冷冻电子显微镜在过去十年中改变了结构生物学，但用于锐化和增强原始密度图的软件存在一个盲区：它无法告知用户增强后的图谱哪些部分是可靠的。神经网络可以将噪声转化为看似真实的结构，而用户却无法分辨其真伪。
LocScale-2.0于2026年7月17日由代尔夫特理工大学的研究人员在《自然·通讯》上发表，通过体素级置信度评分填补了这一空白，帮助结构生物学家判断哪些特征值得信赖，哪些特征需要谨慎对待。
LocScale的功能
原始冷冻电镜图谱是模糊的。锐化图谱（增强高分辨率细节同时抑制噪声）是必不可少的后处理步骤。2017年发布的LocScale 1.0以现有原子模型为参考，局部执行这一锐化过程。由Alok Bharadwaj、Reinier de Bruin和Arjen Jakobi开发的2.0版本引入了三项重大进展。
首先，它现在完全不需要任何原子模型。无模型模式采用错误发现率控制的密度阈值化来估计分子包膜，在未建模区域放置伪原子。混合模式则将部分原子模型与其余区域的伪原子相结合。
其次，一个名为LocScale-FEM（特征增强图谱）的全新深度学习工作流程在实空间中运行，采用贝叶斯3D U-Net和蒙特卡洛丢弃法。与1.0版本的傅里叶滤波方法不同，该方法同时影响振幅和相位，类似于密度修正。
第三，也是最重要的一点，蒙特卡洛丢弃法生成一个预测集成，其方差量化了不确定性。这被转换为体素级置信度评分（pVDDT，范围从-100到100），与局部相位误差相关。±80或以上的评分表示特征可靠；±95或以上则表示可能存在过度强调或抑制。
基准测试结果
在使用ModelAngelo对50个分辨率低于4 Å的图谱-模型对进行的自动建模测试中，LocScale-2.0图谱在修剪前达到了82%的序列覆盖率，超过了原始沉积图谱。最大的单一改进是谷氨酸合成酶，额外有1,306个残基（增加12%）被正确建模。
体积召回率（衡量增强图谱恢复真实分子密度能力的指标）显著高于DeepEMhancer和EMReady（分别为p<0.0004和p<0.0002）。至关重要的是，LocScale-2.0保留了竞争方法所抑制的上下文结构：膜蛋白周围的脂质带、细菌分泌通道中的中央栓、核糖体中的A位tRNA和新生肽链，以及LDL颗粒内的胆固醇酯板。
pVDDT置信度评分使用户能够区分配体有序的吡喃糖核心与其柔性的苯乙基尾部，这在传统锐化图谱中是不可见的信息。
这对该领域的重要性
冷冻电镜正以加速的速率生成结构，该领域日益瞄准复杂系统（天然脂质中的膜蛋白、原位亚断层扫描平均、内源性复合物）其中图谱质量在空间上存在差异。生成单一”最佳”图谱而不提供不确定性估计的深度学习锐化工具存在被误读的风险，尤其是对于经验不足的用户而言。
LocScale-2.0的置信度引导方法使不确定性变得可见。该软件可作为CCP-EM Doppio套件的一部分以及独立的Python包使用。需要注意的是：在17%的测试案例中，沉积图谱在自动建模方面优于LocScale-2.0图谱，且神经网络的训练数据仅覆盖89个EMDB条目，这意味着超出此分布的特征可能无法得到最优处理。
婷 翻译
来源
1. A. Bharadwaj, R. de Bruin, A.J. Jakobi, “Confidence-guided cryo-EM map optimization with LocScale-2.0,” Nature Communications (2026). DOI: 10.1038/s41467-026-75327-8