编辑推荐：
本文聚焦冷冻电镜断层扫描（cryo-ET）在视觉蛋白质组学中的应用，分析其分子复合物检测难题，探讨模板匹配（TM）、无模板工作流及机器学习（如 CNN、3D-UNet）等方法的原理、局限与进展，展望提升检测效率与精度的方向。
冷冻电镜断层扫描中的分子复合物检测：模板匹配与机器学习的研究进展
冷冻电镜断层扫描（cryo-ET）是视觉蛋白质组学中实现细胞内蛋白质分子三维可视化的核心技术。通过冷冻聚焦离子束（cryo-FIB）减薄样品并采集不同倾斜角度的二维显微图像，可重建三维断层图像（tomograms）。然而，低信噪比（SNR）、缺失楔（missing wedge，倾斜角度通常限制在 ±60°）等问题导致粒子挑选（particle picking）成为分析流程的瓶颈，需依赖亚断层平均（STA）技术对检测结果进行优化。
模板匹配技术的应用与挑战
模板匹配（TM）是 cryo-ET 中经典的目标检测方法，基于模板与断层图像的局部归一化互相关计算，具有无需大量训练数据、结果可解释性强等优势。其核心局限在于计算复杂度高，三维旋转空间（SO (3)）的角精度与计算量呈立方关系（O ((1/?)3)），例如角精度 7° 时需 45123 次采样。尽管提高角采样密度可提升精度，但大规模数据集的计算成本难以承受。
近年来发展的二维模板匹配（2DTM）通过处理二维显微图像避免三维计算负担，结合 CTF 校正可利用高分辨率信息，在核糖体定位中取得成功，但在复杂厚样本中的应用受限。张量模板匹配（TTM）通过张量场集成旋转信息，实现计算复杂度与角精度无关（O (1)），虽能快速处理大尺度分子的纳米级定位，但抗噪声能力弱于 TM，在小复合物检测中表现不足。
TM 的应用还受限于模板刚性假设（无法处理非刚性构象变化）和细胞环境复杂性（密集分子导致掩码内非目标密度干扰），目前主要适用于核糖体、核孔等大复合物，且需人工监督筛选。
无模板工作流的探索
无模板工作流通过非特异性拾取密度并后续分类，依赖几何约束（如膜结合复合物的平面排列）简化对齐与分类问题。例如 PySeg 通过引入几何限制实现膜结合蛋白的初步分类，但其适用性局限于特定结构，且需专家干预调整参数，难以推广至复杂细胞环境。
机器学习在模式识别中的应用
深度学习（DL），尤其是卷积神经网络（CNN），已被应用于 cryo-ET 的重建、去噪、分割及定位任务。3D-UNet 架构的 DeepFinder 等模型在标注数据充分时优于 TM，但依赖高质量标注数据集 —— 手动注释原位断层图像耗时且精度受限，细胞拥挤和伪影（如缺失楔、CTF 调制）导致多数分子复合物难以通过目视识别。
为缓解数据短缺，正探索正无标签学习、少样本学习及基础模型微调等策略。合成数据生成工具（如 cryo-TomoSim、PolNet）通过模拟细胞环境生成标注数据，可训练模型检测核糖体、微管等结构，但模拟纳米级复杂结构仍具挑战。对比学习方法（如 TomoTwin）尝试提升模型泛化能力，但离通用检测器仍有距离。
总结与展望
模板匹配及其改进方法（如 TTM、2DTM）在大复合物快速检测中具有不可替代的作用，而机器学习在处理结构异质性和低信噪比数据方面潜力显著，但需突破数据瓶颈与泛化能力限制。未来研究需结合算法优化（如抗噪 TTM 变体）、硬件加速（GPU 并行计算）及跨领域技术（如生成式 AI 模拟），推动 cryo-ET 从特定分子检测向全细胞蛋白质组可视化迈进，为分子生物学与精准医学提供更完整的细胞组织分子图谱。
