截面,并有效地实现高饱和度。这种强烈的照明确保了所有被STED激光“关闭”的分子都受受激发射的支配。合适的染料应具有低的光漂白性,具有高的量子产率和对比度,并在目标附近具有足够的标记密度。

下列染料标记的二抗已被验证在STED中成功使用: AlexaFluor®488(如:115-545-003),FITC(如:715-095-150),AlexaFluor®594(如:715-585-151)和AlexaFluor®647。

2. 随机光学重建显微镜(STORM)

zui有名的“基于探针”的技术是Betzig等人研发的光激活定位显微技术(photoactivated localization microscopy, PALM)和哈佛大学庄小威实验室发明的随机光学重建显微技术(stochastic optical reconstruction microscopy, STORM)。zui初所有的荧光标签都是暗的。然后使用激光脉冲来激活一小部分荧光标签,随后使用另一束光来关闭这些荧光标签。不断重复这个过程,生成一系列部分荧光图,zui后重建成整个视野的荧光图。,以产生分辨率优于常规方法收集的图像。

使用超分辨率随机光学重建显微镜(stochastic optical reconstruction microscopy,STORM),科学家首次观察到了神经元轴突的细胞骨架。

用于单分子定位实验的荧光团偶联抗体

用于单分子定位的zui佳染料通常非常亮,并产生足够的光子以可靠地产生紧密的高斯分布。Jackson ImmunoResearch提供了多种广谱范围内的可靠染料,例如AlexaFluor®488,AlexaFluor®647和Cy™5,可用于这些类型的实验。

建议用于超分辨率显微镜的荧光染料偶联物:

应该注意的是,SRM领域变化迅速,因此,建议从专业技术文献中寻求信息,以帮助选择合适的荧光团。

文章来源:每日生物评论

欢迎关注微信公众号:每日生物评论,或Bio-review

用最专业的精神,开放性的思维,与你一起探索行业走向,快速了解这个领域!返回搜狐,查看更多

责任编辑:

storm显微镜成像原理_超分辨率显微镜技术原理概述相关推荐

  1. storm显微镜成像原理_生命科学与医学领域概述:知微见著-超高分辨率显微镜STORM...

    原标题:生命科学与医学领域概述:知微见著-超高分辨率显微镜STORM 超高分辨率 显微镜STORM 正文 前言: 我们知道,在生命科学领域中最常用的光学显微镜,是用可见光来观察生物样品.而光是一种横波 ...

  2. idft重建图像 matlab_你赞成在医疗图像处理领域使用超分辨率重建技术吗?

    前几日读书看到一篇文章<基于超像素重建的多尺度B样条医学图像配准>,其中有这样一段话:"单张图像超分重建问题的解决可以被阐述成:输入低分影像,通过对一系列高低分影响对的学习,生成 ...

  3. 超分辨率图像重建技术简要

    超分辨率图像重建(Super-resolution Image Reconstruction) 要讨论超分辨率图像重建,首先要弄清楚什么叫超分辨率重建,为什么要超分辨率重建.我希望能把事情说得比较简单 ...

  4. 基于深度学习的图像超分辨率重建技术的研究

    1 超分辨率重建技术的研究背景与意义 图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数,包括时间分辨率.空间分辨率及色阶分辨率等,体现了成像系统实际所能反映物体细节信息的能力.相较于低分辨 ...

  5. 基于pxe技术实现linux自动安装原理,网络安装Linux的技术原理分析及实现

    网络安装Linux的技术原理分析及实现 李怀刚;邱建新 [期刊名称]<计算机应用与软件> [年(卷),期]2006(023)009 [摘要]对自动化Linux网络安装所使用的相关技术原理进 ...

  6. 图像超分辨率(Super-Resolution)技术研究

    一.相关概念 1.分辨率 图像分辨率指图像中存储的信息量,是每英寸图像内有多少个像素点,分辨率的单位为PPI(Pixels Per Inch),通常叫做像素每英寸.一般情况下,图像分辨率越高,图像中包 ...

  7. 黄浴:基于深度学习的超分辨率图像技术发展轨迹一览

    作者 | 黄浴 转载自知乎 导读:近年来,使用深度学习技术的图像超分辨率(SR)取得了显著进步.本文中,奇点汽车自动驾驶首席科学家黄浴对基于深度学习技术的图像超分辨率技术进行了一次全面的总结,分析了这 ...

  8. 实践:基于深度学习的卫星图像超分辨率处理技术(一)

    本文由北邮@爱可可-爱生活 老师推荐,阿里云云栖社区组织翻译. 以下为译文: Yann Lecun曾将无监督学习比作蛋糕,将监督学习比作蛋糕上的糖霜,声称我们仅懂得如何做糖霜却不知道怎样才能做出蛋糕. ...

  9. 超分辨率图像重建技术笔记

    什么是超分辨率图像重建(super-resolution reconstruction,简称SRR) ? SRR算法是指利用一组低质量,低分辨率的图像(或运动序列)来产生单幅高质量,高分辨率的图像,该 ...

最新文章

  1. android四大组件 服务,Android四大组件之Service
  2. Dubbo环境搭建-ZooKeeper注册中心
  3. 加密数据的检索_透明地持久保存并从数据库中检索加密的数据
  4. 处理Redis里的数据
  5. Log4net 配置实例
  6. 整理学 nodejs 资源
  7. AtCoder Beginner Contest 135 解题报告
  8. BP神经网络预测模型
  9. 计算机基础无纸化考试题库,计算机基础考试题库及答案
  10. LBS服务LevelUp推二维码支付产品
  11. android 手机如何截图,原来安卓手机有这么多种截屏方式 最后两种一般人不会用...
  12. Unity3D自动旋转屏幕
  13. 威锋VL820是USB 3.1 2代集线器控制器
  14. 面试专题之:微服务场景
  15. 如何用NLP技术和标题党说拜拜-文本摘要
  16. 4月4日 JavaWeb 周三
  17. Android 软键盘 弹出,默认隐藏,强制隐藏,自动变大写等
  18. 14、基于51单片机智能硬币分拣机 投币分类筛查计数器 电子存钱罐系统设计
  19. 弹窗被浏览器拦截的问题
  20. 用户运营|怎样快速提高留存率?

热门文章

  1. 车载电脑(car pc)
  2. 常用的CSS命名规范大总结
  3. DM7备份恢复常见命令
  4. 100件创意产品设计_增强创意信心的20件事
  5. 关于初学者学习scrapy-redis的教程(只针对于图片)
  6. 通信原理 简易数字基带信号系统仿真设计的matlab实现(带眼图)
  7. 计算机网络 研究生入学考试,中南大学研究生入学考试 《计算机网络》试题
  8. 软件测试理论知识-基本概念
  9. GMS地下水数值模拟实践技术应用
  10. Package ‘zipp‘ requires a different Python: 3.5.2 not in ‘>=3.6‘