模板匹配找到的是候选，不是自动成立的结构结论

模板决定搜索问题

模板匹配不是在体数据中寻找所有未知结构，而是在问：哪些位置与给定参考体足够相似。参考体的尺寸、滤波、像素尺度和结构状态会影响搜索结果。选择模板之前，应先明确目标是定位已知复合物、比较不同构象，还是建立候选坐标。

参考体可以来自已知结构、先前平均或模拟密度。来源不同，代表的先验也不同。已知高分辨率结构通常需要低通到与tomogram相近的有效分辨率，避免高频差异主导比较。

边缘候选无法截取完整盒体，通常不适合直接进入平均。若保留这些坐标用于分布观察，应与可用于结构处理的候选分开。

模板来源还会影响循环论证风险。如果模板和验证平均来自同一批数据，结构相似可能部分来自处理路径。独立参考、留出数据或不同方法可以提供更有价值的交叉检查。

估计假发现率需要明确负样本或背景模型。随意挑选一块看似没有目标的区域，可能因为厚度或纹理不同而低估真实背景。

资源预算会反过来影响方法。算力有限时，可先在代表区域比较模板与角度设置，再固定方案扩展到全数据，避免大规模盲目参数搜索。

搜索结果的可视化应该同时显示候选和原始切片。只看渲染球体会隐藏候选落在膜外、冰污染或体边缘等明显异常。

人工复核也会受到预期影响。盲化部分候选、混入负对照或让两位研究者独立判断，可以估计主观筛选的一致性。

如果数据最终无法支持身份判断，也可以把结果作为搜索灵敏度或空间背景研究。缩小结论并不等于任务失败，而是让证据与表述保持一致。

人工标注少量候选可用于比较参数，但标注者需要看到一致的显示条件。不同对比度窗口会改变边界判断。

搜索输出可以先由脚本检查坐标范围、重复和空结果。基础验证通过后再进入昂贵平均，能减少错误向后传播。

角度采样影响灵敏度与成本

三维目标可能以不同方向出现，搜索必须旋转参考体。采样太疏会错过合适方向，采样过密则显著增加计算量。GPU可以缩短时间，但不能替代对体素尺寸、模板对称性和目标大小的判断。

模板尺寸若包含大量空白或邻近结构，相关分数会混入非目标信息。掩膜应覆盖目标主体，同时保留适度软边，减少硬边在频率空间造成的伪影。

分数排序适合安排复核优先级，不适合直接转换为概率。除非方法经过特定数据集校准，否则相关值没有统一的身份置信含义。

搜索前对tomogram做降采样能显著减少计算，但目标尺寸也随体素改变。降采样版本用于粗定位后，应把坐标准确映射回高分辨率数据，并验证取整误差。

模板对称性与目标构象不一致时，部分方向可能被重复计分。使用对称约束前，应说明它来自已知结构还是为了节省计算。

研究记录应解释为什么选择这一套参数。只保存命令可以重跑，却无法让后来者理解决定依据，也无法判断新数据是否需要调整。

同一目标可能形成聚集或多聚体。简单的最小距离去重容易误删真实邻近对象，必要时可结合模板尺寸、方向和局部峰形判断。

候选进入平均前，可以按分数分层抽样。若只有最高分组形成结构，而中等分组完全不稳定，阈值选择应更加保守。

得分体的数值精度和保存格式也会影响后续阈值。若为节省空间转换为低精度，应确认排序和峰值位置没有明显变化。

候选排名变化比单一运行的绝对分数更能揭示参数敏感性。小幅改变模板处理后，可靠候选通常不会完全消失。

模板和数据的密度符号必须一致。黑白反转或归一化约定不同，可能让正确位置得到异常分数。

相关分数需要背景

高相关值表示局部数据与模板在当前处理条件下相似，不等于生物学身份已经确认。噪声、膜结构、重复纹理和missing wedge都可能影响分布。阈值应结合负对照、空间位置和后续平均结果评估。

