SMART（Shuimu 自动化重建技术）：一种用于简化冷冻电子显微镜工作流程的集成计算平台

摘要

本方案演示了使用集成软件平台（SMART）进行冷冻电子显微镜操作的逐步流程，该平台通过单一的基于浏览器的界面，将数据采集、三维重构和原子模型构建连接起来。作为代表性示例，人源TRPML1结构的分辨率达到2.38 Å。

摘要

冷冻电子显微镜（cryo-EM）已成为结构生物学中的核心工具，但目前的工作流程通常需要使用多个专用软件包来完成数据采集、三维（3D）重构以及原子模型构建，导致流程分散且频繁依赖人工干预。本文介绍了 SMART（Shuimu 自动化重构技术），这是一个集成化的软件平台，将三个模块整合于统一的浏览器访问界面中：DataSmart 用于自动化数据采集，CryoSmart 用于图像处理与三维重构，ModelSmart 用于基于深度学习的原子模型构建。本方案提供了操作这三个模块的逐步说明。该工作流程涵盖自动化样品导航与数据采集、运动校正、对比度传递函数（CTF）估计、颗粒挑选、二维（2D）分类、三维优化、密度图增强以及原子模型生成。作为代表性示例，我们将完整的工作流程应用于人源 TRPML1 蛋白结构的解析，该蛋白是一种可通透 Ca²⁺ 的溶酶体阳离子通道，依据黄金标准傅里叶壳层相关性（FSC）在 0.143 阈值下达到全局分辨率为 2.38 Å。本研究中，对同一 TRPML1 数据集依次应用了全部三个模块（DataSmart、CryoSmart 和 ModelSmart）。该方案设计为适用于具有不同冷冻电镜经验水平的用户。

引言

冷冻电子显微镜：技术演进与生物学影响。确定蛋白质的三维结构在分子生物学中仍是一个核心挑战，因为生物学功能与氨基酸残基的空间排列密切相关。阐明这些结构构型对于在原子分辨率下解析酶的作用机制、配体相互作用以及细胞信号通路至关重要。这一需求推动了冷冻电镜技术的变革性发展，使其已成为广泛应用的结构生物学技术^1,2。

冷冻电镜单颗粒分析（SPA）是一种强大的方法，可通过解析分离复合物的高分辨率结构，获得针对多种样品类型的生物学见解³。这些样品包括病毒、膜蛋白、螺旋组装体以及其他动态且异质的大分子复合物，其分子量范围广泛，从约 50 kDa 到数千万道尔顿不等。

冷冻电镜单颗粒分析（Cryo-EM SPA）已成为解析生物大分子三维（3D）结构的核心技术，包含三个相互关联的计算阶段：数据采集、3D 重构以及原子模型构建（图 1）。

在数据采集过程中，玻璃态样品在低剂量条件下成像，生成微图电影，捕获数千个处于近天然状态的颗粒投影。随后，这些原始数据集通过迭代的对齐和分类算法进行处理，以重构出三维密度图。最后，构建并优化原子模型以拟合密度图，从而在近原子分辨率下阐明分子间的相互作用。

上述分析表明，冷冻电镜的输出结果仅仅是结构解析流程的起点。将这些原始数据转化为可解释的原子模型，需要一系列专门的计算软件工具。因此，软件是将原始数据转化为原子模型的关键桥梁。

冷冻电镜软件生态系统的碎片化：当前工具与局限性。现代冷冻电镜工作流程依赖于一系列专门化的软件工具，各自对应不同的处理阶段：

数据采集。尽管目前已有多种公开可用的冷冻电镜（cryo-EM）数据采集软件包，包括 Leginon^4,5、SerialEM⁶、UCSFImage4⁷、TFS EPU^8,9、Gatan Latitude、JEOL JADAS¹⁰ 以及 Auto-EMation¹¹，但这些工具主要输出原始电影数据，后期处理功能有限。关键的工作流程步骤，如参数设置和模板定制，仍需大量手动操作，通常每个数据集需要设置过多参数。这种对专家干预的依赖带来了可重复性方面的挑战，并导致工作流程效率低下，尤其在高通量情况下更为显著。

