Title

A particle-filter framework for robust cryo-EM 3D reconstruction

Summary

文章为冷冻电镜图像设计了一种粒子滤波的方法，通过初始化一批点作为单个图像的后验概率密度区域，通过迭代的方式找到似然区，不断地迭代，得到最优值，由此确定每张图片的参数。算法能够进行参数自适应调整，提高了3D重建的精度。

Research Objective

在单粒子低温冷冻电镜中，为每一个粒子图像估计一组参数（旋转、平移、焦散和结构状态），并重建3D模型

Problem Statement

主要解决目前参数估计方法，要么计算成本太高（网格化方法），要么是可靠性不高（梯度下降和随机梯度下降配合分支定界的方法）

在网格算法中，更精细的网格会产生更加准确的参数估计，但是当参考模型分辨率太低时，计算量很大。即需要一定的先验知识来平衡参数估计精度与计算成本。作者提出的粒子滤波算法可以自适应的调整这个问题。

Method(s)

把粒子滤波的方法引入到生物领域，应用在参数估计上。算法将每张图片分为四个子参数空间（假设各自独立），旋转、平移、焦散、结构状态旋转：支持点最多最复杂；平移：较为简单；焦散：使用其他程序，只实现了本地焦散；结构状态：不是很理解这个结构状态是什么，应该是同种蛋白质有几种固定的结构吧，在粒子滤波中支持点个数固定不变。

文章以旋转参数空间举例描述了算法的具体执行步骤。

1. 预测：对于一张图像而言，首先在空间中随机散列一些点，这些点表示该图片可能的旋转参数估计，初始化概率相等。旋转空间大概初始化有10000个点，点的分布文中称为PDF，我的理解是后验概率密度区域？
2. 更新：再利用数据集中给出的模型，全局搜索，迅速得到最优值附近的区域。得到文中所提到的LF（似然区域），文中还提到在第一步迭代后，点的个数会迅速减少。粒子滤波还需要给筛选出来的点进行权重分配，文章说给较高置信度的点分配较高的权重，因为这个点是最优点的可能性更大。
3. 迭代：之后在已经筛选出的区域内进行局部搜索，进一步迭代得到最后的结果。

在平移，焦散，结构状态都是同样的做法。旋转空间确定了图片的欧拉旋转角，平移确定了图片中信号部分在图片的位置。
焦散类似于相机的焦距，因为冷冻电镜在拍照时，虽然样品被压成了很薄的一层，但是在层内粒子还是有高低的分布，焦散空间就揭示了粒子在样本的Z轴分布，最后的结构状态不太理解是什么意义，好像是个固定的数，文中提到给结构状态空间分配的点数都是固定不变的。

Evaluation

作者使用比较的方法来评估自己算法的结果，使用了三个不同的公开数据集，将自己的结果与同行的结果进行比较，得到自己的结果更精确（上升了零点几个纳米的精度）

Conclusion

作者的结论：

1. 把粒子滤波的算法引入冷冻电镜，提高了3D重建的精度

2. 粒子滤波方法不挑数据，甚至对于未清洗过的数据，其重建效果要好于清洗过的数据，如图3给出的FSC曲线

3. 通过对焦散空间的参数估计，还得到了样品中，粒子的Z轴分布，体现在图4中
   

我看完后的想法：

1. 与上一篇不同的是，这篇文章在参数估计时，给出的结果并不是一个简单的参数区间（文章出处：Nat Methods-2017-cryoSPARC-algorithms for rapid unsupervised cryo-em），而是一些点，并且这些点拥有自己的置信度，即有了一个非常客观的评价指标来判定参数估计的准确性。由这样参数估计得到的3D模型具有更高的可信度，且可解释性也优于2017年那篇文章。
2. 作者还创新地（不知道作者是不是第一个提出这个参数的，在我的认知内暂且定义为创新。。。。）引入了焦散这个参数，在本来信噪比就很低的图片中，进一步提高了信噪比，增加了最后模型的精细度。
3. 文章中有些地方还有没有做到自适应，很明显的就是在粒子滤波中的预测阶段，在生成那些预测点时，作者是按照自己的经验（文中说是先验知识）来认为设定点数，比如旋转就初始化10000个，然后留下100左右，焦散和平移就几十个这样，这部分是不是还可以做些改进来进一步提高这个算法的自动化程度。

Notes(optional)

3D重建的分辨率与图像信噪比有关，信噪比高则分辨率高

贝叶斯方法[https://zhuanlan.zhihu.com/p/136791364]

欧拉角[https://baike.baidu.com/item/%E6%AC%A7%E6%8B%89%E8%A7%92]

粒子滤波[https://www.jianshu.com/p/bc5eea1c1fb2] [https://zhuanlan.zhihu.com/p/59748042]

似然函数[https://baike.baidu.com/item/%E4%BC%BC%E7%84%B6%E5%87%BD%E6%95%B0]

FSC曲线[https://www.antpedia.com/news/30/n-2222330.html]

Reference(optional)

。。。。。。。