二维分类最容易让人产生的误解,是把输入框里的类别数当成样品里存在的结构数。输入四类,得到四张平均图,再从每张图找一种解释,看起来十分完整,实际上可能把算法的搜索设置误当成生物学证据。正确的顺序应当反过来,先检查输入、分类占比、成员和平均图,再判断这些输出能够支持多强的结论。
这次我们真正安装并运行了 RELION,用一百二十张作者生成的二维图像分别进行两类和四类分类。两次都完成十二轮迭代,输出行数完整。四类任务中,第三、第四类没有获得颗粒。这个很小的实验不能替代真实样品分析,却能把类别数、硬分配和概率占比之间的关系讲清楚,也能示范一次可以追溯输入和输出的最小实操。

先明确这次任务究竟运行了什么
RELION 用统计模型处理带噪图像,估计图像与参考之间的关系,并通过正则化控制解释数据的方式。二维分类可以帮助清理颗粒、观察主要投影形态,但同一个三维结构能够产生不同方向的投影,不同结构也可能在某些方向上相似。因此,二维类别与三维构象不是一一对应关系。模型和分类思想可以从RELION 原始方法论文进一步理解。
本次只运行二维分类,没有运行电影校正、自动挑颗粒、三维初模、三维精修或分辨率验证。输入也不是实验图像,而是两种简单图案加噪声。我们知道图案来源,才能在运行后逐颗粒检查分类是否对应生成标签。真实样品通常没有这样的标准答案,不能把本次表现转述成软件在真实数据上的准确率。
选择这样的小例子还有一个好处,读者能先弄清文件关系。若一开始就导入百万颗粒,再同时修改掩膜、类别数和采样,遇到异常很难判断是格式错误、物理参数错误还是优化问题。先建立一个可以运行、可以读懂的最小案例,之后每次只改变一个因素,调试成本会低很多。
安装记录要同时保存包版本和程序版本
实测环境是 Ubuntu 22.04.5、Python 3.10.22,CPU 为 Ryzen 5 3600。我们创建独立环境安装 Bioconda 的 RELION 包,指定使用 CPU 版本的 PyTorch,避免把环境配置与其他分析任务混在一起。下面的命令对应本次安装方式,环境名称可以自行调整。
micromamba create -y -p ./relion-env \
--override-channels --strict-channel-priority \
-c conda-forge -c bioconda \
python=3.10 relion=5.1.1 "pytorch=*=cpu*" \
numpy scipy mrcfile starfile
./relion-env/bin/relion_refine --version
这里遇到了一个值得保留的细节。包管理器记录为五点一点一、构建号见下表,但实际可执行程序报告五点一点零。我们没有擅自把其中一个改成另一个,也没有推测差异原因。复现记录应同时保存包清单、程序自报版本和完整命令,因为只写“安装最新版”无法告诉别人究竟运行了什么。其他平台的安装要求应核对官方安装说明。
| 项目 | 本次实际记录 | 对复现的意义 |
|---|---|---|
| Conda 包 | relion 5.1.1,he832cf0_1 | 定位具体分发构建 |
| 程序自报 | RELION version 5.1.0 | 保留二进制自身输出 |
| 数组与解析 | NumPy 2.2.6,SciPy 1.15.2,starfile 0.5.2 | 记录生成和读表环境 |
| 执行方式 | CPU 两线程、传统 EM、十二轮 | 没有 GPU、MPI 或 VDAM |
人工颗粒如何生成,为什么要留背景
我们生成六十张双斑图案和六十张圆环图案,打乱顺序后,分别加入随机旋转、小幅平移和高斯噪声。每张图四十八乘四十八像素,像素尺寸设为二埃。图案并不代表任何具体蛋白,两个生成标签只用于检查输出,绝不能写成两种真实分子构象。