三维重构。冷冻电镜（cryo-EM）在三维重构软件方面取得了显著进展，能够实现生物大分子的近原子分辨率结构解析。目前最广泛使用的工具包括 RELION、cryoSPARC 和 EMAN2，每种工具都有其独特的优势与局限性。RELION 采用贝叶斯方法进行迭代优化，在处理异质性数据集和实现高分辨率重构方面表现优异¹²。然而，其较高的计算资源需求和陡峭的学习曲线通常需要专家参与操作。cryoSPARC 利用 GPU 加速和深度学习技术，显著缩短了处理时间，并具有良好的用户友好性¹³。EMAN2 提供了一套完整的颗粒挑选与三维重构工具包，但需要大量手动调参，且缺乏实时反馈功能¹⁴。尽管这些工具在三维重构的特定环节表现出色，但其功能仍局限于单一任务，未能与上游的数据采集或下游的原子建模流程实现整合。例如，RELION 和 cryoSPARC 需要从显微镜控制软件中手动传输数据，导致效率降低并可能引入错误。此外，这些工具均无法在数据采集过程中提供实时质量评估，也无法无缝过渡到原子模型构建阶段，从而造成工作流程的割裂，限制了通量和可重复性。

基于冷冻电镜的结构测定的最后计算阶段是原子模型构建，其中分子坐标被迭代地拟合到重构的密度图中，以阐明原子水平的相互作用。

尽管传统的建模方法采用基于物理的能量最小化算法——包括静电势、范德华相互作用以及共价键几何约束——但这些方法在初始模型放置、密度解释和立体化学验证方面仍严重依赖人工干预^15,16,17,18。这种对专家人工校正的依赖不仅限制了通量，而且在分辨率较低（< 4 Å）且密度特征模糊的情况下，容易引入主观偏差。

为了克服这些限制，基于深度学习（DL）的方法已成为变革性的解决方案，利用神经网络实现特征提取、模型初始化和优化的自动化。这些方法在处理噪声较多或不完整的密度图时表现出更优的性能，同时显著减少了人工干预。近期基准测试表明，与传统流程相比，用户依赖步骤减少了40–60%^19,20,21,22。

然而，这些方法 invariably 需要将密度图从三维重建软件导出，并导入到模型构建系统中。在导入之前，可能需要额外的预处理步骤——通常涉及第三方工具——以优化密度图。这种碎片化的流程 necessitates 重复的数据传输和格式转换，导致效率低下。此外，如果初始的模型构建结果不理想，研究人员必须返回到重建阶段进行重新计算，随后再进行新一轮的模型构建和验证。此类迭代循环显著阻碍了冷冻电镜结构解析流程的通量和操作效率。

1.3 SMART：一种用于全流程冷冻电镜的集成化解决方案

尽管冷冻电镜单颗粒分析（cryo-EM SPA）已取得显著进展，但缺乏完全集成的计算解决方案仍制约着其在高通量结构生物学中的潜力。现有的软件包虽然在自动化某些独立的工作流程环节（如数据采集或三维重构）方面表现优异，却未能弥合原始显微图像采集、密度图精修与原子模型构建之间的关键断层。这种割裂状态导致必须进行人工数据传输、格式转换和重复的参数调整，从而产生效率低下问题，且随着数据集规模的扩大而加剧。

为解决这些局限性，我们提出了集成冷冻电镜工作流程平台，这是一个将整个冷冻电镜单颗粒分析（SPA）流程整合为统一、由人工智能驱动的工作流程的综合性计算平台。该集成平台包含三个核心模块：DataSmart（自动化数据采集）、CryoSmart（基于混合神经网络的三维重构）和 ModelSmart（基于深度学习的原子建模）。

该平台的三个计算模块通过标准化的数据流相互连接，实现了高效的数据流转，其中一个模块的输出可为后续处理步骤中的参数调整提供依据。这种整合旨在减少传统冷冻电镜工作流程中所需的手动操作步骤和数据传输次数，从而有望提高结构生物学实验室的可及性和工作效率。

方案

用于表达人TRPML1蛋白的Expi293F细胞系购自湖南丰晖生物科技有限公司（货号：SC0236058）。该细胞系的身份已通过短串联重复序列（STR）分析进行正确鉴定（补充文件1）。