角度间隔与目标直径有关。较大的复合物在相同分辨率下可能需要更细方向采样，因为小角度变化会在边缘产生更大位移。固定角度不能适用于所有对象。

把候选映射回原tomogram，可以检查它是否位于合理的细胞环境。空间背景属于证据的一部分，但也要防止只保留符合预期的位置。

频率范围应排除数据不可靠的高频，也避免低频背景主导。带通设置改变时，相关分数没有直接可比性，因此不能把不同运行的阈值简单并列。

候选平均若出现模板特征，不代表搜索完全正确。可以用相位随机化、不同起始参考或独立半集检查结果是否过度继承模板。

面向非专业读者展示结果时，应把“候选位置”“平均结构”和“生物学解释”分开标注。三者属于不同证据层级，混写会制造过度确定感。

候选分数在不同tomogram之间通常不能直接比较，因为噪声、厚度和预处理不同。跨样品比较数量时，应先建立一致的筛选与质量标准。

结果对模板低通、掩膜和角度间隔的敏感度，可以用少量代表区域测试。稳定结论不应只存在于一组非常窄的参数。

不同模板尺寸产生的相关值分布可能不同。多目标搜索时，最好分别评估背景，而不是使用一个全局阈值覆盖全部模板。

最终平均若只依赖极少数高分粒子，应谨慎概括到整个样品。粒子数量、空间覆盖和独立性共同决定结论范围。

研究结论若依赖某个阈值附近的大量候选，应提供敏感度分析。小幅移动阈值就完全改变趋势，说明结论仍不稳定。

候选坐标进入下一阶段

定位结果通常作为子断层提取、对齐、平均和分类的起点。保留坐标、模板版本、角度设置和分数分布，后续才能判断结果改变来自新数据还是新参数。

局部归一化有助于比较不同背景区域，但膜、冰污染或密度梯度仍会改变分数分布。候选阈值应在代表性背景上评估，而不是只观察目标附近。

进入子断层平均后，应观察候选是否收敛到稳定结构，以及独立数据子集是否给出相近结果。无法稳定对齐的高分候选可能只是局部纹理相似。

局部模板匹配可以限制在膜附近或特定细胞区，降低计算量和背景命中。不过区域定义本身会引入先验，报告结果时必须说明搜索空间如何产生。

空间排布本身也能提供验证线索。例如核糖体在特定膜面或多聚体中的相对位置，应与已知细胞结构相容。但空间合理仍不能替代结构证据。

在细胞tomogram中，背景并非独立同分布噪声。膜、细丝和拥挤大分子形成结构化背景，传统统计假设可能低估某些区域的高分概率。

搜索角度的均匀性应在三维旋转空间定义，而不是让欧拉角每个轴等间隔。后者会在某些方向过度采样，并浪费计算资源。

若搜索目标具有多个已知构象，应避免让一个模板独占全部候选。可以并行搜索后处理冲突，或使用稳定核心作为较少偏向的参考。

候选密集区域还要考虑排斥体积。真实复合物不可能无限重叠，物理尺寸可以帮助发现重复峰或坐标转换错误。

将搜索脚本、模板摘要和筛选规则一起发布，可以让其他人复现判断路径，而不必获得受限制的完整原始数据。

公开方法时不必上传受限样品，但应给出参数选择逻辑和可公开测试数据。这样其他研究者仍能检查流程行为。

误报控制比漂亮图更重要

只展示最高分候选容易隐藏背景分布。更稳健的做法是说明候选筛选条件、去重规则、边缘排除和人工复核方式。图像用于帮助理解，不能代替这些条件。

负对照可以使用不应出现目标的区域、打乱参考或不同实验条件。对照不是证明所有候选正确，而是帮助估计当前设置下的背景命中。

最终发布应同时给出模板处理、角度采样、阈值、去重和候选数量变化。读者才能判断结果对参数有多敏感。

多个模板竞争同一位置时，需要处理类别冲突。只保留最高分可能偏向尺寸或频率特征更有利的模板；分别校准背景分布后再比较通常更稳妥。

自动化流程应保存未阈值化得分和候选筛选脚本。未来改变阈值时，无需重新运行最昂贵的三维搜索，也能复查选择敏感度。

局部厚度变化会改变对比度。若阈值在薄区调好后直接用于厚区，灵敏度和误报率都可能变化。分区评估或局部归一化需要明确记录。

四元数适合表示旋转并避免部分欧拉角奇异问题，但输出给其他软件时仍可能需要转换。转换后用已知方向验证，比只检查数值范围可靠。

发表候选数量时，应说明统计单位。原始峰、去重坐标、通过边界检查的粒子和进入最终平均的粒子不是同一个数字。

对照区域应与目标区域具有相近厚度和纹理。用完全空白冰区估计背景，通常会得到过于乐观的误报水平。

方法说明应把计算发现和实验验证分开。前者提供优先检查的位置，后者决定这些位置能否支持具体生物学解释。

连接平台的实际作用

网络平台可以协助分发数据、同步日志和连接计算节点，但不会自动提高结构证据质量。真正可复现的工作流需要把文件、参数、软件环境和判断依据一起交接。

候选去重距离过小会把同一结构计数多次，过大则可能合并真实邻近对象。距离应参考目标尺度和空间组织，并在结果中说明。

OixCloud页面只解释资料与连接流程。具体结构识别仍需由研究团队依据数据、对照与实验背景完成。

分数直方图能显示主体背景和高分尾部，但阈值位置仍需结合空间复核。数据量很大时，极端高分也可能仅由大量搜索产生。

当不同软件给出相似候选时，要确认它们是否真正独立。若共享同一模板、预处理和坐标转换，结果一致可能只是共同输入造成。

参考体的手性也是三维搜索需要注意的问题。坐标或轴约定转换错误可能生成镜像关系，候选仍可能出现较高相似，却无法进入正确的后续对齐。

模板匹配可以与机器学习候选结合。两种方法若使用不同特征，交集和差集都值得复核；不能简单认为模型更多或分数更高的一方一定正确。

审阅者最需要看到的是结果如何从原始得分经过规则变成最终候选。清楚的筛选流程比增加更多彩色渲染更能支持可信度。

搜索前若对膜或细胞器做分割，可以把距离膜面的关系纳入候选复核。分割不稳定的区域则应标注较低置信。

若候选用于数量比较，应避免一个结构被多个邻近峰重复计数。去重规则变化时重新报告数量，而不是沿用旧统计。