Microscopy is a central method in life sciences. Many popular methods, such as antibody labeling, are used to add physical fluorescent labels to specific cellular constituents. However, these approaches have significant drawbacks, including inconsistency; limitations in the number of simultaneous labels because of spectral overlap; and necessary perturbations of the experiment, such as fixing the cells, to generate the measurement. Here, we show that a computational machine-learning approach, which we call "in silico labeling" (ISL), reliably predicts some fluorescent labels from transmitted-light images of unlabeled fixed or live biological samples. ISL predicts a range of labels, such as those for nuclei, cell type (e.g., neural), and cell state (e.g., cell death). Because prediction happens in silico, the method is consistent, is not limited by spectral overlap, and does not disturb the experiment. ISL generates biological measurements that would otherwise be problematic or impossible to acquire.

Light field microscopy is a new technique for high-speed volumetric imaging of weakly scattering or fluorescent specimens.It employs an array of microlenses to trade off spatial resolution against angular resolution, thereby allowing a 4-D light field to be captured using a single photographic exposure without the need for scanning.The recorded light field can then be used to computationally reconstruct a full volume.In this paper, we present an optical model for light field microscopy based on wave optics, instead of previously reported ray optics models.We also present a 3-D deconvolution method for light field microscopy that is able to reconstruct volumes at higher spatial resolution, and with better optical sectioning, than previously reported.To accomplish this, we take advantage of the dense spatio-angular sampling provided by a microlens array at axial positions away from the native object plane.This dense sampling permits us to decode aliasing present in the light field to reconstruct high-frequency information.We formulate our method as an inverse problem for reconstructing the 3-D volume, which we solve using a GPU-accelerated iterative algorithm.Theoretical limits on the depth-dependent lateral resolution of the reconstructed volumes are derived.We show that these limits are in good agreement with experimental results on a standard USAF 1951 resolution target.Finally, we present 3-D reconstructions of pollen grains that demonstrate the improvements in fidelity made possible by our method.

Frame-projected independent-fiber photometry (FIP) enables the concurrent monitoring and manipulation of neural activity at multiple sites in the brains of freely behaving mice. Real-time activity measurements from multiple specific cell populations and projections are likely to be important for understanding the brain as a dynamical system. Here we developed frame-projected independent-fiber photometry (FIP), which we used to record fluorescence activity signals from many brain regions simultaneously in freely behaving mice. We explored the versatility of the FIP microscope by quantifying real-time activity relationships among many brain regions during social behavior, simultaneously recording activity along multiple axonal pathways during sensory experience, performing simultaneous two-color activity recording, and applying optical perturbation tuned to elicit dynamics that match naturally occurring patterns observed during behavior.

The successful planning and execution of adaptive behaviors in mammals may require long-range coordination of neural networks throughout cerebral cortex. The neuronal implementation of signals that could orchestrate cortex-wide activity remains unclear. Here, we develop and apply methods for cortex-wide Ca2+ imaging in mice performing decision-making behavior and identify a global cortical representation of task engagement encoded in the activity dynamics of both single cells and superficial neuropil distributed across the majority of dorsal cortex. The activity of multiple molecularly defined cell types was found to reflect this representation with type-specific dynamics. Focal optogenetic inhibition tiled across cortex revealed a crucial role for frontal cortex in triggering this cortex-wide phenomenon; local inhibition of this region blocked both the cortex-wide response to task-initiating cues and the voluntary behavior. These findings reveal cell-type-specific processes in cortex for globally representing goal-directed behavior and identify a major cortical node that gates the global broadcast of task-related information.

The goal of understanding living nervous systems has driven interest in high-speed and large field-of-view volumetric imaging at cellular resolution. Light sheet microscopy approaches have emerged for cellular-resolution functional brain imaging in small organisms such as larval zebrafish, but remain fundamentally limited in speed. Here, we have developed SPED light sheet microscopy, which combines large volumetric field-of-view via an extended depth of field with the optical sectioning of light sheet microscopy, thereby eliminating the need to physically scan detection objectives for volumetric imaging. SPED enables scanning of thousands of volumes-per-second, limited only by camera acquisition rate, through the harnessing of optical mechanisms that normally result in unwanted spherical aberrations. We demonstrate capabilities of SPED microscopy by performing fast sub-cellular resolution imaging of CLARITY mouse brains and cellular-resolution volumetric Ca2+ imaging of entire zebrafish nervous systems. Together, SPED light sheet methods enable high-speed cellular-resolution volumetric mapping of biological system structure and function.