伦理声明
本研究未涉及人类受试者、动物，或直接从人类或动物获取的样本。人源TRPML1蛋白通过体外重组表达并纯化获得。in vitro。用于重组蛋白表达的Expi293F细胞系为一种商业可得的、已建立的永生化细胞系。因此，无需机构伦理审批及书面知情同意。

注意： 集成式冷冻电镜工作流程平台由三个核心模块构成：自动化数据采集模块、支持混合神经网络的三维重构模块，以及基于深度学习的原子建模模块，各软件组件之间以数据作为通信接口，如图2所示。该集成式冷冻电镜工作流程平台系统采用浏览器-服务器（B/S）架构，用户可通过网页界面完成全部操作，从而确保系统的易用性与操作可及性。

1. 自动化数据采集

注意：集成式冷冻电镜工作流程平台包含三个核心模块：自动化数据采集模块、支持混合神经网络的三维重构模块，以及基于深度学习的原子建模模块。数据作为这些软件组件之间的通信接口（图2）。该系统采用浏览器-服务器（B/S）架构，所有操作均可通过网页界面完成。

1. 项目初始化
   1. 在自动化数据采集模块软件平台中创建一个新项目。
   2. 如需，选择从最近的项目继承配置设置。重复使用继承的参数进行透射电子显微镜设置，而非创建新的配置。
2. 束流偏移检查
   注意：在透射电子显微镜（TEM）控制软件内执行束流偏移调整。
   1. 低倍率检查（图谱与网格方格）
      1. 打开筛选模块。在图谱和网格方格倍率下采集图像。
      2. 确认图像照明均匀且无束流偏移。确保图像中心未落在网格条上。
   2. 数据采集倍率检查
      1. 在数据采集倍率（例如60K或100K）下采集图像。评估束流对准情况。
      2. 若图像采集失败或观察到显著束流偏移，应在继续前校正束流偏移。
   3. 孔位/等中心倍率检查
      1. 在孔位/等中心倍率（通常为8K）下采集图像。若束流未居中，则调整束流偏移，直至照明光斑居中。
      2. 不要修改光阑位置。确认光阑尺寸与数据采集期间使用的光阑一致。
3. Z轴高度调整
   1. 自动等中心调整
      1. 进入筛选页面。将样品台移至孔位/等中心高度倍率下的洁净碳膜区域。在自动功能页面打开自动等中心模块。
      2. 点击开始。监控日志面板以获取反馈。若操作失败，则移动至另一区域并重复该过程。
   2. 自动聚焦调整
      1. 在自动功能页面打开自动聚焦模块。点击开始。
      2. 查看日志信息。如自动聚焦失败，按提示调整参数或重复第1.3.1节步骤。
4. 倍率对准检查
   1. 对准检查
      1. 在数据倍率下定位一个可识别的特征并采集图像。在孔位/等中心高度倍率下采集另一幅图像。
      2. 比较两幅图像的中心区域。若数据倍率与孔位倍率之间存在错位，则进入校准步骤。
      3. 若数据倍率与孔位倍率已对准，则检查孔位与网格方格倍率之间的对准情况。若所有倍率层级均已对准，则无需校准，直接继续。
   2. 倍率偏移校准
      1. 进入校准页面。打开倍率偏移模块。从数据倍率或最低的未对准倍率开始。
