《PLOS Digital Health》：Semi-supervised clustering with knowledge-guided representation learning in cryo-electron tomography
编辑推荐：
摘要
在冷冻电子断层扫描（cryo-electron tomography, cryo-ET）中，高分子复合物结构模式的自动化发现仍是一项核心挑战，尤其是在高度异质的数据集中。尽管完全无监督的聚类方法在按结构相似性对亚断层扫描图（subtomogram）进
摘要
在冷冻电子断层扫描（cryo-electron tomography, cryo-ET）中，高分子复合物结构模式的自动化发现仍是一项核心挑战，尤其是在高度异质的数据集中。尽管完全无监督的聚类方法在按结构相似性对亚断层扫描图（subtomogram）进行分组方面显示出潜力，但它们常常忽略一个关键信息源：结构生物学家通过先前研究或手动注释获得的、常规可用的部分真实标注。在本工作中，研究人员提出了一种半监督结构发现框架，利用部分监督信息引导聚类，同时不损害揭示先前未知结构的能力。该方法的核心是一种标签锚定的概率聚类机制，该机制使用少量带标签样本对潜在空间进行初始化，并通过基于PCA空间投票的多分辨率共识策略对其进行优化。此外，还引入了一种基于熵的置信度评分机制，以减少模糊样本的影响；以及一种特征传播过程，利用特征空间中的局部相似性将结构标签扩展到低置信度区域。上述组件共同构成了一条稳定且自适应的分析流程，能够同时发现已知和新型结构。该方法是高效的，每个类别仅需1%的带标签数据，并且与完全无监督方法相比，能够从第一次迭代起就持续产生更清晰、更可解释的特征嵌入，以及分离良好的聚类。在模拟和真实断层扫描数据集上的大量实验表明，这种半监督策略显著提高了冷冻电子断层扫描分析中的聚类性能、鲁棒性和生物学相关性。这些方法作为对现有深度迭代亚断层扫描聚类方法（Deep Iterative Subtomogram Clustering Approach, DISCA）流程的扩展被整合，增强了其进行引导式结构发现的能力。
论文解读
**研究背景与问题**
冷冻电子断层扫描（cryo-electron tomography, cryo-ET）能够在接近天然状态下对细胞内的生物大分子复合物进行三维可视化，为结构细胞生物学提供了直接观察分子过程、发现新蛋白质复合物和相互作用的重要工具。然而，该技术在后续数据分析中面临多重挑战。主要问题包括：极低的信噪比（signal-to-noise ratio, SNR），其源于低电子剂量和拥挤的细胞环境，严重退化结构信息；缺失楔形效应（missing wedge artifact），其由有限的角度采集范围引起，导致三维重构中的各向异性分辨率和畸变，使分类和平均等任务复杂化；以及传统颗粒检测方法（如模板匹配）依赖降采样数据和低分辨率模板，常产生大量假阳性和对形态可变颗粒的低灵敏度。因此，从重构断层扫描图中分析和解释大量密集堆叠且通常重叠的、具有不同大小、构象和功能状态的大分子复合物（每个断层扫描图包含数千至数万个颗粒）成为主要瓶颈。手动分割和识别极为耗时且易引入人工偏差，迫切需要自动化和可扩展的计算方法。在cryo-ET分析中，方法通常分为识别已知类别和发现未知结构两类。大多数半监督、弱监督和域适应方法仍是假设预定义目标的分类或检测/分割流程，无法创建新类别。相反，面向发现的方法则在无标签情况下操作，如DISCA进行高通量无监督亚断层扫描图聚类以实现从头发现，以及tomoDRGN学习异质性的无监督潜在表示。作者指出，将半监督与显式从头亚断层扫描聚类相结合的研究相对较少，而主要的发现引擎仍以无监督聚类和表示建模为主，这些方法通常假设没有先验知识，将所有数据点视为同等未知。因此，本研究的动机在于：cryo-ET中标签成本高昂、易变且稀缺，未标记数据集却很常见；目标是在保持聚类方法揭示新结构能力的同时，利用有限的标签来引导和学习，提高稳定性和准确性。
