正文
传统的SRS技术虽然能够无标记地成像代谢物，但其面临着灵敏度不足和空间分辨率有限的挑战。具体来说，传统SRS由于受到激光光源功率限制，难以在细胞和亚细胞级别实现高灵敏度的代谢成像。为了解决这一问题，URV-SRS通过对激光脉冲的延时调制（chirping）技术，显著增强了信号的探测能力。这种技术通过扩展脉冲的持续时间，从而降低峰值功率，减少了光子损伤的风险，并使得成像在更低的功率条件下依然能获得高质量的信号。这一创新不仅提高了成像的安全性，也扩展了其在生物样本中的应用范围。
除了脉冲调制技术外，URV-SRS还结合了去噪算法，进一步提升了成像的质量。在URV-SRS中，研究人员引入了自监督学习的去噪算法——NACE（Noisy-As-Clean with consensus equilibrium）。该算法通过生成多个带有噪声的图像对，并在不同的信噪比条件下训练去噪网络，有效去除了由于样本噪声带来的影响，使得信号更加清晰。这一算法的引入，大大提升了图像的信噪比，降低了背景噪声，从而使得细胞内低浓度代谢物的探测变得更加精准。
基于URV-SRS的无标记代谢成像原理
（Credit:
Nature Methods
）
光学设置（a）：
图a描述了URV-SRS的光学系统配置，包括了各个关键组件的功能，如分光镜（DM）、光学调制器（OM）、扫描单元（SU）、扫描镜头（SL）等。该设置支持激光源的调节和高效的信号收集，使得代谢成像能够在纳米尺度上进行。
细胞光损伤阈值（b）：
图b展示了不同脉冲持续时间下，细胞光损伤的阈值功率。通过对多种细胞类型的生物学重复实验（n=3）进行分析，图中的误差条反映了光损伤的功率范围，提供了URV-SRS成像在不引起细胞损伤的条件下所能使用的功率上限。
检测限（c）：
图c通过对DMSO分子的检测，展示了可见光和近红外（NIR）SRS的检测限。图中斜线表示SRS峰值强度与分子数量之间的线性关系，垂直虚线表示基线强度加上3倍标准差（σ）的分子数，进一步验证了URV-SRS在检测低浓度代谢物时的高灵敏度。
NACE去噪工作流（d）：
图d展示了自监督去噪算法NACE的工作流程。该流程通过生成多个噪声对（zk - y），并在不同信噪比（SNR）条件下训练U-Net去噪网络，最终通过共识平衡（Consensus Equilibrium）整合网络，进行匹配信噪比的去噪，从而提高成像信号的质量。
光学传递函数（e）：
图e展示了泵浦光、SRS和傅里叶重标定（FUR）SRS的光学传递函数（OTF）。图中标出了泵浦光、斯托克斯光和SRS的空间频率截止值，进一步证明了FUR技术在提高分辨率方面的优势。
SKOV3卵巢癌细胞成像（f）：
图f展示了使用FUR技术和NACE去噪后，对SKOV3卵巢癌细胞在2,930 cm⁻¹的可见SRS成像结果。通过实验验证，FUR和NACE的结合显著提升了图像的分辨率和清晰度。
图像区域放大（g）：
图g展示了图像放大的效果，包括原始图像、NACE去噪后的图像和FURNACE（NACE + FUR）增强分辨率后的图像，显示了FURNACE技术如何提升图像的清晰度。
直接应用FUR（h）：
图h展示了直接对原始图像（y）应用FUR处理后的效果，验证了FUR在提升分辨率方面的实际效果。
线剖面分析（i）：
图i展示了对图1g中两条箭头之间的线剖面进行的分析，帮助定量评估FURNACE处理后图像分辨率的提升。
FRC分析（j）：
图j展示了对原始图像、NACE去噪图像和FURNACE增强图像的单幅图像FRC（傅里叶环相关）分析结果。FRC分析定量测量了每个图像的空间分辨率，验证了FURNACE的效果，显示FURNACE提升了分辨率，并满足1/7分辨率标准。
