来源：分析测试百科网

 最大似然估计理论

近年来在单颗粒分析中取得重大突破的应当是最大似然估计(maximum likelihood)理论。最大似然估计的理论可以贯彻整个单颗粒技术图像分析的过程，在图像匹配，2D、3D分类 和模型优化上均可以应用，是一个强有力的理论工具。最大似然估计的算法已经在RELION、FREALIGN 等软件中实现，方便普通用户使用，这对于推动冷冻电镜成像技术的应用有重大意义，近三四年来有许多突破性的近原子级别分辨率的分子结构大多是由基于最大似然估计理论的分析软件得到。

3.1.1 减少计算需求

最大似然估计算法的计算量很大，如何降低计算量是一个重要问题。过多的计算资源消耗曾经阻碍这个方法在冷冻电镜单颗粒重构中的广泛应用。在减少最大似然算法在冷冻电镜应用中的计算需求方面，有两个重要的贡献是空间降维(domain reduction)算法和网格插值(grid interpolation)算法。

我们最近在研究一个新的方法来对旋转参数进行分步处理，初步的结果显示这种方法可以把计算复杂度降低一个维度，这个方法可很好地应用于高信噪比的数据处理，但对于低信噪比的数据分析还需要对该方法进行改进。

3.1.2 对最大似然方法的未来展望

在未来的研究中，关注点是减少计算的耗时和增加准确度。通用图形处理器(GPU)的应用和CUDA 编程框架已经显示出了在高性能计算领域的威力，研究表明GPU 技术可以显著减少计算时间，而RELION 也将发布支持GPU 计算的2.0 版本。

在加快计算速度的同时，提高模型的重构的准确性则更为重要。如何提高颗粒图像的准确性以及最大似然方法在这些方面的应用还有待深入探索。总而言之，最大似然方法独特的、可扩展的统计理论框架可以适用在冷冻电镜的各种问题上，如多构象、低噪声、信息缺失中均有很好的应用。