CryoTAP：冷冻电镜体密度图分析的精选基准与自监督基线

《Visual Informatics》：CryoTAP: A curated benchmark and self-supervised baseline for volumetric cryo-EM density map analysis

　　

冷冻电镜（cryo-EM）密度图对于确定和分析蛋白质三维结构至关重要。然而，其解读仍具挑战性，因为实验图谱含有噪声和非均匀密度，并且呈现依赖于分辨率的结构外观，同时体素级标注遵循异构协议。为支持该领域的数据驱动研究，研究人员整理并标准化了15,797张涵盖1–10 ?的冷冻电镜密度图，并附带两个任务特定基准数据集。在该基准上，研究人员提供了CryoTAP（Cryo-EM Transferable Analysis Pretraining），一种通过掩码补丁重建学习可迁移体表征的自监督基线，并将单一预训练编码器通过任务特定解码器适配到体素级二级结构分割和密度图增强。实验结果表明，与随机初始化相比，预训练初始化在所评估的分割与密度增强设置中提升了下游性能；CryoTAP在二级结构分割中取得了与任务特定方法相当的性能，而CryoTAP-Enhance在密度图增强中相对于EMReady表现出小幅且依赖于指标的差异。

冷冻电镜（cryo-EM）密度图是解析蛋白质三维结构的关键数据，其解读通常需要经过结构区域定位、二级结构标注、骨架追踪、残基或序列分配以及原子坐标构建等步骤。然而，实验密度图含有噪声、密度不均匀、缺失或碎片化区域，并随标称分辨率和局部分辨率发生明显变化；同时，不同数据集采用的体素级标注协议不一致，任务特定的标注、预处理流程和输出定义也各不相同。这些因素使得学习可复用的体积表征成为必要，也促使研究人员构建标准化的大规模数据集与基准，以支持数据驱动的冷冻电镜分析。

为此，研究人员从电子显微镜数据银行（EMDB）和蛋白质数据银行（PDB）收集并标准化了15,797张分辨率范围为1–10 ?的冷冻电镜密度图，并构建了两个任务特定基准：二级结构分割基准包含2000个模拟源结构、120张中分辨率实验训练图、468张高分辨率实验图，以及固定的43图Emap2sec测试集；密度图增强基准包含460对配对实验图与模拟图。在此基础上，研究人员提出CryoTAP，一种基于掩码三维补丁重建的自监督预训练基线，并通过任务特定解码器将共享编码器分别适配到二级结构语义分割和密度图连续重建。总体结论是：预训练初始化在评估的所有消融设置中均优于随机初始化；CryoTAP在二级结构分割上达到与任务特定方法相当或更优的性能；CryoTAP-Enhance在密度图增强中相对于EMReady表现出竞争性但依赖于指标的差异。该研究为冷冻电镜体密度图的表征学习提供了标准化资源、可复现基准和自监督基线，并揭示了掩码体积预训练在下游任务中的适用性。

关键方法方面，研究人员从EMDB/PDB获取密度图及对应原子模型，排除标称分辨率差于10 ?或无PDB模型的条目，并采用访问号匹配和30%序列一致性阈值去除与下游测试集重叠的样本，最终保留15,797张图。所有密度图经阈值化、重采样至1 ?各向同性体素间距并归一化。预训练采用视觉Transformer（ViT）架构，将40×40×40体素窗口划分为4×4×4非重叠补丁，以25%掩码比例进行随机掩码重建，最小化体素级均方误差。二级结构分割比较线性、Transformer和卷积三种解码器，并采用Tversky损失；密度增强使用多层级特征融合的卷积解码器，并采用Smooth L1与SSIM联合损失。评估使用FSC_0.5、CC_box、CC_mask和CC_peaks等图谱与结构衍生目标的一致性指标。

二级结构分割评估方面，定性与定量结果表明CryoTAP能够在高分辨率和中分辨率实验密度图上产生与参考标注相符的螺旋、片层和卷曲预测。在468张高分辨率图的3折交叉验证中，CryoTAP-Conv取得最高的总体F1分数（0.795）和前景体素准确率（0.795），而Haruspex分别为0.612和0.746。在固定43图中分辨率测试集上，CryoTAP-Conv同样取得最高总体F1（0.651）和前景准确率（0.669），较Haruspex分别高出15.0和11.2个百分点；三种CryoTAP变体在该测试集的两项总体指标上均优于Emap2sec和Haruspex。

密度图增强评估方面，CryoTAP-Enhance在110张实验测试图上的平均FSC_0.5为3.47 ?，CC_box为0.866，CC_mask为0.797，CC_peaks为0.756。与EMReady进行配对图级比较时，CryoTAP-Enhance使FSC_0.5平均降低0.104 ?（95%置信区间0.030–0.199，Holm校正p=0.013），CC_box平均提高0.0106（95%置信区间0.0049–0.0157，Holm校正p<0.001）；而CC_mask和CC_peaks的配对差异未达到统计显著。定性示例显示，增强后密度在弱密度区域更为连续，并与参考原子模型轨迹有更好对应。这些结果表明CryoTAP-Enhance是一个具有竞争力的增强基线，其相对EMReady的优势是小幅且指标依赖的，而非全面优于EMReady。

消融研究方面，研究人员对所有下游设置比较了自监督预训练初始化与随机初始化。在二级结构分割中，预训练在每一个评估设置下均提升了F1分数，且线性与Transformer解码器的相对提升幅度大于卷积解码器。在密度图增强中，预训练将FSC_0.5从4.19 ?降至3.47 ?，并将CC_box、CC_mask和CC_peaks分别提高0.004、0.006和0.014。由于两项任务使用不同指标和尺度，研究人员未直接比较预训练效应的大小，但预训练初始化在所有消融设置中均改善了所报告指标。

讨论部分指出，当前预处理未显式编码标称或局部分辨率信息，对阈值化、归一化和锐化等选择的敏感性也未被系统评估；Transformer处理三维窗口计算代价较高。现有消融实验缺少多随机种子重复和方差估计；掩码比例、预训练解码器深度与宽度以及分割损失等若干配置基于下游测试数据进行探索性选择，可能引入乐观偏差。预训练与测试集的去污染仅使用访问号匹配和序列一致性过滤，未建立结构独立性，因此未来应在更严格的结构分离条件下评估泛化能力。此外，下游任务目前仅覆盖二级结构分割和密度图增强，尚不足以证明对整个冷冻电镜分析流程的广泛迁移；与CryoFM和CryoLVM等近期基础模型的直接比较受任务、体素间距、评估设置差异以及CryoLVM官方预训练权重不可用等因素限制，因此研究人员不宣称优于这些模型。

研究结论方面，研究人员提出CryoTAP，一个基于精选标准化密度图集合、通过掩码三维重建训练的自监督体冷冻电镜分析基线。在所评估的消融设置中，共享预训练编码器的初始化相对于随机初始化改善了所报告的任务指标。解码器比较进一步显示线性、注意力和卷积解码架构具有不同的经验性能模式。CryoTAP-Enhance相对于EMReady表现出竞争性但依赖于指标的性能；单独的任务特定微调将预训练编码器同时适配到语义分割和密度重建。生成的增强密度图和体素对齐语义标签也支持基于轮廓的检查和语义高亮。