IF36.1｜AreTomoLive：实时高吞吐自动化冷冻电镜断层重建与去噪

AreTomoLive 将冷冻电镜断层数据预处理全流程自动化，实现边采集边处理。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

冷冻电子断层扫描（cryoET）能够在细胞原位解析分子机器，但数据信噪比极低，且高分辨率结构解析需要大量数据平均。近年来并行采集方案加速了数据收集，但预处理软件生态碎片化，不同软件包依赖不同的坐标约定、文件格式和依赖项，导致维护困难、I/O 开销大。此外，束诱导样品运动和衬度传递函数（CTF）的信号离域会衰减高分辨率信息，而对比度增强对于定位目标分子和解释细胞环境至关重要。因此，开发一个集成化、自动化的预处理流程对于实现 cryoET 的潜力至关重要。

科学问题

卡在哪里： 现有 cryoET 预处理流程通常拼接多个第三方软件包，缺乏统一标准，难以实现实时处理。此外，CTF 校正和去噪方法在保留中等分辨率特征方面存在不足，且去噪训练需要人工干预，无法适应实时数据采集。

本文要回答： 本文旨在开发一个全自动、实时的 cryoET 预处理流程，整合运动校正、CTF 估计、对齐、重建和去噪，以提高吞吐量和数据质量。

技术路线

作者主要用了：GPU加速、MotionCor2、AreTomo8、CTF估计、局部CTF校正、Noise2Noise去噪。

作者开发了 AreTomoLive，由两个 GPU 加速的软件包组成：AreTomo3 和 DenoisET。AreTomo3 整合了 MotionCor2 的运动校正和 AreTomo8 的对齐算法，并新增了稳健的 CTF 估计、样品厚度自动测量和局部 CTF 校正。DenoisET 基于 Noise2Noise 算法，利用 AreTomo3 的质量指标自动选择训练数据，并自动终止训练以避免过度去噪。整个流程设计为在数据采集过程中实时运行，实现边采集边处理。

图 1　Fig. 1。图1展示了AreTomoLive的组成：AreTomo3负责从原始倾斜电影到校正后断层图的流程，包括运动校正、CTF估计、对齐和重建，并输出质量指标；DenoisET则利用这些校正后的断层图进行去噪。图中红色箭头表示多个中间状态的重处理入口，便于用户高效重新处理数据。

核心亮点

亮点 1｜AreTomo3 实现实时对齐与重建

AreTomo3 将原始倾斜电影重建为断层图，分为三个模块：运动校正、CTF 估计与对齐、重建。新增功能包括稳健的 CTF 参数估计，通过联合优化倾斜偏移、倾斜轴方向和每倾斜 CTF 参数，并利用光谱重缩放提高空间相干性。此外，AreTomo3 自动估计样品厚度，避免用户手动输入不准确导致的对齐误差。在基准数据集上，AreTomo3 的对齐和 CTF 估计足够高质量，无需 CTF 精修或贝叶斯抛光即可重建出 5.1–11.5 Å 分辨率的六种分子。

图 2　Fig. 2。图2比较了未去噪、AreTomo3校正后去噪和IsoNet校正后去噪的断层图切片。在纤毛和中心粒的膜蛋白和丝状排列中，AreTomo3去噪后中等分辨率特征更清晰，且无高分辨率伪影。病毒样颗粒的对比度增强定量分析显示，AreTomo3去噪的ROI与背景功率谱比值更高，表明对比度增强更有效。

亮点 2｜局部 CTF 校正提升中等分辨率特征保留

AreTomo3 实现了局部 CTF 校正，考虑倾斜图像上的离焦梯度，采用混合方案：低频使用维纳滤波，高频使用相位翻转，并应用可调低通滤波。与 IsoNet 基于 Warp 的方法相比，AreTomo3 的校正避免了 CTF 零交叉处的强度骤降，减少了傅里叶空间中的尖锐特征。实验表明，使用 AreTomo3 校正的断层图进行去噪，能更好地保留中等分辨率特征，且不引入高分辨率伪影。

亮点 3｜DenoisET 实现全自动对比度增强

DenoisET 基于 Noise2Noise 算法，利用 AreTomo3 的质量指标自动选择高质量断层图作为训练集，并在检测到足够数量后自动开始训练。训练终止基于去噪断层图中棋盘伪影的出现，该指标比损失函数更敏感于过度去噪。自动终止避免了人工选择最佳训练轮次的不切实际。训练完成后，DenoisET 对所有可用断层图进行推理，并持续监测新数据。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： GPU加速、MotionCor2、AreTomo8、CTF估计、局部CTF校正、Noise2Noise去噪
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事冷冻电镜数据处理、结构生物学和自动化流程开发的研究人员。

带走一句

AreTomoLive 展示了将 CTF 校正与去噪深度整合的优势，为实时 cryoET 预处理提供了新范式，值得生信流程开发者借鉴。