冷凍電子顯微鏡的技術前沿涵蓋硬體革新、演算法突破和新興應用模式。
直接電子偵測器（Direct Electron Detectors, DEDs）
2012 年前後上市的 DEDs（FEI Falcon、Gatan K2/K3）是 Cryo-EM 解析度革命的關鍵推手。傳統 CCD 偵測器的 detective quantum efficiency（DQE）在高空間頻率大幅衰減（Nyquist 處 DQE < 0.1），而 DEDs 使用 back-thinned CMOS，直接記錄電子撞擊，DQE 在 Nyquist 處維持 ~0.5。更重要的是，DEDs 的高幀率（300-1500 fps）允許劑量分餾成像（dose-fractionation），每張影像記錄為多幀的 movie，對各幀進行 beam-induced motion correction（MotionCor2, Zheng et al., 2017）後再疊加，消除機械和電子束誘導的樣品漂移，使 CTF 擬合在 3 Å 以下的 Thon 環清晰可辨。
對比傳遞函數（CTF）與相位板
Cryo-EM 的弱相位物體近似下，影像對比由 CTF 控制：CTF(s) = -sin(πλΔfs² + 0.5πCsλ³s⁴)，其中 s 為空間頻率，Δf 為欠焦量，Cs 為球差係數。欠焦成像犧牲了低頻資訊的傳遞效率。Volta 相位板（Danev & Baumeister, 2016）在後焦面引入 ~π/2 相移，將 CTF 從 sin 轉為接近 cos，大幅增強低頻對比度，對小顆粒（< 100 kDa）和原位成像特別有利。然而相位板的穩定性和壽命仍是實務挑戰。
AI 驅動的重構演算法
RELION（Scheres, 2012）建立了 MAP（Maximum A Posteriori）Bayesian 框架，以正則化避免過度擬合。cryoSPARC（Punjani et al., 2017）引入 SGD（Stochastic Gradient Descent）和 BPG（Branch-and-Bound Pose Graph），將重構速度提高 10-100 倍。AlphaFold2 預測模型現在常作為 Cryo-EM 建模的起始模型——但需注意 AlphaFold 模型不包含配體和翻譯後修飾資訊。最新的 ModelAngelo（Jamali et al., 2024）可直接從密度圖 de novo 建模並指定序列。
Cryo-EM 的解析度極限
Apoferritin（480 kDa，24-mer，高對稱性 O 對稱群）是 benchmark 樣品，目前最佳解析度 1.15 Å（Nakane et al., 2020, Nature）。真正的解析度由 Fourier Shell Correlation（FSC）在 FSC = 0.143 處的截止頻率定義。影響因素包括：(1) 顆粒大小和對稱性（更多等效粒子）；(2) 冰層厚度（薄冰 → 低背景噪音）；(3) 樣品均一性（構象異質性是最大挑戰）；(4) 輻射損傷累積劑量（一般限制在 40-60 e⁻/Ų）。
原位結構生物學（In Situ Structural Biology）
Cryo-electron tomography（Cryo-ET）+ subtomogram averaging 可在細胞內直接解析巨分子結構。FIB-SEM（Focused Ion Beam milling）將冷凍細胞切成 100-200 nm 薄片（lamellae），適合 300 kV TEM 成像。Cryo-CLEM（Correlative Light and Electron Microscopy）先以螢光標記定位目標，再以 Cryo-ET 解析結構。Subtomogram averaging 已達 ~3 Å（ribosomes in situ, Tegunov et al., 2021）。
時間解析 Cryo-EM
混合-噴霧（mix-and-spray）裝置在毫秒時間尺度捕捉反應中間體，配合 Cryo-EM 成像。Frank 實驗室（2015）以此方法觀察核糖體轉位（translocation）的構象變化。時間解析度可達 ~1-10 ms。
文獻參考：Henderson, R. (1975). J. Mol. Biol., 93, 123-138. / Dubochet, J. et al. (1988). Q. Rev. Biophys., 21, 129-228. / Scheres, S.H.W. (2012). J. Struct. Biol., 180, 519-530. / Nakane, T. et al. (2020). Nature, 587, 152-156.