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

本论文探讨了利用随机优化技术解决 Cryo-EM 密度估计问题，从而重构生物分子的 3D 结构，并在真实数据和合成数据上进行实验验证，实现了从随机初始值进行快速收敛的目标。

Jan, 2015

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

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

提出了一种名为 FFF 的新方法，通过结合片段识别和结构预测方法构建完整的蛋白质结构，采用多级识别网络捕获输入的三维冷冻电镜地图的各种结构特征并使用伪肽向量和基于这些特征的蛋白质序列比对方法生成蛋白质结构片段，最后，通过灵活拟合使用预测的蛋白质片段构建完整的结构模型。基于我们的基准测试，FFF 优于基线方法用于构建完整的蛋白质结构。

Aug, 2023

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

提出了一种新的方法 ——GenEM，该方法是将物理准确的冷冻电镜模拟和生成式非成对噪声转换相结合，生成具有真实噪声的合成冷冻电镜数据集，用于改善高分辨率蛋白质结构的重建分辨率。

Dec, 2023

该研究提出了一种新的生物分子三维重建方法称为 CryoChains，可通过其聚合物实例（链）的刚体变换将生物分子的大变形量进行编码，同时使用生物物理的正常模分析框架表示其更细微的形状变化，可在比当前最快的可解释的深度学习方法更高分辨率地重建其三维分子结构。

Jun, 2023