We present deep-learning-enabled super-resolution across different fluorescence microscopy modalities. This data-driven approach does not require numerical modeling of the imaging process or the estimation of a point-spread-function, and is based on training a generative adversarial network (GAN) to transform diffraction-limited input images into super-resolved ones. Using this framework, we improve the resolution of wide-field images acquired with low-numerical-aperture objectives, matching the resolution that is acquired using high-numerical-aperture objectives. We also demonstrate cross-modality super-resolution, transforming confocal microscopy images to match the resolution acquired with a stimulated emission depletion (STED) microscope. We further demonstrate that total internal reflection fluorescence (TIRF) microscopy images of subcellular structures within cells and tissues can be transformed to match the results obtained with a TIRF-based structured illumination microscope. The deep network rapidly outputs these super-resolved images, without any iterations or parameter search, and could serve to democratize super-resolution imaging. Deep learning enables cross-modality super-resolution imaging, including confocal-to-STED and TIRF-to-TIRF-SIM image transformation. Imaging of a larger FOV and greater depth of field is possible with higher resolution and SNR at lower light doses.

Optical imaging of nanoscale objects, whether it is based on scattering or fluorescence, is a challenging task due to reduced detection signal-to-noise ratio and contrast at subwavelength dimensions. Here, we report a field-portable fluorescence microscopy platform installed on a smart phone for imaging of individual nanoparticles as well as viruses using a lightweight and compact opto-mechanical attachment to the existing camera module of the cell phone. This hand-held fluorescent imaging device utilizes (i) a compact 450 nm laser diode that creates oblique excitation on the sample plane with an incidence angle of ∼75°, (ii) a long-pass thin-film interference filter to reject the scattered excitation light, (iii) an external lens creating 2× optical magnification, and (iv) a translation stage for focus adjustment. We tested the imaging performance of this smart-phone-enabled microscopy platform by detecting isolated 100 nm fluorescent particles as well as individual human cytomegaloviruses that are fluorescently labeled. The size of each detected nano-object on the cell phone platform was validated using scanning electron microscopy images of the same samples. This field-portable fluorescence microscopy attachment to the cell phone, weighing only ∼186 g, could be used for specific and sensitive imaging of subwavelength objects including various bacteria and viruses and, therefore, could provide a valuable platform for the practice of nanotechnology in field settings and for conducting viral load measurements and other biomedical tests even in remote and resource-limited environments.

Abstract This study evaluates the influence of particle size, PEGylation, and surface coating on the quantitative biodistribution of near‐infrared‐emitting quantum dots (QDs) in mice. Polymer‐ or peptide‐coated 64 Cu‐labeled QDs 2 or 12 nm in diameter, with or without polyethylene glycol (PEG) of molecular weight 2000, are studied by serial micropositron emission tomography imaging and region‐of‐interest analysis, as well as transmission electron microscopy and inductively coupled plasma mass spectrometry. PEGylation and peptide coating slow QD uptake into the organs of the reticuloendothelial system (RES), liver and spleen, by a factor of 6–9 and 2–3, respectively. Small particles are in part renally excreted. Peptide‐coated particles are cleared from liver faster than physical decay alone would suggest. Renal excretion of small QDs and slowing of RES clearance by PEGylation or peptide surface coating are encouraging steps toward the use of modified QDs for imaging living subjects.

Abstract Tooth classes are a mammalian innovation that has contributed to the evolutionary success of mammals. However, our understanding of how tooth classes have evolved and diversified remains limited. Here, we use the evolutionary radiation of noctilionoid bats, the most diverse clade of mammals in terms of diet type, as a model system to show how the tooth developmental program evolved during the adaptation to new diet types. We combined morphological, developmental, cellular, and modeling approaches, to investigate the developmental differences between two tooth classes, molars and premolars and the mechanisms driving their diversification. We demonstrate that tooth classes develop through independent developmental cascades that deviate from classical models. Then we showed that the dramatic diversification of tooth number and size is driven by the modulation of the growth rate of the jaw, explaining the rapid gain/loss of teeth during the evolution of this clade. Finally, we propose a mathematical model that recapitulates the successive appearance of tooth buds and supports the hypothesis that growth acts as a key driver of the evolution of tooth number and size by tinkering with reaction/diffusion processes. Our results demonstrate developmental independence between mammalian tooth classes and provide a mechanism to explain their rapid diversification. More broadly, these results reveal how simple modifications of one developmental mechanism by another can drive the evolution of repeated structures during adaptive radiations.

We present a deep learning-based method for achieving super-resolution in fluorescence microscopy. This data-driven approach does not require any numerical models of the imaging process or the estimation of a point spread function, and is solely based on training a generative adversarial network, which statistically learns to transform low resolution input images into super-resolved ones. Using this method, we super-resolve wide-field images acquired with low numerical aperture objective lenses, matching the resolution that is acquired using high numerical aperture objectives. We also demonstrate that diffraction-limited confocal microscopy images can be transformed by the same framework into super-resolved fluorescence images, matching the image resolution acquired with a stimulated emission depletion (STED) microscope. The deep network rapidly outputs these super-resolution images, without any iterations or parameter search, and even works for types of samples that it was not trained for.

ABSTRACT Leucine-rich repeat containing 15 (LRRC15) has emerged as an attractive biomarker and target for cancer therapy. We have developed a humanized monoclonal antibody (mAb), DUNP19, that specifically binds to a phylogenetically conserved LRRC15 epitope and is internalized by target-expressing cancer and stromal cells. In xenograft mouse models, Lutetium-177 labeled DUNP19 ([ 177 Lu]-DUNP19) enables non-invasive imaging and precise radiotherapy to LRRC15-expressing cancer cells and murine cancer-associated fibroblasts (CAFs), halting tumor progression and prolonging survival with minimal toxicity. Transcriptomic analyses of [ 177 Lu]-DUNP19-treated tumors reveal a loss of pro-tumorigenic mechanisms, including a transforming growth factor beta (TGFβ)-driven and LRRC15+ signature associated with immunotherapy resistance. Together, these results demonstrate that radio-theranostic targeting of LRRC15 with DUNP19 is a compelling precision medicine platform for image-guided diagnosis, eradication, and reprogramming of LRRC15+ tumor tissue that drives immuno-resistance and aggressive disease. SIGNIFICANCE We introduce a pioneering LRRC15-guided radio-theranostic approach integrating clinical imaging and radioimmunotherapy. Our strategy utilizes a mAb, DUNP19, to target LRRC15-expressing cancer cells and fibroblasts, demonstrating significant tumor reduction, prolonged survival, and reversal of TGFβ-driven treatment resistance. This approach offers a promising strategy for improving outcomes in aggressive cancers.