本文介绍了一种新颖的通过深度神经网络在傅里叶空间编码结构，将粒子和共同体的不断变化的结构进行建模，并通过准确的图像定向使得模型能从无标注的 2D 冷冻电镜图像训练出来，最终得到了一种直接对冷冻电镜图像进行连续体蛋白质结构建模的方法 cryoDRGN，在模拟和真实 2D 冷冻电镜图像数据上实现了 3D 蛋白质复合物的 ab initio 重建。

Sep, 2019

本研究提出了一种自编码器架构 ACE-EM，用于解决冷冻电子显微镜中利用 2D 投影图进行 3D 恢复时遇到的姿态估计与图像重构问题。该方法表现出高姿态空间覆盖率、重构效果好、且是达到 Nyquist 分辨率的唯一自编码器方法。

Feb, 2023

综述了用于自动重建蛋白质结构的各种深度学习方法，分析了它们的影响，并讨论了为训练深度学习模型准备高质量数据集的挑战。未来，需要开发更先进的深度学习模型，能够有效地将冷冻电镜数据与其他补充数据源（如蛋白质序列和 AlphaFold 预测结构）相结合，以进一步推动领域的发展。

Sep, 2022

本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

Dec, 2019

利用扩散概率模型 (DP 模型) 代替标准评分匹配，DP-CDVAE 模型能够重构和生成与原始 CDVAE 质量统计上可比的晶体结构，并且显著地提高了能量准确性，更好地表示晶体的基态构型。

Aug, 2023

cryoSPHERE 是一种深度学习方法，通过将名义蛋白质结构划分为片段并将其作为近似刚体移动来适应冷冻电镜数据集中的不同构象，以提供足够的约束条件恢复单个蛋白质结构的有意义重建，并在异质重建方面实现了持续改进。

May, 2024

本文提出一种新的估计框架，利用现代随机优化技术和一种新的技术，在单个工作站上就能够在一天内从大规模数据集中估算出分子的三维结构。

Apr, 2015

通过结合内隐神经表示（INR）和动态变分自编码器（DVAE），我们提出了一种名为 TEMPOR 的用于液相电子显微镜（liquid-phase EM）的时间电子显微镜物体重建算法，可以恢复分子结构的时间序列，从而直接观察分子的三维动态变化。这项研究为结构生物学中研究分子的三维动态变化提供了一种有前景的新方法。

Aug, 2023

我们提出了一种新的方法来通过 Cryo-Electron Microscopy 技术从 2D 图像中估计蛋白质等大分子复合物的 3D 结构，该方法采用多头架构作为一种姿态编码器，以一种摊销的方式推断出每个图像中多个可能的姿态，并通过自动解码方式对姿态进行修正，实验证明我们的方法能够处理任务的初期高不确定性，快速并准确地收敛。

Jun, 2024

本文介绍一种利用图形神经网络（GNN）的自动化方法，通过结合来自冷冻电子显微镜（cryo-EM）数据和氨基酸序列数据以及对蛋白质几何的先验知识，对蛋白质原子模型的自动构建进行改进，并对 28 个测试案例进行了验证。结果表明，在分辨率优于 3.5 Å 的 cryo-EM 图中，我们的方法优于现有技术，并且接近于手动构建。

Sep, 2022