冷冻电子显微术是一种确定蛋白质和病毒等生物分子三维结构的重要技术。本文探索了 cryoAI 管道中收敛问题的出现和持久性以及等变的摊解推理对增强收敛的影响，研究发现在模拟数据上，集成了等变编码器的管道不仅收敛更快、更频繁，而且在姿态估计准确度和重建体积的分辨率方面表现出优越性。值得注意的是，$D_4$- 等变编码器使对称损失变得多余，从而允许更高效的重建管道。

Jun, 2024

我们提出了一种基于摊销推理的无监督深度学习架构，名为 “ACE-HetEM”，可以在低信噪比和未知姿态条件下从 2D 图像中重建三维结构，并实现构象分类和姿态估计的解耦。模拟实验结果表明，ACE-HetEM 在姿态估计上具有可比较的准确性，并且比非摊销方法重建分辨率更高，同时还适用于真实实验数据集。

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

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

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

本研究提出了使用变分自编码器的深度学习方法，从挑选后的粒子图像中恢复连续分布的原子蛋白质结构和构象，并在现实模拟数据上展示了其有效性，希望能够将该方法应用于更好地理解非刚性蛋白结构。

Jun, 2021

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

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

一种基于深度学习的方法，使用 10 维特征向量表示方向，并应用二次约束二次规划推导出预测的方向作为单位四元数，附加不确定度指标，提出了一种考虑方向之间的成对距离的独特损失函数以提高方法的准确性，在文献中全面评估了编码器网络的设计选择。我们的数值分析证明了我们的方法在端到端的方式从 2D 冷冻电子显微镜图像中有效地恢复方向。重要的是，包括不确定度量化，允许在 3D 级别直接清理数据集。最后，我们将我们提出的方法打包到一个名为 cryo-forum 的开发者易于访问的软件套件中。

Jul, 2023