      2. 采集一幅包含明显特征的高倍图像。采集对应的低倍图像。评估两幅图像之间的位移。
      3. 在低倍图像中右键点击对应特征中心的位置，选择移至此处。重新采集高倍图像并验证对准情况。
      4. 如有必要，重复调整。对准完成后点击下一步进入下一组倍率对。对所有剩余未对准的倍率对重复校准过程。
5. 数据采集准备
   1. 执行图谱采集、方格选择、方格成像和孔位选择
      1. 打开图谱模块。留空拼接区域字段以采集全部81块图像，或输入所需采集的图像数量。
      2. 进入方格选择界面。右键点击选择合适的方格。
      3. 进入孔位选择页面。点击准备全部。持续监控日志窗口，直至图像采集完成。
      4. 从图像列表中选择一幅已采集的方格图像。当孔位清晰可见时，使用查找孔位功能进行自动孔位选择。
         警告： 在冰层较厚或表面污染的网格上，自动孔位检测可能失败。在采集前需目视验证检测到的孔位，当自动检测不可靠时应采用半自动孔位选择方法。
      5. 当冰层较厚或污染导致无法可靠自动选择时，使用基于种子的选择功能（图3）。
         1. 选择一个中心孔位。选择两个形成直角的相邻孔位。
         2. 沿由第二和第三个孔位定义的方向选择两个较远的孔位。
         3. 点击提交。处理另一个方格时启用移动全部。将五个种子孔位中的任意一个拖动至清晰的孔位。点击提交。
   2. 模板定义
      1. 进入模板定义页面。点击采集以获取图像。确认图像包含一个完整的孔位。
      2. 若未见完整孔位，右键点击目标区域并选择移动样品台至。重新采集模板图像。通过拖动相应标记指定成像位置和自动聚焦位置。
      3. 输入每个孔位的帧数。输入所需的离焦值（例如，−1.5 µm）。确认所有采集参数（图4）。
6. 束流偏移复检
   1. 完成所有准备步骤后，重复第1.2节操作。
7. 像散与彗差校正
   1. 像散校正
      1. 将样品台移至洁净碳膜区域。使用自动聚焦将高度调整至所需离焦值（例如，−1.5 µm）。在自动功能页面打开自动像散校正模块。
      2. 点击开始。在日志面板中监控Ctffind输出结果。查看像散和分辨率拟合值。若像散仍较高，则在另一区域重复该过程。
   2. 彗差校正
      1. 若多次尝试后自动像散校正结果仍不理想，则打开自动彗差校正模块。点击开始。
8. 自动化数据采集
   1. 进入自动采集页面。点击开始。允许系统自动执行自动发射和自动零损失峰校准。
   2. 使用在筛选、数据采集和准备设置中定义的参数进行数据采集。监控自动化采集过程（图5）。
      暂停点： 数据采集完成后，所获得的电影堆栈可被存储，后续可在任意时间恢复至图像处理阶段，且不影响下游分析结果。
9. 即时远程监控
   1. 使用远程监控模块监控采集进度。查看由MotionCor2²³生成的实时运动校正结果。查看实时像散和离焦测量值。
   2. 将监控URL分享给授权用户。可通过计算机或移动设备访问采集状态和数据质量信息。参见图6中的远程监控功能示例。

