2014年诺贝尔化学奖所表彰的超分辨荧光显微技术，特别是单分子定位显微技术（SMLM），实现了纳米级精度的分子静态成像，革新了细胞微观结构研究。然而，该技术长期面临一个根本局限：它只能揭示分子“在哪里”，却无法同时获知分子“如何运动”。为解析运动行为，必须依赖稀疏的多帧轨迹追踪，导致分子的空间分布与实时运动性难以同步捕捉。活细胞中分子的“静态分布”与“动态行为”长期难以兼顾，这一根本瓶颈制约着对细胞生命动态过程的深入理解。

2026年4月28日，北京大学生物医学前沿创新中心、北大-清华生命科学联合中心邓伍兰课题组在Nature Methods上在线发表题为“Single-Molecule Localization and Diffusivity Microscopy Reveals Dynamic Biomolecular Organization in Living Cells”的研究论文。该工作首创了活细胞单分子定位及扩散性显微技术（SMLDM）：通过深度学习模型，直接从单帧快照中准确估算单分子运动轨迹、扩散系数与定位信息，无需依赖多帧轨迹串联，从而建立了“单帧解析动力学”的全新算法范式。与传统追踪方法相比，SMLDM 将单分子动态数据密度提升50 - 300 倍，能够生成活细胞、高密度、超分辨且具备单分子精度的扩散分布图谱，真正实现了“静态分布” 与 “动态行为” 的兼得。课题组已将 SMLDM 成功应用于多种动态细胞过程的研究。该技术为在活细胞中以单分子分辨率解析生物分子的分布与动力学提供了强大工具，相关中国发明专利已获授权。

这项原创技术的诞生，源于课题组对实验细节的敏锐洞察与跨学科思维的融合。在常规活细胞单分子成像中，高速拍摄所获得的“清晰无拖尾”信号被视为理想状态，而运动分子产生的荧光拖尾则常被视作干扰因素。但邓伍兰团队没有局限于这一固有认知，反而从这一常见现象中捕捉到创新灵感：分子在曝光时间内的瞬时轨迹，早已完整编码在单帧拖尾光斑之中。这一被忽略的 “残影”，恰恰藏着破解分子动态观测的关键密码。

研究团队融合深度学习方法与扩散理论，开创了一套从单帧图像中解析分子动力学的完整计算框架。具体而言：首先，构建卷积编码器—解码器神经网络 Deep-SnapTrack并利用动态单分子模拟数据训练，使其能够从单帧短曝光快照中直接恢复分子在曝光期间的运动“伪轨迹”；继而，基于扩散理论开发了 TrackD 算法，用于从伪轨迹面积中定量推算单分子扩散系数；同时，发展了 TrackL 算法，可在不同动态范围内自适应选择最优定位策略，实现超越传统方法的定位精度。在实验层面，通过选用高亮度光激活荧光团，并开发专用于高密度单分子分割的 U-Net 网络，团队建立了从活细胞图像采集、单分子检测到轨迹与动力学参数提取的一体化流程，从而构成了 SMLDM 技术的完整方法学（图1）。

图1、SMLDM流程概述及示例数据

研究进一步将 SMLDM 与 PALM 技术结合，发展出 MPALM（mobility photoactivated localization microscopy）成像体系，并成功应用于四大关键生物学场景：

1. 染色质空间组织

   ：揭示活细胞染色质中存在低扩散性中尺度结构域，并发现核小体扩散性与染色质密度密切关联（图2）。；

2. 膜受体信号调控

   ：解析 μ-阿片受体在不同配体下的通路偏向性聚集模式，为 GPCR 研究提供单分子动力学新视角；

3. 黏附斑动态重塑

   ：阐明黏附斑纳米簇的装配、解聚与迁移规律，并揭示边缘与内部区域的分子迁移率差异；

4. 生物相分离过程

   ：捕捉相分离早期分子凝聚动态，发现微凝聚体成熟速率存在空间异质性。

图2、组蛋白H2B的MPALM分析

与经典诺奖技术相比，SMLDM 的核心突破直观而深刻：传统单分子定位显微技术拍摄一张照片，只能回答 “分子在哪里”；而 SMLDM 仅凭一张单帧快照，既能精确定位，又能判断运动状态、量化运动速率，在空间维度基础上新增了动力学观测维度，实现了活细胞单分子成像从“结构观测”向“结构-动力学联合观测”的的范式升级。

邮箱：

wdeng@pku.edu.cn

实验室主页：

deng-lab.pku.edu.cn/

研究领域：

邓伍兰课题组致力于超分辨单分子活细胞成像与转录调控的交叉研究。通过融合多学科方法与先进光学成像技术，课题组构建了活细胞多模态定量成像平台，以实现在原位对单分子行为的动态追踪与解析。主要研究方向聚焦于三个层面：转录全过程的时序调控机制（特别是转录因子与基因组互作）、生物大分子（如含内在无序区蛋白）的动态聚集与三维基因组的时空组织，以及前沿活细胞成像技术的自主开发。研究遵循“生物学问题驱动方法学建立、方法学反哺生物学发现”的思路，旨在为解析干细胞分化及疾病发生中的转录调控核心机制，提供新的可视化研究维度。