什么是冷冻电镜

把分子冻进玻璃态冰、用电子束成像 —— Cryo-EM 是什么，以及它的两条主线。

冷冻电子显微镜（cryo-electron microscopy, Cryo-EM）做的事，一句话讲清楚：把生物分子冻进一层玻璃态的冰里，再用电子束给它拍照。 它不是把样品染色、晾干或结晶，而是尽量保留分子在水里、近原生的样子。2017 年的诺贝尔化学奖正是给这一方法。

要看清这件事难在哪，先把三个尺度摆出来。一个典型蛋白质复合物只有几纳米大；要分辨原子级细节，得看到约 0.3 纳米的间距；而冷冻样品的厚度往往是几十到几百纳米。换句话说，你要在一片比目标厚上百倍、且极易被打坏的冰里，去读出纳米尺度的形状。能做到这一点，靠的是两件事：电子的短波长，和把样品冻成玻璃态。

直觉

为什么非得冻？电镜的镜筒里是高真空，电子束又有辐照损伤；常温的含水样品会脱水、会被打坏。把样品在毫秒内急冻成玻璃态冰（vitreous ice，无晶格、不形成冰晶），既锁住了近原生构象，也让它能扛住真空与一部分电子剂量。换个比喻：常温下水分子总在动，相当于长曝光下的运动模糊；急冻把这帧画面定住，让你拍到的是「此刻」而不是一段平均。

一束电子，一张投影

电子的波长远短于可见光，所以电镜能看到纳米乃至近原子尺度。光学显微镜受可见光波长（约 400–700 纳米）所限，再好也分不开比这更近的两点；而 300 kV 加速的电子，波长约 2 皮米（0.002 纳米），原理上的分辨极限远在原子尺度之下 —— 真正卡住分辨率的不再是波长，而是样品损伤、冰的厚度和镜头像差。

电子束穿过薄薄的冰层样品，不同密度的结构对电子的散射不同，在探测器上形成一张二维投影。要紧的是「投影」二字：探测器记下的，是电子沿光轴穿过整片样品后累积的散射，也就是把三维结构沿一个方向压扁成了二维 —— 深度信息在这一步丢掉了。

更糟的是信号极弱。每一个对成像有贡献的电子，同时也在打断化学键，所以总剂量必须压得很低（典型在每 Å² 几十个电子量级），单张投影于是噪声极大，肉眼几乎看不出结构。怎么从这种又薄又噪、还被压扁了的投影还原三维结构 —— 就分出了两条主线。

两条主线：单颗粒平均 vs 断层成像

Cryo-EM 的两条路：单颗粒 vs Cryo-ET

采集 → 重构

傅里叶覆盖

倾转受限 → 缺失楔形 → 沿竖直拉长

断层成像（Cryo-ET）

面对一个独一无二、原位的结构，无法靠平均。只能把同一区域在 ±60° 内逐角度拍摄、再重构。傅里叶空间缺了一块楔形，重构沿竖直（电子束）方向被拉长 —— 这就是本站要修复的缺失楔形。

两条路解决的是同一个数学难题：单张投影把三维压成二维、丢了深度。补回深度的唯一办法，是从多个不同方向各拍一张，再在傅里叶空间里把它们拼起来 —— 这就是中心切片定理：一张投影的傅里叶变换，恰好等于三维物体傅里叶变换过原点的一个切片。投影方向取得越多越全，傅里叶空间填得越满，重构出的结构就越完整。两条主线的分歧，只在于这些「不同方向」从哪里来。

单颗粒分析（SPA）：样品里有成千上万个同一种分子，朝向各异。把它们对齐、平均，每个朝向都补上一块傅里叶空间 —— 覆盖完整，可达近原子分辨率。一个具体的好处是噪声：把 $N$ 个对齐好的拷贝平均，随机噪声大致按 $\sqrt{N}$ 被压下去，所以哪怕单张投影噪声压倒一切，几万张一平均，信号就浮出来了。代价是：你得有大量可分离、构象一致的拷贝 —— 这就要求把分子从细胞里提纯出来，也就丢掉了它原来的环境。
冷冻电子断层成像（Cryo-ET）：面对一个独一无二、原位的结构（比如完整细胞内部），没法靠平均。只能把同一区域在一系列倾转角下各拍一张，再重构成三维体。但这里有两道硬约束：一是剂量预算固定，分摊到几十张倾转图上，每张都比 SPA 单图更噪；二是样品台倾不到 90°（常止于 ±60°～70°），那些取不到的方向在傅里叶空间留下一整块空洞 —— 就是缺失楔形。

深入

把上面的话写成公式。设三维物体为 $f(\mathbf{r})$ ，沿方向 $\theta$ 的投影记为 $p_\theta(\mathbf{x})$ ，即沿光轴的线积分。中心切片定理说： $p_\theta$ 的二维傅里叶变换 $\hat p_\theta$ ，等于 $f$ 的三维傅里叶变换 $\hat f$ 在过原点、法向为 $\theta$ 的那个平面上的取值。这里 $\mathbf{r}$ 是三维坐标， $\mathbf{x}$ 是探测器平面坐标， $\hat f$ 描述结构在各空间频率上的成分（频率越高对应越精细的细节）。

于是「采集」就是在 $\hat f$ 里一片一片地填切片。SPA 的朝向布满整个球，理想下能填满整个傅里叶球；Cryo-ET 的倾角只扫一个有限的弧，沿倾转轴方向留下一对锥形空洞 —— 在二维截面里看就是两块楔形，故名缺失楔形。没被采到的频率，重构时只能当作零，结果就是沿缺失方向的拉伸、模糊与赝影。把这块空洞补回来，正是统计机器学习能介入的地方。

本站讲的是后者 —— Cryo-ET，以及我们如何用统计机器学习把那块缺失楔形补回来（见 Cryo-ET 重构）。这不是凭空造细节，而是把「所有与已测投影一致的三维结构」这个解集，用统计模型挑出一个合理的解，或给出一族可能的解。两条路则共用同一套成像物理 —— 玻璃化、剂量预算、低信噪比的投影 —— 下一页讲清楚一张数据到底是怎么拍出来的。

← 电子断层成像