基于模拟推断的冷冻电镜图像分子构象摊销模板匹配技术

为解决冷冻电镜(cryo-EM)图像中生物分子构象解析难题，研究人员开发了融合贝叶斯推断与深度学习的cryoSBI方法。该方法通过模拟训练神经网络，实现毫秒级单颗粒图像构象分类，突破传统方法需估算粒子姿态的限制，为大规模数据集分析提供快速可靠的解决方案。

　　

生物分子通过动态构象变化实现其功能，冷冻电镜(cryo-EM)虽能捕获这些构象的二维投影，但图像的高噪声特性与未知取向投影使得单颗粒构象解析极具挑战。研究团队创新性地将基于模拟的推断(SBI)技术引入冷冻电镜领域，建立cryoSBI计算框架：首先利用实验或建模获得的构象模板生成模拟图像数据集，训练深度神经网络逼近贝叶斯后验分布；随后将该模型应用于实验图像分析，无需传统繁琐的粒子姿态估计步骤，即可在毫秒级时间内完成单张图像的构象分类并输出统计置信度。这种物理模拟与概率深度学习融合的策略，不仅使算法具备处理海量数据的超高效能，还通过可解释的建模过程确保了结果的可靠性。在合成数据和真实单颗粒冷冻电镜数据上的测试表明，该技术为揭示生物分子构象景观提供了强有力的新工具。