Drug discovery for diseases such as Parkinson’s disease are impeded by the lack of screenable cellular phenotypes. We present an unbiased phenotypic profiling platform that combines automated cell culture, high-content imaging, Cell Painting, and deep learning. We applied this platform to primary fibroblasts from 91 Parkinson’s disease patients and matched healthy controls, creating the largest publicly available Cell Painting image dataset to date at 48 terabytes. We use fixed weights from a convolutional deep neural network trained on ImageNet to generate deep embeddings from each image and train machine learning models to detect morphological disease phenotypes. Our platform’s robustness and sensitivity allow the detection of individual-specific variation with high fidelity across batches and plate layouts. Lastly, our models confidently separate LRRK2 and sporadic Parkinson’s disease lines from healthy controls (receiver operating characteristic area under curve 0.79 (0.08 standard deviation)), supporting the capacity of this platform for complex disease modeling and drug screening applications.

Abstract The rise of antimicrobial-resistant pathogens can be attributed to the lack of a rapid pathogen identification (ID) or antimicrobial susceptibility testing (AST), resulting in delayed therapeutic decisions at the point of care. Gonorrhea is usually empirically treated with no AST results available before treatment, thus contributing to the rapid rise in drug resistance. Herein we present a rapid AST platform using RNA signatures for Neisseria gonorrhoeae (NG). RNA-seq followed by bioinformatic tools were applied to explore potential markers in the transcriptome profile of NG upon minutes of azithromycin exposure. Validation of candidate markers using PCR showed that two markers ( arsR (NGO1562) and rpsO ) can deliver accurate AST results across 14 tested isolates. Further validation of our cutoff in comparison to MIC across 64 more isolates confirmed the reliability of our platform. Our RNA markers combined with emerging molecular point-of-care systems has the potential to greatly accelerate both ID and AST to inform treatment.

Abstract Multidrug-resistant Enterobacteriaceae are among the most urgent global public health threats associated with various life-threatening infections. In the absence of a rapid method to identify antimicrobial susceptibility, empirical use of broad-spectrum antimicrobials such as carbapenem monotherapy has led to the spread of resistant organisms. Rapid determination of antimicrobial resistance is urgently needed to overcome this issue. By capturing dynamic single-cell morphological features of over thirty-nine thousand cells from nineteen strains of Klebsiella pneumoniae , we evaluated strategies based on time and concentration differentials for classifying its susceptibility to a commonly used carbapenem, meropenem, and predicting their minimum inhibitory concentrations (MIC). We report morphometric antimicrobial susceptibility testing (MorphoAST), an image-based machine learning workflow, for rapid determination of antimicrobial susceptibility by single-cell morphological analysis within sub-doubling time. We demonstrated that our algorithm has the ability to predict MIC/antimicrobial susceptibility in a fraction of the bacterial doubling time (<50 min.). The classifiers achieved as high as 97% accuracy in 20 minutes (two-fifths of the doubling time) and reached over 99% accuracy within 50 minutes (one doubling time) in predicting the antimicrobial response. A regression model based on the concentration differential of individual cells from nineteen strains predicted the MIC with 100% categorical agreement and essential agreement for seven unseen strains, including two clinical samples from patients with urinary tract infections with different responsiveness to meropenem. The expansion of this innovation to other drug-bug combinations could have significant implications for future development of rapid antimicrobial susceptibility testing.

Tracking the coordinated activity of cellular events through volumes of intact tissue is a major challenge in biology that has inspired significant technological innovation. Yet scanless measurement of the high-speed activity of individual neurons across three dimensions in scattering mammalian tissue remains an open problem. Here we develop and validate a computational imaging approach (SWIFT) that integrates high-dimensional, structured statistics with light field microscopy to allow the synchronous acquisition of single-neuron resolution activity throughout intact tissue volumes as fast as a camera can capture images (currently up to 100 Hz at full camera resolution), attaining rates needed to keep pace with emerging fast calcium and voltage sensors. We demonstrate that this large field-of-view, single-snapshot volume acquisition method — which requires only a simple and inexpensive modification to a standard fluorescence microscope — enables scanless capture of coordinated activity patterns throughout mammalian neural volumes. Further, the volumetric nature of SWIFT also allows fast in vivo imaging, motion correction, and cell identification throughout curved subcortical structures like the dorsal hippocampus, where cellular-resolution dynamics spanning hippocampal subfields can be simultaneously observed during a virtual context learning task in a behaving animal. SWIFT's ability to rapidly and easily record from volumes of many cells across layers opens the door to widespread identification of dynamical motifs and timing dependencies among coordinated cell assemblies during adaptive, modulated, or maladaptive physiological processes in neural systems.