2. 三维重建

注意：使用3D重建模块对先前获取的图像数据集进行三维重建。该工作流程包括项目创建、显微图像导入、对比度传递函数（CTF）估计、颗粒挑选、颗粒提取、2D分类、初始模型生成以及3D优化（图7）。

1. 项目创建
   1. 进入三维重构模块主页。点击项目以打开项目管理页面。点击新建项目。
   2. 输入项目名称并指定存储位置。点击创建项目。点击打开下一个以进入新创建的项目。点击新建实验以创建新实验。
      注：项目代表一个完整的数据处理会话，而实验代表项目内的单个处理流程。单个项目中可创建多个实验。
2. 导入文件
   1. 点击新建任务。选择导入，然后点击创建。选择适当的文件类型。导入数据采集过程中生成的.mrc文件。输入像素尺寸、加速电压和CPU数量。点击加入队列。
      注：要终止正在运行的任务，请点击终止，然后点击清除以将任务状态重置为“构建中”。对于已完成或已排队的任务，点击清除可重置任务状态。
3. CTF估计
   1. 点击新建任务。选择CTF估计，然后点击创建。
      注：三维重构模块支持多种CTF估计算法。本方案使用CTFFIND4。
   2. 点击曝光图（Exposures）的连接按钮。选择已导入的显微照片。将振幅对比度设为0.1，最小拟合分辨率为30 Å，最大拟合分辨率为4 Å，最小离焦搜索值为5,000 Å，最大离焦搜索值为50,000 Å，离焦搜索步长为500 Å。
   3. 点击加入队列。
4. 手动颗粒挑选
   1. 点击新建任务。选择颗粒挑选，然后选择Blob Picker。点击创建。点击显微照片（曝光图，Micrographs (Exposures)）的连接按钮。
   2. 选择已导入的显微照片。输入所需参数。点击加入队列。检查3–4张具有代表性的显微照片。使用鼠标左键选择颗粒。
   3. 使用鼠标右键取消选择颗粒。根据所选颗粒确定颗粒直径范围。点击完成挑选！提取颗粒。
      注：应从至少三张显微照片中测量颗粒。
5. Blob Picker
   1. 点击新建任务。选择颗粒挑选，然后选择Blob Picker。点击创建。连接显微照片（曝光图，Micrographs (Exposures)）输入。
   2. 选择已导入的显微照片。输入所需参数。点击加入队列。
6. 检查颗粒挑选结果
   1. 点击新建任务。选择检查颗粒挑选结果。点击创建。连接显微照片（曝光图，Micrographs (Exposures)）输入。连接颗粒（Particles）输入。
   2. 选择对应的文件。输入所需参数。点击加入队列。任务完成后检查3–4张代表性图像。
   3. 验证颗粒选择的正确性。点击完成挑选！输出位置。
7. 从显微照片中提取颗粒
   1. 点击新建任务。选择从显微照片中提取。点击创建。连接显微照片（曝光图，Micrographs (Exposures)）输入。连接颗粒（Particles）输入。选择对应的文件。
   2. 将提取框大小设置为颗粒直径的2–3倍。对于TRPML1，使用400像素的提取框大小。将傅里叶裁剪大小设置为提取框大小的四分之一至二分之一。
   3. 对于TRPML1，使用100像素的傅里叶裁剪大小。点击加入队列。
      注：减小傅里叶裁剪大小可降低GPU计算需求。
8. 二维分类
   1. 点击新建任务。选择二维分类。点击创建。连接颗粒（Particles）输入。
   2. 导入颗粒堆栈。输入所需参数。点击加入队列。
      注：选择50–200个类别。对于较小的数据集使用较少类别，对于较大的数据集使用更多类别。
9. 选择二维类别
   1. 点击新建任务。选择选择二维类别。点击创建。连接颗粒（Particles）输入。连接模板（Templates）输入。
   2. 导入所需文件。点击加入队列。等待任务进入“等待”状态。点击等待。
   3. 选择清晰且定义明确的二维类别。点击完成。
10. 初始模型生成
    1. 点击新建任务。选择Abinit重构。连接颗粒（Particles）输入。导入已选颗粒。
    2. 输入初始类别数量。输入对称性参数。点击加入队列。
11. 非均一性精修
    注：对非均一样品使用非均一性精修，对均一样品使用均一性精修。
    1. 点击新建任务。创建非均一性精修任务。连接颗粒（Particles）输入。连接体积（Volume）输入。
    2. 选择对应的文件。输入精修参数。指定适当的对称性（例如C1）。点击加入队列。
12. 均一性精修
    1. 点击新建任务。创建均一性精修任务。连接颗粒（Particles）输入。连接体积（Volume）输入。
    2. 可选地连接掩膜（Mask）输入。导入颗粒堆栈以及上一步精修中表现最佳的体积类别。输入所需参数。
    3. 指定适当的对称性（例如O或C1）。点击加入队列。任务完成后点击输出。在浏览器界面中检查重构的密度图（图8）。
13. 图谱增强
    注：图谱增强器（Map Enhancer）使用DeepEMhancer²⁴。应尽可能使用半图（half-maps）。翻译后修饰和配体分子未包含在DeepEMhancer的训练集中，可能无法被准确增强。图谱增强器执行局部锐化、自动掩膜和去噪。
    1. 点击新建任务。创建图谱增强器任务。导入在均一性精修过程中生成的体积（Volume）。
    2. 导入对应的掩膜（Mask）。如有需要，通过“图谱数据路径（Map Data Path）”选项导入图谱文件。执行任务。

