编辑推荐：
为解决冷冻电镜数据结构状态识别问题，研究人员开展相关研究，得出新工具可解析结构异质性的结果。
亮点：
- CalcLevels 3D 卷积神经网络（3D-CNN）能准确预测多种体数据集的二值化阈值。
- SIREn 可从大量 3D 体数据集中推断可变区域。
- SIREn 可揭示真实和模拟数据集中的结构异质性。
- 冷冻电镜断层扫描（Cryo-ET）数据与 SIREn 兼容。
摘要：冷冻电镜（cryo-EM）有潜力捕捉运动中蛋白质的瞬间状态，并建立构象状态与生物学功能之间联系的假设。随着机器学习模型的出现，能从单个数据集生成数百到数千个 3D 密度图，这一潜力正逐渐实现。然而，如何在这些体数据集中识别不同的结构状态并量化它们的相对占有率仍是悬而未决的问题。在此，研究人员提出一种基于体素的统计共占据直接从体数据集推断可变区域的方法，以及一种以无偏见且自动化的方式预测体数据集二值化阈值的 3D 卷积神经网络。研究表明，这些工具能重现各种模拟和真实冷冻电镜数据集中已知的异质性，并强调将这些工具与现有数据处理流程相结合，可改进粒子筛选。
