综述：冷冻电子断层扫描数据分割：从细胞景观中提取模型

这篇综述系统阐述了冷冻电子断层扫描（cryo-ET）数据分割技术的革新进展，重点探讨了深度学习（如U-net架构）如何提升自动化分割的精度与效率，并详述了从体素分割到几何模型转化的关键技术及其在亚细胞结构定量分析（如形态计量学）、冷冻电子断层扫描图像平均（STA）和结构-功能关联研究中的应用价值。

　　

引言

冷冻电子断层扫描（cryo-ET）已成为解析细胞器与分子结构的革命性工具，但其三维重建数据转化为生物学洞察仍面临挑战。分割技术通过标记体素关联的亚细胞特征，成为连接原始数据与功能解析的关键桥梁。传统方法耗时费力，而卷积神经网络（尤其是U-net架构）的引入，使分割从“美化工具”升级为标准化流程的核心环节。

数据优化的第一步：提升低信噪比数据质量

冷冻电子断层扫描数据固有的低信噪比（SNR）和缺失楔形伪影是自动化分割的主要障碍。Cryo-CARE、WARP等软件基于noise2noise算法构建噪声模型，而CryoSamba创新性地利用相邻切片区分真实信号与噪声，在保留高频结构信息方面表现优异。Isonet和DeepDeWedge则通过深度学习修复缺失楔形，Cryo-TIGER进一步优化离散倾角采样导致的信息丢失。实践表明，任何数据优化策略均可提升分割准确性，但需权衡自动化程度与精度需求。

U-net架构：语义分割的革命性突破

传统定位与分割的界限因U-net架构而模糊——该技术可同步标记亚细胞特征并检测分子复合物。EMAN2首次实现基于U-net的半自动分割，DeepFinder则推出全监督3D U-net模型。针对膜结构，MemBrain v2通过TomoSegMemTV生成训练集，成为膜分割的新标杆；CryoVesNet则为突触小泡研究提供定制化方案。模拟数据的应用（如PDB结构降噪训练）预示着通用分割模型的广阔前景。

几何模型转化：下游分析的基石

体素分割的锯齿状边缘和像素依赖性问题，可通过表面网格模型（如Pycurv的顶点-多边形重建）或矢量模型（如Amira的纤维追踪模块）解决。线粒体嵴等复杂膜系统的“内外”界定难题，通过定向点云与泊松表面重建算法得以突破。这些模型不仅提升形态计量学精度，更为冷冻电子断层扫描图像平均提供先验空间信息，例如通过膜信号抑制策略成功解析神经元突触的AMPA受体结构。

分割驱动的定量与功能解析

自动化冷冻聚焦离子束（cryo-FIB）铣削技术使高通量超微结构定量成为可能。线粒体收缩位点、内质网重构、自噬体形成等过程的形态参数（如膜曲率、间距）通过表面形态计量学管道实现精准量化。核糖体与线粒体外膜的共定位分析揭示了蛋白质共翻译导入机制，而埃博病毒核衣壳组装、顶复门寄生虫生命周期等研究则展示了结构-环境互作的解析能力。

未来展望

随着Ais、TARDIS等工具对Chan Zuckerberg Initiative（CZI）数据库中数万张断层图的自动化处理，分割技术正迈向标准化与规模化。模型与形态计量学数据的协同沉积，或将推动整合动力学参数的“分子电影”构建，让静态图像跃动为动态的生命过程。