3. 基于深度学习的原子建模

注意：基于深度学习的原子建模模块建立在先前开发的 SMARTFold 框架²⁵ 基础之上，支持从冷冻电镜密度图中构建蛋白质和核酸（RNA/DNA）的原子模型。

1. 启动基于深度学习的原子建模模块
   1. 登录基于深度学习的原子建模模块系统。打开任务提交界面。在左侧面板中上传冷冻电镜密度图。
   2. 输入所需的参数。提交建模任务。
2. 上传冷冻电镜密度图
   1. 上传密度图，格式为 .mrc、.ccp4 或 .map。确保文件大小小于 100 MB。
      注意：如果密度图文件超过 100 MB，上传前请先减小文件大小。
      1. 使用 UCSF ChimeraX 将密度图裁剪至感兴趣区域²⁶ 使用命令：volume zone。将图像重采样为更大的像素尺寸。
      2. 应用软掩膜以去除溶剂区域。
         注意：在上传前请检查密度图，以确保模型的最佳性能，并降低处理错误的风险。
3. 检查并准备密度图
   1. 进行密度测定 地图裁剪。 对于此 裁剪密度图以去除不必要的区域。验证裁剪后的图谱仅包含模型构建所需的区域。
      注意：裁剪可减小文件大小，有助于防止模型生成过程中出现内存溢出。
   2. 然后检查 用于 镜像反转 检查密度图是否存在可能的镜像翻转。观察图中α-螺旋区域，确认α-螺旋呈右旋构型，并沿逆时针方向向上螺旋。若发现结构为镜像，则翻转密度图。
4. 上传序列文件
   1. 上传相应的序列文件，或手动输入序列。提供重建中包含的所有蛋白质或核酸序列。
   2. 适用时请注明异源或同源序列信息。如需要，可输入蛋白质名称（可选步骤）。
5. 指定地图分辨率。输入报道的冷冻电镜密度图分辨率。选择计算分区。选择用于模型生成的GPU计算节点。
6. 指定 CPU 资源时，输入要分配的 CPU 数量，不要超过 8 个 CPU。检查所有已上传的文件和参数。点击 提交 以启动模型生成。
7. 检查预测的原子模型
   1. 作业完成后打开交互式可视化窗口。旋转模型以检查结构特征。缩放以观察局部和整体结构细节。
   2. 从多个方向观察模型，评估模型质量、空间构象及原子水平特征。将生成的模型用于后续分析与验证。
   3. 参见 图9 可视化界面示例。

结果

TRPML1，也称为黏脂蛋白-1（mucolipin-1，MCOLN1），是一种溶酶体阳离子通道，在维持哺乳动物细胞离子稳态、调控囊泡运输以及支持自噬过程中发挥关键作用^27,28。由于基因突变导致TRPML1功能障碍，已被直接证实与黏脂质沉积病IV型相关，后者是一种严重的神经退行性溶酶体贮积病，其特征为神经发育异常、视网膜变性和缺铁性贫血^29,30,31,32。因此，阐明TRPML1功能的结构基础，对于理解其生理与病理作用至关重要。

共收集了 1,034 个电影堆栈，标称放大倍数为 96,000×，对应超分辨率像素尺寸为 0.808 Å（图 10A）。每...

讨论

通过冷冻电子显微镜（cryo-EM）进行生物大分子结构解析本质上涉及一个漫长且多阶段的工作流程，需要计算工具的紧密整合以及专家的深度参与。该集成平台通过将数据采集、三维重构和原子建模整合到一个垂直集成的框架中，解决了这一挑战，朝着更高效流畅的 cryo-EM 工作流程迈出了重要一步。通过在整个流程中嵌入由人工智能驱动的算法（例如，用于密度引导模型构建的几何深度学习），该平台旨在减少与依赖多个独立软件包处理各阶段的传统工作流程相比所需的手动数据传输和格式转换次数。在当前 cryo-EM 通量需求迅速增长的背景下——从学术实验室到制药研发管线³³——集成化的软件环境可能带来显著的实际优势。

