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

本文提出了一种基于神经网络，结合未标记样本的 PU 学习框架来进行高效准确颗粒自动挑选的方法Topaz，并展示其在三个公共 cryoEM 数据集中的应用能够获得比已有方法更高的重构分辨率，尤其是对于非球形蛋白等难以处理的数据集。

Mar, 2018

本文介绍了如何将深度学习中的图像去噪方法应用于冷冻透射电子显微镜（cryo-TEM）数据中，实现了对每个投影和整个图像容量的去噪，并通过自动化下游处理的方式证明了去噪后数据的可解释性和提高的分割结果。

Oct, 2018

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

基于深度学习的DeepDeWedge算法，通过同时去噪和恢复缺失的楔形信息，提高低温电子断层扫描显微术(cryo-ET)中的断层图像的视觉质量和分辨率。

Nov, 2023

使用基于提示的学习策略改进了Segment Anything Model (SAM)模型在冷冻电子显微镜（cryo-EM）中的应用，为蛋白质识别、生物医学图像分割和目标检测等领域提供了潜在的发展前景。

Nov, 2023

利用少样本学习的蒙版自编码器方法（cryoMAE），克服了冷冻电子显微镜中粒子选择的问题，提高了三维重建分辨率22.4%。

Apr, 2024

本研究提出了第一种针对冷冻电镜亚原子体分割的基于体素的无监督领域自适应方法Vox-UDA，通过噪声生成模块对源数据进行噪声模拟，以实现跨噪声级别自适应，并且提出了一种基于改进双边滤波的去噪伪标记策略来缓解领域漂移问题，实验证明了该方法相对于最先进的无监督领域自适应方法的优越性。

Jun, 2024

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