综述：单颗粒冷冻电镜图像去噪方法研究进展

这篇综述系统梳理了单颗粒冷冻电镜（cryo-EM）图像去噪技术的最新进展，涵盖传统滤波方法（如维纳滤波）与深度学习策略（如Topaz-Denoise），强调其在提升信噪比（SNR）、优化三维重构精度中的关键作用，为结构生物学研究提供了重要技术支撑。

　　

Abstract
冷冻电镜（cryo-EM）已成为解析近原子分辨率生物大分子结构的核心技术，但其图像极低的信噪比（SNR）严重制约了颗粒挑选和三维重构的精度。本文综述了从传统滤波到深度学习（如Topaz-Denoise）的去噪方法，通过系统比较各类技术优劣，旨在推动该领域发展，为研究者提供技术选型参考。

Introduction
冷冻电镜无需结晶即可解析膜蛋白等难结晶样本的结构，突破了X射线晶体学和核磁共振（NMR）的局限。然而，电子剂量限制和冰层干扰导致图像存在结构噪声、散粒噪声和数字化噪声的混合干扰。去噪作为预处理关键步骤，能显著提升后续分析的可靠性。

Denoising evaluation metrics
去噪效果评估指标包括SNR、峰值信噪比（PSNR）、结构相似性指数（SSIM）和傅里叶壳层相关（FSC）。其中FSC通过半高宽（FWHM）计算分辨率，是评判重构质量的金标准。

Single-particle cryo-EM image denoising methods
传统方法中，维纳滤波利用傅里叶变换抑制高频噪声，但易丢失弱信号；非线性各向异性扩散则能保留边缘特征。深度学习方法如Topaz-Denoise通过卷积神经网络（CNN）自动学习噪声分布，在Relion等软件中实现集成，但对训练数据量和计算资源要求较高。

Discussion and conclusion
当前去噪技术仍面临泛化性不足和计算成本高的挑战。未来方向包括开发轻量化模型和跨模态迁移学习。随着算法优化，去噪技术将助力冷冻电镜在疾病机制研究和药物设计领域发挥更大价值。

CRediT authorship contribution statement
作者团队由国家自然科学基金（62175037）支持，分工涵盖资源提供（徐嘉浩）、概念设计（蒋林华）及文稿撰写（朱博）等环节。