Xueying Zhan、Xiangrui Zeng、Mostofa Rafid Uddin和Min Xu（通讯作者）来自美国卡内基梅隆大学计算生物学系的研究团队，于2025年在《Journal of Structural Biology》第217卷发表了题为”AITOM: AI-guided cryo-electron tomography image analyses toolkit”的研究论文。该研究开发了一个开源人工智能平台AITOM，用于解决冷冻电子断层扫描（cryo-electron tomography, cryo-ET）图像分析中的关键挑战。

学术背景

冷冻电子断层扫描是结构生物学中不可或缺的技术，能够在原生细胞环境中可视化三维大分子复合体，提供分子水平的深刻见解。然而，cryo-ET面临系统性定位、识别、分割和三维亚细胞成分结构恢复的持续挑战，亟需开发高效、准确的大规模图像分析方法。传统方法受限于低信噪比（SNR）、缺失楔效应（missing-wedge effect）和未识别结构的存在，因此需要整合人工智能技术来提升分析能力。本研究旨在通过开发AITOM平台，整合传统模板方法和无模板方法，结合最先进的深度学习技术，为cryo-ET研究者提供全面的分析工具。

研究流程与方法

AITOM平台包含七个主要分析模块，构成了完整的工作流程：

1. 数据准备：

   • 支持真实断层图的处理，同时提供全断层图和亚断层图模拟功能。通过分子动力学模拟和模拟退火算法实现大分子复合体的密集包装模拟（packing-based approaches），并开发了基于生成对抗网络（GAN）的CryoETGAN模型用于亚断层图生成。

2. 数据预处理：

   • 体积加载与显示：支持MRC文件格式，结合IMOD和Matplotlib实现可视化。
   • SNR与缺失楔估计：通过交叉相关分析对齐的亚断层图对来评估SNR；使用傅里叶空间投影和预定义缺失楔掩模量化缺失楔区域。
   • 去噪：提供高斯去噪（Gaussian denoising）、带通滤波（bandpass filtering）和各向异性扩散（anisotropic diffusion）三种方法，根据噪声水平和结构复杂度选择。

3. 颗粒挑选：

   • 模板匹配（template matching）：通过快速傅里叶变换计算结构模板与断层图子体积的交叉相关。
   • 无模板方法：包括高斯差分（Difference of Gaussian, DoG）、基于Faster R-CNN的线粒体检测、显著性检测（saliency detection）和模拟退火后处理。

4. 亚断层图分类：

   • 全监督模型：包括DSRF3D-v2（3D VGGNet变体）、RB3D（残差网络）、CB3D（基于C3D框架）、ATTPNet（注意力机制点网络）和YOPO（单次池化架构）。
   • 有限监督方法：集成少样本学习（ProtoNet-CE）、域适应（adversarial domain adaptation）、域随机化（domain randomization）、主动学习（HAL）和开放集学习（Soft LMCCL）。
   • 无监督模型：Autoencoder3D、Harmony（解耦语义与变换因子）和DISCA（深度迭代亚断层图聚类）。

5. 亚断层图分割：

   • 监督方法：如ATTPNet的注意力驱动掩模。
   • 有限监督方法：包括Autoencoder3D的弱监督聚类、COS-Net（一次性学习框架）和CryoSAM（基于提示的分割）。
   • 无监督方法：PUB-SalNet（自注意力反向传播网络）。

6. CNN模型解释：

   • 集成Respond-CAM（响应加权类激活映射），通过热图可视化模型决策的关键区域。

7. 亚断层图对齐与平均：

   • 几何方法：快速对齐（fast alignment）、基于对齐的平均（alignment-based averaging）和快速对齐最大似然平均（FAML）。
   • 深度学习方法：GUM-Net（几何无监督匹配网络）和JIM-Net（联合对齐与聚类网络）。

主要结果

1. 分类性能：在SHREC 2021数据集测试中，RB3D模型对大小颗粒的分类准确率达99.80%，尤其在>600 kDa大颗粒中表现最优（表3）。YOPO和Autoencoder3D的监督版本均达到99.77%准确率。

2. 分割效果：CryoSAM仅需单颗粒提示即可完成全类别分割，显著减少人工标注需求；PUB-SalNet在无标注数据下实现显著结构分割，Dice系数提升15%。

3. 计算效率：GPU加速使YOPO的分类速度比传统迭代方法快5倍；GUM-Net的对齐速度比传统互相关搜索快3倍，且对噪声鲁棒。

4. 平台对比（表4）：AITOM在分类和分割模块上显著优于RELION、EMAN2等工具，尤其在处理低SNR（信噪比<0.1）数据时，ATTPNet的识别精度比模板匹配方法高32%。

结论与价值

AITOM通过深度融合传统图像处理与深度学习技术，解决了cryo-ET分析中的三大核心挑战： 1. 低SNR与结构异质性：YOPO等模型直接从原始数据提取特征，减少对迭代平均的依赖。 2. 标注数据稀缺：ProtoNet-CE和CryoSAM等方法将标注需求降低90%。 3. 计算复杂性：GPU并行化实现百万级亚断层图的高通量处理。

其科学价值在于为原位结构生物学提供了自动化分析框架，应用价值体现在： - 加速新大分子结构的发现（如未注释的病毒衣壳）。 - 支持柔性构象研究（如核糖体动态变化）。 - 推动冷冻断层扫描与AI的交叉学科发展。

研究亮点

1. 方法创新：

   • 首创将提示学习（prompt learning）引入cryo-ET分割（CryoSAM）。
   • 开发首个端到端无监督对齐网络（GUM-Net）。

2. 技术整合：

   • 统一传统几何算法（如FAML）与深度学习（如DISCA）。
   • 实现Python脚本与Jupyter Notebook图形界面的混合交互。

3. 性能突破：

   • 在1.3 nm分辨率下，RB3D对蛋白酶体的分类误差<0.5%。
   • CryoETGAN生成的模拟数据与实验数据FSC分辨率差异%。

其他价值

平台开源代码包含详细教程，支持远程服务器分析，并通过Oracle云资源提供算力支持。未来计划扩展单颗粒冷冻电镜（cryo-EM）数据的联合分析模块。