《Current Opinion in Structural Biology》：Template matching and machine learning for cryo-electron tomography
編輯推薦：
本文聚焦冷凍電鏡斷層掃描（cryo-ET）在視覺蛋白質組學中的應用，分析其分子復合物檢測難題，探討模板匹配（TM）、無模板工作流及機器學習（如 CNN、3D-UNet）等方法的原理、局限與進展，展望提升檢測效率與精度的方向。
冷凍電鏡斷層掃描中的分子復合物檢測：模板匹配與機器學習的研究進展
冷凍電鏡斷層掃描（cryo-ET）是視覺蛋白質組學中實現細胞內蛋白質分子三維可視化的核心技術。通過冷凍聚焦離子束（cryo-FIB）減薄樣品并采集不同傾斜角度的二維顯微圖像，可重建三維斷層圖像（tomograms）。然而，低信噪比（SNR）、缺失楔（missing wedge，傾斜角度通常限制在 ±60°）等問題導致粒子挑選（particle picking）成為分析流程的瓶頸，需依賴亞斷層平均（STA）技術對檢測結果進行優化。
模板匹配技術的應用與挑戰
模板匹配（TM）是 cryo-ET 中經典的目標檢測方法，基于模板與斷層圖像的局部歸一化互相關計算，具有無需大量訓練數據、結果可解釋性強等優勢。其核心局限在于計算復雜度高，三維旋轉空間（SO (3)）的角精度與計算量呈立方關系（O ((1/?)3)），例如角精度 7° 時需 45123 次采樣。盡管提高角采樣密度可提升精度，但大規模數據集的計算成本難以承受。
近年來發展的二維模板匹配（2DTM）通過處理二維顯微圖像避免三維計算負擔，結合 CTF 校正可利用高分辨率信息，在核糖體定位中取得成功，但在復雜厚樣本中的應用受限。張量模板匹配（TTM）通過張量場集成旋轉信息，實現計算復雜度與角精度無關（O (1)），雖能快速處理大尺度分子的納米級定位，但抗噪聲能力弱于 TM，在小復合物檢測中表現不足。
TM 的應用還受限于模板剛性假設（無法處理非剛性構象變化）和細胞環境復雜性（密集分子導致掩碼內非目標密度干擾），目前主要適用于核糖體、核孔等大復合物，且需人工監督篩選。
無模板工作流的探索
無模板工作流通過非特異性拾取密度并后續分類，依賴幾何約束（如膜結合復合物的平面排列）簡化對齊與分類問題。例如 PySeg 通過引入幾何限制實現膜結合蛋白的初步分類，但其適用性局限于特定結構，且需專家干預調整參數，難以推廣至復雜細胞環境。
機器學習在模式識別中的應用
深度學習（DL），尤其是卷積神經網絡（CNN），已被應用于 cryo-ET 的重建、去噪、分割及定位任務。3D-UNet 架構的 DeepFinder 等模型在標注數據充分時優于 TM，但依賴高質量標注數據集 —— 手動注釋原位斷層圖像耗時且精度受限，細胞擁擠和偽影（如缺失楔、CTF 調制）導致多數分子復合物難以通過目視識別。
為緩解數據短缺，正探索正無標簽學習、少樣本學習及基礎模型微調等策略。合成數據生成工具（如 cryo-TomoSim、PolNet）通過模擬細胞環境生成標注數據，可訓練模型檢測核糖體、微管等結構，但模擬納米級復雜結構仍具挑戰。對比學習方法（如 TomoTwin）嘗試提升模型泛化能力，但離通用檢測器仍有距離。
總結與展望
模板匹配及其改進方法（如 TTM、2DTM）在大復合物快速檢測中具有不可替代的作用，而機器學習在處理結構異質性和低信噪比數據方面潛力顯著，但需突破數據瓶頸與泛化能力限制。未來研究需結合算法優化（如抗噪 TTM 變體）、硬件加速（GPU 并行計算）及跨領域技術（如生成式 AI 模擬），推動 cryo-ET 從特定分子檢測向全細胞蛋白質組可視化邁進，為分子生物學與精準醫學提供更完整的細胞組織分子圖譜。
