CSHL 生物学中的人工智能研讨会：Ellen Zhong 访谈

单颗粒 cryo-EM 擅长解析刚性大分子，但构象与组成异质性一直是三维重建的核心难题^[2]。为刻画柔性蛋白，学界已发展出多条路线：3DVA 在高分辨率下拟合构象变化的线性子空间模型，以分辨并可视化分子运动^[3]；3DFlex 用基于运动的神经网络建模连续异质性，并利用构象变化在空间“搬运密度、近似保持局部几何”的物理知识提高密度图分辨率^[4]。在原位方向，cryo-ET 结合子断层平均可研究难以纯化的柔性复合物，但样本的异质性与低丰度仍是挑战^[5]。另一侧，AlphaFold 带来了高精度结构预测，可其预测中大量低置信度区域与内在无序区重叠，促使人们把构象异质性与动态纳入结构—功能范式^[1]。

在 CSHL“Leading Strand”系列这期约 10 分钟的访谈中，普林斯顿的 Ellen Zhong 把问题点得更透：同一蛋白样品实为多种构象的混合，传统重建却只给一张静态图，而成像技术本应能重建构象的分布——一部“电影”。她介绍的 cryo-DRGN 系列方法正为此而生，用神经网络直接重建连续的三维密度图分布、刻画颗粒水平的异质性^[2]，且每次都在新的实验数据上训练，以发现该数据集里实际存在哪些构象状态；这套思路还能把翻译延伸因子等不同状态映射回酵母 cryo-ET 样品的空间位置，而异质性恰是子断层平均领域的长期难点^[5]。她强调，关键在于把核心机器学习架构创新与此前几乎无人用神经网络处理过的全新数据模态——cryo-EM 图像——结合起来。

谈到下一步，她给出三条路径：先在已有 cryo-EM 数据集上训练模型，再迁移到新数据集上推断；引入 AlphaFold 类的序列与生物物理先验，用原子模型约束提高大复合物的重建分辨率；以及从重建出的构象分布出发构建原子模型集成。她最想看到的应用是高分辨率抗体结构，尤其是抗体动态区（loop/可变区）构象集合的可视化。这与 AlphaFold 时代的另一面形成呼应：直接据低置信度区域推断无序区的“结构”存在误读风险^[1]，构象分布与原子集成正提供了另一种刻画方式。

当然，这些方向在访谈中多被表述为“下一步”与“最想看到”的目标：迁移推断、原子先验与抗体 loop 集合可视化尚未成为现成能力；现有方法仍需在每个新数据集上重新训练，如何在连续构象分布与原子级模型之间打通，仍是这一结构生物学与 AI4Science 交叉领域的待解之题。