Relion-4.0 beta测试结果

Relion-4.0 beta版本新鲜出炉。本期文章给大家带来了由我司针对Relion-4.0最新功能的测试结果。

• 整合Topaz-更优秀

Relion官方为了优化用户体验，将Topaz完全整合到了Relion-4.0里，跟Gctf和MotionCor2的用户体验一致。现在我们可以在Manual picking中直接调用topaz Denoise，对图像进行降噪处理后，再进行手动挑颗粒操作；也可以在Auto-Picking中Topaz tab中使用Topaz训练模型和自动挑颗粒。对于Topaz Denoise，我们可以在Manual picking页面中，将OR：use Topaz denoising? 设为Yes，并且设置好Topaz可执行文件位置，便可在进行Manualpick之前，调用Topaz进行Denoise操作。

Denoise运行结束后，可在挑颗粒界面看到denoise之后的图片。经过Denoise处理之后，图片对比度有了明显的提升，大大地方便了手动挑颗粒的操作。

另外，Relion还在Auto-picking页面整合了topaz挑颗粒，可在Auto-picking的I/O页面选择使用Topaz挑颗粒，并在Topaz页面设置参数。Topaz页面显示如下：

对于Topaz自动挑颗粒，可以在Auto-picking job的Topaz tab进行Topaz Training和Topaz picking。如果Trained topaz model留空，则默认采用resnet8进行挑颗粒，也可以选择之前Topaz Training训练的model进行操作。

• 2D分类(VDAM算法)- 更高效

为了绕开cryoSPARC的Stochastic Gradient Descent (SGD)算法专利，Relion-4.0开发了Variable-metric Gradient Descent with Adaptive Moments（VDAM）算法，能够加快2D分类速度并获得更均匀的分类结果。我们采用Relion Benchmark数据（约10万颗粒），对Relion-4.0的VDAM算法做了测试，结果如下：

传统算法分类结果

VDAM算法分类结果（100轮）

VDAM算法分类结果（200轮）

从测试结果可以看出，采用VDAM算法运行100轮时，可以获得初步的2D分类，耗时相对于传统2D算法要节省一半。但是相对于传统2D算法，100轮VDAM算法的分类结果清晰度不够高，无法看出明显的二级结构投影，分类边缘也不够清晰，更适合于前期的颗粒清理。而运行200轮VDAM算法时，分类结果会更加清晰，但是依旧不如传统2D算法，且耗时和传统2D算法（9MPI）相近。不过值得注意的是，VDAM算法只能用1张GPU卡进行计算，而传统2D算法使用了4张GPU卡，虽然耗时相近，但是VDAM算法更加节省计算资源。

• 2D分类自动筛选

在过去，2D分类的自动筛选可以通过TranSPHIRE中的Cinderella，以及2DAccess软件实现。这些方法都是通过AI的训练模型来自动选取2D分类结果。Relion-4.0借鉴了这一思想，在Subset selection中新增加了自动选择2D分类功能。

我们采用betagal数据测试2D分类自动筛选功能。从筛选结果可以看出，选择的分类质量很高，而且基本和按分类数量排序的结果类似，很接近手动选分类的结果。同时，也可以在rank_optimiser.star文件中，找到每个分类的打分，可以根据打分结果人为调整自动筛选的阈值。
2D分类结果

筛选结果

• 数据处理自动化-更优化

在完成Topaz整合和 2D分类自动筛选的加持下，Relion-4.0进一步优化了relion_it.py自动流程化数据处理脚本，可以从导入数据开始，全流程自动化处理数据，得到最终结果。在relion_it.py GUI里，我们可以先设置好数据的相关参数，以及需要运行的任务类型，然后点击Save & run按钮，即可开始预处理流程。与旧版不同的是，点击Save & run按钮后，界面会自动跳转到Relion-4.0主界面，并实时显示预处理运算进度和后处理运算进度。