术语表
本站用到的 Cryo-ET 与统计机器学习术语，中英对照，每条都链接到展开它的文章。
电子断层成像
- Cryo-ET / 冷冻电子断层成像
- 对一个独一无二的玻璃化样品从多个倾转角成像，再重构出三维结构。
- Cryo-EM / 冷冻电镜
- 用电子对玻璃化样品成像的总称；单颗粒分析与冷冻断层成像是它的两大分支。
- Vitrification / 玻璃化
- 极快冷冻样品，使水凝成无定形的玻璃态冰，从而保住近原生结构。
- Tilt series / 倾转序列
- 随样品台在一定角度范围内倾转而拍下的一组二维投影。
- Missing wedge / 缺失楔形
- 受限倾转范围在傅里叶空间留下的未测区域；它沿电子束方向模糊重构。
- Reconstruction / 重构（断层体）
- 把倾转序列的投影合成为三维体（断层图）。
- In situ / 原位
- 在细胞原生环境中（而非纯化分离后）对分子成像。
Cryo-ET 重构
- CryoGEN-I / II
- 自监督的 Cryo-ET 重构：MAP / 能量先验一代（I）与最优传输一代（II）。
- CryoWGEN-I / II
- 熵正则最优传输的重构，给出玻尔兹曼后验，用 Monte-Carlo（I）或 Langevin / SGLD（II）采样。
结构分析
- Subtomogram averaging / 子断层平均
- 对同一结构的多份拷贝对齐平均，以提升信噪比并补回缺失楔形。
- Particle picking / 颗粒挑选
- 在拥挤的断层图中定位目标结构的实例。
- Segmentation / 分割
- 把断层图划分为膜、细胞器等组成部分。
信号处理
- Fourier transform / 傅里叶变换
- 把信号表示为频率之和——成像与重构的天然语言。
- Central-slice theorem / 中心切片定理
- 一幅投影的傅里叶变换等于物体三维变换的一个过中心切片，把倾转角与频域覆盖联系起来。
- CTF / 衬度传递函数
- 显微镜的频率响应，会在各空间频率上调制并部分反转衬度。
- Point-spread function / 点扩散函数
- 单个点所成的像；物体与之卷积即可建模模糊。
- Sampling & Nyquist / 采样与奈奎斯特
- 为不混叠地捕捉某一频率，信号必须达到的采样精细程度（奈奎斯特极限）。
- SNR / 信噪比
- 信号功率与噪声功率之比；冷冻成像工作在极低信噪比下。
- Filtering / 滤波
- 压制或强调选定频段，以降噪或锐化特征。
概率与统计
- Bayesian inference / 贝叶斯推断
- 用贝叶斯法则，根据观测数据把先验信念更新为后验。
- Prior / 先验
- 在看到数据之前，刻画什么是合理的那个分布。
- Posterior / 后验
- 结合先验与数据之后，关于未知量的分布。
- MAP estimate / 最大后验估计
- 后验下最可能的单点取值——即其众数。
- Maximum likelihood / 最大似然
- 选取使观测数据最可能的参数。
- EM algorithm / EM 算法
- 交替进行隐变量估计（E 步）与参数更新（M 步）的迭代方法。
- Entropy / 熵
- 刻画一个分布不确定性或弥散程度的量。
- KL divergence / KL 散度
- 衡量一个分布相对参考分布差异的非对称量；支撑不一致时为 +∞。
推断与采样
- Variational inference / 变分推断
- 用一个可处理分布族中最接近的成员去近似难解的后验。
- ELBO / 证据下界
- 证据下界；最大化它等价于最小化与真后验的 KL。
- Energy-based model / 能量模型
- 由能量函数定义的分布 p(x) ∝ e^{−E(x)}，其归一化常数不可解。
- Langevin dynamics / SGLD / 朗之万动力学
- 用密度的梯度加上注入的噪声来采样；SGLD 是它的随机梯度形式。
最优传输
- Optimal transport / 最优传输
- 把一个分布的质量搬成另一个分布的最小代价方案。
- Wasserstein distance / Wasserstein 距离
- 以最优传输代价定义的分布间距离；即使支撑不相交也有限。
- Entropic OT / Sinkhorn / 熵正则最优传输
- 在传输代价上加一项熵罚，得到平滑、处处为正的耦合，可由矩阵缩放求解。
生成与分布匹配
- GAN / WGAN / 生成对抗网络
- 生成器与判别器对抗训练；WGAN 用 Wasserstein 评论者取代判别器以更稳定。
- VAE / 变分自编码器
- 通过最大化 ELBO 训练、隐空间为概率分布的自编码器。
- WAE / Wasserstein 自编码器
- 用最优传输代价让聚合隐后验匹配先验的自编码器。
- AAE / 对抗自编码器
- 用对抗判别器让隐编码匹配先验的自编码器。
- EVIA / 熵变分推断自编码
- 熵变分推断自编码——CryoWGEN 所实例化的熵正则最优传输框架。
- Self-supervised learning / 自监督学习
- 从数据自身导出的监督信号中学习，不依赖外部标签。