综述：冷冻电子断层扫描技术中的挑战与颗粒选取计算策略

这篇综述系统评述了冷冻电子断层扫描（cryo-ET）和子断层图平均（STA）技术在解析细胞结构空间组织中的挑战，重点探讨了基于深度学习的颗粒选取方法。文章对比了依赖标注（如crYOLO、DeepFinder）与无标注（如TomoTwin、DISCA）两类策略的优劣，指出未来发展方向在于结合监督学习的精度与无监督技术的自动化优势，推动视觉蛋白质组学（visual proteomics）的实现。

　　

冷冻电子断层扫描技术中的挑战与计算策略

计算策略与颗粒定位的关键挑战

冷冻电子断层扫描（cryo-ET）已成为研究细胞原位结构的重要工具，但其三维数据量大、信噪比（SNR）低、蛋白质异质性高等问题使颗粒定位面临三重挑战。传统模板匹配法虽广泛应用，但存在计算耗时、假阳性率高等缺陷。近年来，深度学习通过卷积神经网络（CNN）和嵌入聚类技术显著提升了颗粒选取效率，例如crYOLO通过滑动窗口检测实现每分钟处理1-2张断层图，而TomoTwin则利用预训练模型实现无标注分类。

依赖标注与无标注方法的博弈

依赖标注的方法（如DeepFinder）需500-1000个标注颗粒训练模型，适用于高丰度靶标，但难以应对低拷贝数蛋白质。TomoPicker通过"正未标记学习"将标注需求降至200个，而DISCA和MiLoPYP等无标注方法通过自监督聚类实现"从头发现"，尤其适合探索未知蛋白质。值得注意的是，TomoTwin采用模拟数据预训练，其嵌入空间可视化功能可交互式筛选目标簇。

细丝处理的特殊需求

约60%的工具缺乏细丝处理功能。crYOLO通过预测方向追踪细丝，DeePiCt学习中心线分割，而MiLoPYP采用二阶多项式拟合采样。对于肌动蛋白等螺旋细丝，需根据螺距（helical rise）调整框间距，这一特性目前仅crYOLO支持。

计算效率与标准化瓶颈

随着自动化采集技术发展，单日可生成数百张断层图。多数工具推理时间控制在20分钟内/张，但DeepFinder等需GPU集群加速。领域缺乏统一基准测试，Chan Zuckerberg Initiative（CZI）的CryoET-Data-Portal和SHREC竞赛有望推动方法标准化。

未来展望

视觉蛋白质组学的实现需要突破三大壁垒：低丰度蛋白质检测、异质性容忍度提升及标注需求降低。混合框架可能成为趋势，如将TomoPicker的弱监督学习与DISCA的自动聚类结合。随着冷冻电镜硬件革新与算法优化，原位结构解析正迈向纳米级细胞图谱的新纪元。