归一化使用距离图像中心十六像素以外的背景,减去背景均值,再除以背景标准差。这里没有把整张图的均值当成背景均值,因为中心图案本身含有信号。若信号被错误算进背景估计,归一化会随颗粒形状和占据面积变化。真实图像还要考虑邻近颗粒、污染和掩膜边缘,本例只能演示“背景区域必须有明确定义”这一点。
生成器使用固定随机种子,同时保存每张图的生成标签和变换参数。固定种子方便在同一环境重建输入,但它不能保证所有软件版本和硬件上的浮点结果逐位一致。真正要核对的是输入摘要、成员映射和主要统计,而不是要求运行耗时或整个结果文件每个字节都不变。
这里没有模拟显微镜的对比度传递函数,也没有给输入图像施加相应作用,所以分类命令没有打开对应校正。不能把这个设置直接搬到实验颗粒上。真实数据需要沿处理链核对相关参数的来源,缺失物理信息时,程序能够启动并不代表输入已经科学合理。
两个文件共同定义颗粒输入
图像保存在颗粒堆栈中,元数据保存在 STAR 文件中。元数据既需要指出每一行对应哪张图,也需要给出像素尺寸等信息。本文生成的图像名从第一张开始编号,例如下面一行指向堆栈中的第一张图。自己写转换程序时,最危险的错误之一就是把不同格式的零起点和一起点编号混用。
000001@particles.mrcs
我们把像素尺寸、图像大小和光学组写进光学信息块,把图像名和光学组编号写进颗粒信息块。图像文件存在,并不等于每条引用都正确。正式处理前可以抽取首行、中间行和末行,检查索引范围、文件路径、形状与像素尺寸是否一致。路径若是相对路径,还要确认它相对于哪个运行目录解释。官方格式约定是处理这些细节时应优先查阅的资料。
还有一种错误不会立即导致程序退出,即所有颗粒指向了合法位置,但顺序与外部标签错开。只看总行数会漏掉它。本次核验通过输出图像名取回原始序号,再连接生成标签,而不是假定输出第一行必然对应输入第一行。分析结果一旦经历排序、筛选或合并,这种显式连接就比位置对应更可靠。
运行命令中哪些参数值得先理解
下面是两类任务实际使用的参数。四类任务只改变类别数和输出目录。命令在包含输入文件的工作目录执行,输出目录需要先建立。
mkdir k2
relion_refine --o k2/run --i particles.star \
--pool 4 --iter 12 --tau2_fudge 2 \
--particle_diameter 60 --K 2 \
--flatten_solvent --zero_mask --oversampling 0 \
--psi_step 12 --offset_range 2 --offset_step 1 \
--norm --scale --j 2 --random_seed 20261118
本例掩膜直径为六十埃,换算成当前像素尺寸就是三十像素。它应包住图案,而不只是截取最亮的一小块。掩膜过紧会裁掉真实信号,过宽又可能带入更多背景和邻居。真实样品的最长投影尺寸比某一张平均图的短轴更值得作为判断依据,不能看到图变清晰就认定掩膜设置正确。
角度步长和平移搜索范围决定本次搜索如何采样。因为人工图像只加入了很小的平移,我们使用有限范围,并采用较粗的角度采样来做演示。对偏心颗粒照抄小范围,可能让正确对齐位置根本不在搜索范围内。增加迭代次数通常无法补救一个从开始就排除了正确位置的搜索设置。
当前官方二维分类教程使用 VDAM,而本文明确运行传统 EM。两者的优化安排不同,不能把十二轮 EM 与十二个小批次当成同样的工作量。掩膜、正则化与噪声控制的作用可参考官方二维分类教程,具体数值仍需结合输入决定。本例没有通过一组简单图像比较两种算法的优劣。
实际输出说明了什么