该平台基于服务器部署，消除了对外部网络的依赖，这对于处理敏感生物医学数据的机构而言尤为重要。该平台的一个显著优势是其实时图像显示能力，这在数据处理过程中的决策制定中至关重要³⁴。尽管许多类似系统存在延迟或图像卡顿问题，但该平台通过部署专用的图像处理子进程，避免了此类问题，确保了流畅的可视化效果。此外，该平...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
CryoSmart	水木生物科学有限公司	V 1.0	SMART 平台的三维重构模块；支持混合神经网络
冷冻电镜	水木生物科学有限公司	SHUIMU TOTEM 300S	用于数据采集；配备能量过滤器
DataSmart	水木生物科学有限公司	V 1.0	SMART 平台的自动化数据采集模块
DeepEMhancer	开源	V0.17	基于深度学习的冷冻电镜体积数据后处理工具；集成于 CryoSmart Map Enhancer 中
直接电子探测器	Gatan	GATAN K3 (6k x 4k)	用于电影记录的相机
载网	Quantifoil	Au R1.2,1.3	冷冻电镜样品载网
ModelSmart	水木生物科学有限公司	V 1.0	基于深度学习的原子建模模块，属于 SMART 平台；扩展自 SMARTFold 框架
SMART 平台	水木生物科学有限公司	V 1.0	集成式冷冻电镜平台；采用浏览器-服务器（B/S）架构；包含 DataSmart、CryoSmart 和 ModelSmart 模块
透射电镜控制软件	水木生物科学有限公司	V1.0	用于电子束偏移调节的电镜控制软件
Topaz	开源	V 2.5	基于深度学习的颗粒挑选工具；作为插件集成在 CryoSmart 中
TRPML1 蛋白样品	水木生物科学有限公司	SMPP-0053	人源 TRPML1（黏脂蛋白-1）；由蛋白质与晶体学部门自行制备
玻璃化装置	Thermo Fisher Scientific	Vitrobot Mark IV	用于冷冻电镜样品制备
UCSF Chimera X	美国加州大学旧金山分校（UCSF）	https://www.cgl.ucsf.edu/chimerax/	通用软件，用于分子显示、分析等功能
SMART（水木自动化重构技术）	水木生物科学有限公司	N/A	集成式冷冻电镜工作流平台
SMARTFold	水木生物科学有限公司	N/A	ModelSmart 背后的深度学习框架
Leginon	国家自动化分子显微镜资源中心（NRAMM）	RRID:SCR_016731	自动化冷冻电镜数据采集软件
SerialEM	科罗拉多大学	RRID:SCR_017293	自动化透射电镜/冷冻电镜采集软件
EPU	Thermo Fisher Scientific	N/A	自动化冷冻电镜数据采集软件
EPU Multigrid	Thermo Fisher Scientific	N/A	多载网自动化冷冻电镜采集系统
Gatan Latitude	Gatan 公司	N/A	电子显微镜数据采集软件
JADAS	日本电子株式会社（JEOL Ltd.）	N/A	自动化冷冻电镜采集系统
Auto-EMation	清华大学	N/A	自动化冷冻电镜数据采集软件
RELION	英国医学研究理事会分子生物学实验室	RRID:SCR_016274	基于贝叶斯方法的冷冻电镜重构软件
cryoSPARC	Structura 生物技术公司	RRID:SCR_016501	冷冻电镜图像处理与三维重构软件
EMAN2	贝勒医学院	RRID:SCR_017270	冷冻电镜图像处理套件
CTFFIND4	英国医学研究理事会分子生物学实验室	RRID:SCR_016732	CTF 估计软件
Gctf	英国医学研究理事会分子生物学实验室	RRID:SCR_016500	基于 GPU 加速的 CTF 估计工具
MotionCor2	霍华德·休斯医学研究所 / 加州大学旧金山分校	RRID:SCR_016499	运动校正软件
DeepEMhancer	西班牙国家生物技术中心（CNB-CSIC）	RRID:SCR_021214	基于深度学习的冷冻电镜图谱增强工具
Topaz	加州大学伯克利分校	RRID:SCR_018037	基于深度学习的颗粒挑选工具
UCSF ChimeraX	加州大学旧金山分校	RRID:SCR_015872	分子可视化软件
CTFFIND4	Grigorieff 实验室	RRID:SCR_016732	在 CryoSmart 工作流中使用的 CTF 拟合工具
EMDB-8840	电子显微镜数据库	登录号：EMD-8840	人源 TRPML1 参考图谱
EMPIAR-10204	电子显微镜公共图像档案库	登录号：EMPIAR-10204	β-半乳糖苷酶基准数据集
透射电子显微镜（TEM）	未指定	N/A	用于冷冻电镜数据采集
FEI Tecnai 电子显微镜	FEI（现为 Thermo Fisher Scientific）	未指定	在引用的工作流程中提及
能量过滤器	未指定	N/A	在自动化采集过程中使用
GPU 计算节点	未指定	N/A	用于 ModelSmart 的计算