请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
但如果把大量形态相似的颗粒图像对齐后叠加平均，噪声会相互抵消，信号则会相干增强，从而让原本模糊的颗粒轮廓变得清晰可辨。
这一方法自上世纪八十年代起就被系统性地引入电镜图像处理流程。
早期主要依赖多元统计分析和多参考对齐等算法对颗粒图像进行分组和平均，IMAGIC等软件包率先实现了这些方法的工程化。
2000年代以后，最大似然分类方法逐渐成为主流。
RELION等软件将二维分类平均与三维重构深度整合。
这使得从原始照片到二维类平均再到初始三维模型的全流程可以在统一框架内完成。
在结构生物学中，二维分类平均的重要性体现在几个层面。
首先，它是评估数据质量的第一道关口。
通过观察类平均图上是否出现清晰的二级结构特征，研究者可以判断颗粒是否完整、样品是否均一。
其次，它是剔除坏颗粒和分离不同构象状态的主要手段。
模糊的类平均图往往意味着颗粒存在柔性或异质性，需要进一步拆分。
更重要的是，二维类平均的质量直接决定了后续三维重构的起点。
干净的类平均图能为初始模型生成提供可靠的基准。
而糟糕的分类结果则可能把整个重构流程引向错误的方向。
虽然，李继君很惊异于林晓会有这个想法。
但究竟是奇思妙想还是异想天开。
在他心里还是倾向于后者。
所以，他还是摇了摇头。
“恕我直言，这个方法恐怕行不通。”
“毕竟它的的缺陷实在太明显了。”
“它假设颗粒在二维投影面上具有一致的取向。”
“而糖纤维的构象柔性高，同一类纤维在不同样品里可能呈现出多种取向和形态。”
“如果把单颗粒的二维分类直接套到糖纤维数据上，分类结果会混杂，平均后的密度图反而会模糊。
既然是内行人。
林晓似乎预料他会问到这个问题，笑了笑。
“你说得对，因为糖纤维的密度图的构象确实是多样。”
“但这个情况下，用在这里却刚刚好。”
“哦？”李继君顿时生出一股好奇心，将视线望向林晓：“怎么说？”
林晓回到：“因为局部结构特征，比如糖环的排列方式和连接键的走向，在二维投影上仍然保留了一定的共性。”
“如果把分类的粒度做细，不追求把整根纤维归入同一类。”
“而是只对局部片段进行分类平均，那就能在保留构象多样性的同时，有效提高局部结构的信噪比。
李继君顿时就被启发到了。
好家伙！
他属实没想到，还能这样搞？
他之前在计算技术研究所读博的时候。
也做过很多图像处理和模式识别方向的研究。
所以，他是对二维分类的原理和局限都很清楚的。
但他没见过有人把它用在糖纤维结构解析上。
更没见过有人能把它的缺陷直接转化成适用场景。
方法的确是很妙！
但是问题来了。
这能跑通吗？