**研究内容与结论**
研究人员提出了一种用于cryo-ET亚断层扫描图的半监督聚类框架，该框架将部分真实标注整合进修改后的高斯混合模型（Gaussian Mixture Model, GMM），并锁定已标记数据的分配。不同于传统GMM随机或通过无监督方法初始化组件均值，该方法利用标记特征的质心为已知聚类初始化均值，并在期望最大化（Expectation-Maximization, EM）优化期间锁定这些分配。为在EM前稳健地初始化未标记部分，研究执行了基于主成分分析（Principal Component Analysis, PCA）的多数投票：特征被投影到多个低维子空间（如8、16、32维），在每个分辨率下执行半监督GMM；聚合各次所得分配，并通过跨投影的多数投票为每个样本生成伪标签，提供稳定的第0次迭代初始化。随后计算基于熵的置信度分数，并利用特征空间相似性将标签从高置信度区域传播到低置信度区域。这些步骤共同产生了具有生物学依据和稳定性的初始化，提高了结构异质cryo-ET数据集中的收敛性、可解释性和聚类准确性。该流程作为对DISCA模型的扩展被提出。在多个数据集上的实验结果表明，这种半监督策略显著优于完全无监督方法。该框架仅需每个类别1%的标记数据，即可发现已知和新的结构，并在低SNR和有限倾斜条件下提高聚类性能、鲁棒性和生物学相关性。
**主要技术方法**
研究中使用了以下主要关键技术方法：（1）特征提取：采用YOPO（You Only Pool Once）三维卷积神经网络，其包含十个卷积块、全局最大池化和一个全连接层，输出1024维特征嵌入，避免中间池化以保留精细结构细节，并通过自监督训练实现旋转不变性，采用高斯丢弃增强噪声鲁棒性。（2）PCA投票初始化：将未标记数据的特征投影到8、16、32维PCA子空间，在每个子空间中拟合半监督GMM，并通过多数投票聚合簇分配，以减少随机初始化的不稳定性。（3）标签引导的半监督GMM：在EM框架中，标记数据在E步骤中固定为其各自的类别，模型参数（均值、协方差）从标记数据初始化并保持固定，模型选择通过最小化贝叶斯信息准则（Bayesian Information Criterion, BIC）实现。（4）基于熵的置信度细化：计算样本对聚类责任向量的归一化熵，经最小-最大归一化后，高于阈值的高置信度样本用于向低置信度样本传播标签；传播基于特征空间中的余弦相似性，取前k个最相似高置信度邻居的软标签平均值。这些方法被整合进DISCA流程的迭代优化循环中，包括网络重训练，直至收敛或达到最大迭代次数。样本数据包括模拟数据集（使用AITom工具生成的23类蛋白结构亚断层扫描图，以及PolNet工具生成的四张模拟断层图）和实验数据集（来自CZII CryoET对象识别挑战赛的断层扫描图和来自Dryad存储库的Dragonfly cryo-ET数据集）。
**研究结果**
**在AITom模拟数据集上的性能**：在由23种不同分子量结构（从31.31 kDa的3QM1到5851.65 kDa的4V7R）组成的模拟数据集上，每个结构生成400个32体素的模拟亚断层扫描图，总计每数据集9200个亚断层扫描图，并在两个倾斜角范围（±60°和±40°）和三个SNR水平（0.1、0.03、0.01）下生成数据集。实验中仅从23类中的18类各选取1%标记数据，其余5类完全未标记。与原始DISCA（固定簇数k=23）相比，半监督方法在所有设置下均优于基线，包括低SNR和有限倾斜场景。例如在SNR 0.03和±60°倾斜下，准确率达0.9554，而DISCA仅为0.5702；在最困难情况下（SNR 0.01，±40°）仍有0.4113，而DISCA降至0.2482。所有场景下均能发现五个未知类别。此外，与通用半监督基线（种子k-means和COP-k-means）相比，提出的方法优势明显；通过逐步消融实验（标签锚定GMM、PCA投票、置信度过滤、标签传播）显示了各组件对性能的增量贡献。t-SNE可视化表明，半监督流程从第一次迭代起就形成清晰的聚类岛，而完全无监督的DISCA在迭代初期存在严重重叠和模糊边界。