冷冻电镜不必先重建密度图：EB-FM 直接从二维投影学出原子坐标构象分布
核心概要
冷冻电镜的常规流程先把二维投影重建成三维密度图，再单独拟合原子模型，原子坐标先验在最欠定的阶段用不上。EB-FM 把流匹配先验的训练放进蒙特卡洛随机近似期望最大化循环，在训练中反复反演非线性的成像前向模型，因此不需要干净结构做预训练。在已知姿态的模拟冷冻电镜数据上，它直接在原子坐标空间恢复四种蛋白的构象分布，但预测的构象运动幅度仍低于分子动力学真值。
深度剖析
冷冻电镜的构象异质性可以在原子坐标空间里直接学成一个生成先验，而不必先经过三维密度图这一中间产物。 经典流程只给单一共识结构、靠离散聚类处理异质性；cryoDRGN、3DFlex 等深度方法虽给出连续潜表示，却仍分两步走：先用二维投影重建三维密度或体素网格，再把原子模型拟合到密度上，密度阶段看不到原子坐标先验，拟合阶段又接触不到原始图像。 在四个 ATLAS 蛋白的模拟数据上，EB-FM 的 EMD-RMSD 在四个蛋白上都优于 cryoDRGN 引导 AlphaFold3，其中 3rjs_A 上两者接近；覆盖率 RMSD 在四个蛋白中的三个更好，保真度 RMSD 只在一个更好。
先验的训练不需要干净的三维构象，只需要带噪的二维投影，办法是在训练过程中反复把前向模型反演回去。 标准流匹配的目标函数要求从目标分布抽干净样本，而去新发现场景里干净构象从未被直接观测，常规目标因此无法计算。 在二维 two-moons 基准上，随着测量维度下降、后验不确定性上升，DiEM-iso 在较小维度出现结构丢失和模式坍缩，不带持久潜变量的 EB-FM 在更小维度丢失结构，只有带持久潜变量的完整 EB-FM 在最低维度仍能分辨未坍缩的分布。
实现上，每个观测配一个持续存在的潜变量，用随机近似把它更新成后验均值的滑动平均，再用这批稳定下来的潜变量去训练流匹配先验。 单样本蒙特卡洛后验采样方差很大，而每个观测抽大量样本对需要多步引导采样的流模型又过于昂贵。 在模拟冷冻电镜数据上，只用渲染损失和骨架损失优化会发散到退化结构，而并行训练先验能让信息在观测之间流动、逐步捕捉构象分布；优化后的潜变量相对初始化在所有蛋白上都有明显改善，无条件采样得到的 RMSD 也接近优化后潜变量的水平。
启示与展望
展示范围限于已知姿态下由分子动力学与透射电镜模拟器生成的四个 ATLAS 蛋白数据，且只使用骨架原子；方法本身面向可微的非线性前向模型，代码已公开。
真实数据中姿态是前向模型的未知参数，模拟数据与真实数据之间的失配仍是待解问题；预测系综在所有四个蛋白上都低估了构象变化的绝对幅度，即能指出哪些区域灵活，却未完全恢复运动幅度；方法在当前规模上计算开销仍然较大。