两次任务都正常返回,最终颗粒表均有一百二十行。两类任务把双斑图案全部分到第一类,把圆环全部分到第二类。四类任务也只有前两类获得颗粒,后两类在最终硬分配中为零。我们同时查看了类平均图,前两类分别呈现双斑和圆环,四类任务后两张为空白。
| 设置 | 最终逐颗粒类别计数 | 模型中的类别占比 |
|---|---|---|
| 两类 | 60、60 | 0.500052、0.499948 |
| 四类 | 60、60、0、0 | 0.500041、0.499959、0、0 |
这个结果首先说明,允许模型使用四类,并不保证四类都会得到有效成员。其次,它没有证明真实数据的最佳类别数就是生成图案数。人工样例形状差异明显、噪声简单、没有连续异质性。真实数据中的方向分布、柔性、损伤、错误挑选和对齐不确定性都可能影响分类,不能据此建立“一看空类就把类别数调小”的机械规则。
表中另一个细节更值得注意。逐颗粒类别计数正好各占一半,模型输出的占比却略有差别。前者来自每张图最终报告的类别标签,后者是模型估计的类别分布。两个统计不是同一种对象,因此不应通过强行四舍五入或修改结果,让它们看起来完全一致。读表前先弄清字段定义,比盲目追求数字吻合更重要。
生成标签与输出类别编号也不能直接按数字比较。类别编号只是一次任务内部的名称,另一轮运行可能交换顺序。本例通过列联表检查每个输出类包含多少双斑、多少圆环,而不是把“标签零是否等于类别一”写成通用准确率公式。对真实任务比较两轮筛选结果时,同样应比较成员关系和图像特征。
从这个小实验迁移到真实项目
保存结果时,不要只留下最终的类平均图。颗粒表负责回答每张输入图被分到哪里,模型文件保存类别分布等统计,优化器和采样文件则与恢复任务有关。本文保留了每一轮输出以及标准输出和错误输出。读者复现时可以先比较最后两轮的成员变化,再决定是否需要增加迭代,而不是把固定轮数当成必然收敛的保证。
本次解析 STAR 时出现了与 pandas 接口弃用有关的未来兼容性提示,但两个分类任务和结果读取都正常完成。我们保留提示,没有把它写成算法运行失败,也没有为了让日志干净而掩盖它。以后升级解析库时,应重新核对字段类型和行数,尤其是图像引用这样的字符串列,防止自动类型转换改变标识含义。
如果某次任务的输出颗粒数突然减少,应先比较输入和输出的图像键集合,定位缺失记录。若数量没变但平均图异常,则回到像素尺寸、掩膜和成员图检查。按照故障表现逐层缩小范围,比一次性调大所有参数更有解释力,也更容易把经验写成别人能够复用的排查步骤。
建议先把输出分成三层审阅。第一层看任务是否完整,输入颗粒数、输出颗粒数、错误日志和图像引用能否对应。第二层看分类是否可解释,检查平均图与成员图,而不是只凭一张漂亮平均图作决定。第三层看筛选是否引入偏差,尤其是少数方向和稀有状态是否被一并剔除。
小类可能来自杂质,也可能来自真实但稀少的投影。若只按成员数量筛掉所有小类,就可能保留常见方向、丢掉有价值的方向。更稳妥的做法是保存保留与剔除清单,抽查边界类别,记录筛选理由,再观察后续步骤是否改善。筛选决定应当可以回退,而不是覆盖唯一的原始颗粒集合。
本次实跑最大的收获,是把四个容易混淆的量分开了。类别数是设置,类别标签是逐颗粒输出,类别占比是模型统计,生物学状态需要更多证据。RELION 的优势在于能把对齐、分类和统计模型放在一致框架下,并留下可检查的中间结果。它的使用门槛也正在这里,读者需要理解输入物理意义和输出层级,不能把任务完成提示当成结构可靠性的证明。
下载脚本、运行说明与实际结果(ZIP)。选择 RELION 目录,按说明建立环境后运行脚本,它会生成输入并执行两次二维分类。工作目录必须尚不存在,详细日志和每轮结果将保留在其中。
若你准备把已经核验的颗粒处理流程扩展到更多样品,可以了解云生信生物信息学分析服务器服务,按实际流程安排计算环境。