**在Dragonfly实验数据上的性能**：数据集包含六个标注类别（Actin n=4,641、Cofilactin n=1,042、Membrane n=1,294、Microtubule n=318、Ribosome n=484、TriC n=253）。采用留一类未标记方案评估未知结构恢复能力。结果表明对Ribosome（0.74）、Membrane（0.65）、Microtubule（0.61）恢复最强，TriC为0.52，而Actin（0.23）和Cofilactin（0.31）恢复较低。较低性能可能归因于Actin和Cofilactin形态上的相似性（均为丝状相关类别），导致未标记类别被分配到其他丝状类别或分散在相关簇中；TriC较小的紧凑结构使其在特征空间中不如大尺寸或空间扩展结构有区分度。**在CZII数据集上的性能**：数据集包括膜、细胞质核糖体和β-半乳糖苷酶三类，提取403体素亚断层扫描图并进行去噪处理，总计1,239个亚断层扫描图。实验中1%样本作为标记。完全无监督DISCA失败（报告5类而非3类，无法报告准确率）；固定k=3时准确率0.5117。半监督框架无细化时准确率0.7676，完整版（包含PCA投票和置信度细化）所有指标最高：准确率0.8329、均匀度0.5594、完整性0.5788、V-measure 0.5689。**在PolNet模拟数据上的性能**：PolNet生成四个模拟断层图，包含肌动蛋白丝和1BXN大分子，在SNR 0.1和受限倾斜下，半监督模型各项指标（均匀度、完整性、V-measure、准确率）均超过0.98。**敏感性分析**：在23类、SNR 0.001且缺失楔形倾斜范围的极低信噪比模拟条件下进行。标记子集比例从1%增至80%时准确率从0.20升至0.75，V-measure从0.48升至0.82。标签传播中邻居数量k从1增至20-40时性能提高，但k=80时急剧下降（V-measure降至0.35、准确率0.33），表明过大邻居导致过平滑。置信度阈值在0.30至0.80时性能提高（V-measure从0.54升至0.58），但0.90时下降（V-measure 0.47、准确率0.34），表明过高阈值导致可用于细化的样本过少。
**讨论与结论**
讨论部分指出，将部分监督整合到聚类过程中，在多个数据集上带来了显著且一致的改进。与完全无监督方法相比，这种改进源于以下机制：用生物学上有意义的标记示例锚定聚类初始化，并通过多分辨率PCA投票强化初始化，从而在高低信噪比条件下均获得更大的稳定性和鲁棒性。无监督方法常因随机初始化而在噪声或异质条件下不稳定。与常规半监督方法不同，该方法保持了无监督级别的未知结构发现能力。在23类模拟数据集中，该方法在均匀度、完整性、V-measure和准确率上全面优于DISCA。消融实验表明，稀疏标签的整合方式（而非仅仅是部分监督本身）是性能提升的关键；通用半监督基线无法复制效果。在CryoET挑战赛数据上，1%标记数据下的半监督模型将准确率从0.5117（DISCA）提升至0.8329，证明了对真实实验数据的泛化能力。在Dragonfly数据上的“留一类未标记”实验表明，可恢复完全未见的真实结构，但恢复程度取决于结构显著性和特征空间可分离性；形态与已知类别相似的未知类更难恢复。PolNet实验进一步证明方法对多种结构背景和成像条件的适应性。敏感性分析验证了超参数选择的合理性：增加标记数据总是有益的，但1%是一个保守且有效的低标注设置；置信度传播的最优操作范围是中等邻域大小和保守但不过严的阈值。讨论还强调了大背景下标注稀缺的现状：CryoET Data Portal已有超过19,000张断层扫描图（截至2025年），但仅约124张有注释或部分注释；EMPIAR有2,389条条目，但只有一小部分被手动注释并用于机器学习。这种稀缺性凸显了半监督方法的价值。结论部分（翻译）：总的来说，这项研究表明，在冷冻电子断层扫描聚类流程中纳入部分监督信息能够在兼顾新结构发现能力的前提下显著提升结构发现的性能。标签引导的GMM初始化、基于PCA的共识策略以及置信度驱动的细化相结合，构成了一种在亚断层扫描图分析中连接监督与无监督范式的原则性方法。
