Fluorescence microscopy is a key driver of discoveries in the life-sciences, with observable phenomena being limited by the optics of the microscope, the chemistry of the fluorophores, and the maximum photon exposure tolerated by the sample. These limits necessitate trade-offs between imaging speed, spatial resolution, light exposure, and imaging depth. In this work we show how image restoration based on deep learning extends the range of biological phenomena observable by microscopy. On seven concrete examples we demonstrate how microscopy images can be restored even if 60-fold fewer photons are used during acquisition, how near isotropic resolution can be achieved with up to 10-fold under-sampling along the axial direction, and how tubular and granular structures smaller than the diffraction limit can be resolved at 20-times higher frame-rates compared to state-of-the-art methods. All developed image restoration methods are freely available as open source software in Python, F iji , and K nime .

Imaging biological systems at subcellular resolution and across scales is essential to under-standing how cells form tissues, organs, and organisms. However, existing large-scale optical techniques often require harsh tissue-clearing methods that cause significant morphological changes, compromise the integrity of cell membranes, and reduce the signal of fluorescent proteins. Here, we demonstrate multifocal two-photon microscopy that enables imaging mesoscopic scattering samples in their native tissue environment at high resolution and high speed.

Abstract Functional tissue architecture originates by self-assembly of distinct cell types, following tissue-specific rules of cell-cell interactions. In the liver, a structural model of the lobule was pioneered by Elias in 1949. This model, however, is in contrast with the apparent random 3D arrangement of hepatocytes. Since then, no significant progress has been made to derive the organizing principles of liver tissue. To solve this outstanding problem, we computationally reconstructed 3D tissue geometry from microscopy images and analyzed it applying soft-condensed-matter-physics concepts. Surprisingly, analysis of the spatial organization of cell polarity revealed that hepatocytes are not randomly oriented but follow a long-range liquid-crystal order. This does not depend exclusively on hepatocytes receiving instructive signals by endothelial cells as generally assumed, since silencing Integrin-ß1 disrupted both liquid-crystal order and organization of the sinusoidal network. Our results suggest that bi-directional communication between hepatocytes and sinusoids underlies the self-organization of liver tissue.

Abstract Analyzing tissue microstructure is essential for understanding complex biological systems in different species. Tissue functions largely depend on their intrinsic tissue architecture. Therefore, studying the three-dimensional (3D) microstructure of tissues, such as the liver, is particularly fascinating due to its conserved essential roles in metabolic processes and detoxification. Here, we present TiMiGNet, a novel deep learning approach for virtual 3D tissue microstructure reconstruction using Generative Adversarial Networks (GANs) and fluorescence microscopy. TiMiGNet overcomes challenges such as poor antibody penetration and time-intensive procedures by generating accurate, high-resolution predictions of tissue components across large volumes without the need of paired images as input. We applied TiMiGNet to analyze tissue microstructure in mouse and human liver tissue. TiMiGNet shows high performance in predicting structures like bile canaliculi, sinusoids, and Kupffer cell shapes from actin meshwork images. Remarkably, using TiMiGNet we were able to computationally reconstruct tissue structures that cannot be directly imaged due experimental limitations in deep dense tissues, a significant advancement in deep tissue imaging. Our open-source virtual prediction tool facilitates accessible and efficient multi-species tissue microstructure analysis, accommodating researchers with varying expertise levels. TiMiGNet’s simplicity and independence from paired images make it a versatile asset. Overall, our method represents a powerful and efficient approach for studying tissue microstructure, with far-reaching applications in diverse biological contexts and species.

Abstract Three dimensional (3D) geometrical models are not only a powerful tool for quantitatively characterizing complex tissues but also useful for probing structure-function relationships in a tissue. However, these models are generally incomplete due to experimental limitations in acquiring multiple (>4) fluorescent channels simultaneously. Indeed, predictive geometrical and functional models of the liver have been restricted to few tissue and cellular components, excluding important cellular populations such as hepatic stellate cells (HSCs) and Kupffer cells (KCs). Here, we performed deep-tissue immunostaining, multiphoton microscopy, deeplearning techniques, and 3D image processing to computationally expand the number of simultaneously reconstructed tissue structures. We then generated a spatio-temporal singlecell atlas of hepatic architecture (Hep3D), including all main tissue and cellular components at different stages of post-natal development in mice. We used Hep3D to quantitatively study 1) hepatic morphodynamics from early post-natal development to adulthood, and 2) the structural role of KCs in the murine liver homeostasis. In addition to a complete description of bile canaliculi and sinusoidal network remodeling, our analysis uncovered unexpected spatiotemporal patterns of non-parenchymal cells and hepatocytes differing in size, number of nuclei, and DNA content. Surprisingly, we found that the specific depletion of KCs alters the number and morphology of the HSCs. These findings reveal novel characteristics of liver heterogeneity and have important implications for both the structural organization of liver tissue and its function. Our next-gen 3D single-cell atlas is a powerful tool to understand liver tissue architecture, under both physiological and pathological conditions.

Early disease diagnosis is key for the effective treatment of diseases. It relies on the identification of biomarkers and morphological inspection of organs and tissues. Histopathological analysis of human biopsies is the gold standard to diagnose tissue alterations. However, this approach has low resolution and overlooks 3D structural changes that are consequence of functional alterations. Here, we applied multiphoton imaging, 3D digital reconstructions and computational simulations to generate spatially-resolved geometrical and functional models of human liver tissue at different stages of non-alcoholic fatty liver disease (NAFLD). We identified a set of new morphometric cellular parameters correlated with disease progression. Moreover, we found profound topological defects in the 3D bile canaliculi (BC) network. Personalized biliary fluid dynamic simulations predicted an increased pericentral biliary pressure and zonated cholestasis, consistent with elevated cholestatic biomarkers in patients' sera. Our spatially-resolved models of human liver tissue can contribute to high-definition medicine by identifying quantitative multi-parametric cellular and tissue signatures to define disease progression and provide new insights into NAFLD pathophysiology.