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

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

本文介绍了为了促进计算方法的创新，生成了一个新的模拟数据集，用于评估在 cryo - 电子断层扫描中蛋白质的定位和分类的不同方法。我们评估了七种不同的方法，包括基于学习的方法和传统方法，结果表明学习方法比传统方法具有更好的定位和分类性能，并且所有方法的性能与粒子大小之间存在负相关关系。

Mar, 2022

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

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

本文研究了 Hadani，Shkolnisky，Singer 和 Zhao 最近引入的内在分类算法背后的形式代数结构，用于在三维冷冻电子显微镜（cryo-EM）中类别分辨率相似的投影图像。通过研究算法的代数结构，我们得出了算法正确性和数值稳定性的概念性说明和证明，因此将其放在坚实的数学基础上。证明依赖于研究几何起源的二维球上的积分算子的光谱特性，称为局部平行传输算子。在此过程中，我们进一步发展了三维 cryo-EM 的表示理论设置。

Apr, 2011

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

本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

Jun, 2024