上个月我用手头一个膜蛋白复合物的冷冻电镜数据集，从RELION 4.1迁移到5.0把单颗粒分析的完整流程重新跑了一遍。这个版本跟以前所有RELION都不一样——它不是在旧框架上打补丁，而是把底层的算法逻辑和工作流设计都换了一套。这篇就把我这段时间用RELION 5.0的经验整理成一份教程总结，从它的核心原理、安装迁移，到标准单颗粒流程的完整跑法，再到实际运行中遇到的几个坑和解决办法，一次性讲清楚。无论你是正在犹豫要不要升级的老用户，还是打算直接从5.0上手的新手，这篇应该都能帮你省下不少摸索时间。
1. RELION 5.0到底改了什么：为什么这次更新值得关注
先说结论：5.0不是换了界面的小版本迭代，而是把整个数据建模方式重写了。我一开始打开5.0的界面，第一反应是“这怕不是打开错了软件”，但真正跑完一轮流程之后，才意识到这套新逻辑解决了老版本好几个老大难问题。理解这几点，后面操作起来就不会一头雾水。
1.1 从实空间密度图到傅里叶空间连续表征
老版本RELION的核心流程继承自传统单颗粒分析思路：把三维密度图离散成实空间的网格体素，每次迭代通过FFT在实空间和傅里叶空间之间来回切换，计算投影像与实验图像的比对误差。这套思路经过十多年验证，本身没什么毛病，但它有一个绕不开的瓶颈——网格化的表示方式会限制结构变化的表达。柔性区域或者需要连续形变的构象状态，在固定网格上拟合起来非常吃力。
5.0最根本的变化在于：分子结构不再用实空间网格来表示，而是直接表达成傅里叶空间中的连续结构因子。投影计算在傅里叶域里本身就是一条采样线，这一步在数学上天然简洁，省掉了大量正逆变换的开销。说一个我能直接感受到的差异：用4.1版本跑3D精修的时候，柔性区域经常出现“糊成一片”或者出现网格伪影的情况，5.0跑出来的密度图明显更干净，边缘轮廓更锐利。
用一个不那么严谨但容易理解的类比：老版本像用坐标纸上的点阵去描一条曲线，点阵越密越精细，但始终有点状感；5.0直接用一个函数去描述这条曲线，连续性好、细节表现力强，尤其在描述“变化”这件事上有天然优势。
1.2 采样策略：从随机摸索到梯度引导
老版本的3D分类和多构象分析，本质上依赖预设分类数加随机采样的策略。你告诉软件分4类，它就试着把你的一组粒子往4个方向去分，状态之间靠随机扰动慢慢探索。这种做法不是不能用，但它严重依赖你对样品的预判——分类数设多了容易把同一状态拆成碎片，设少了又分不开真正不同的构象。为了找一个合适的分类数，我过去常常要跑好几轮试错。
5.0的采样器引入了梯度信息。每一轮迭代更新参数时，算法会判断“往哪个方向走，后验概率改善最快”，然后优先朝那个方向迈步，同时保留MCMC的随机性来避免掉进局部最优。说人话就是：以前采样是蒙着眼在构象空间里摸，现在带了个指南针，效率自然不一样。
这个改变最直接的价值在于，自动构象分析不再需要你拍脑袋定分类数。软件会根据数据本身的分布特征，自己决定学到多少个状态。我测下来发现它对细微构象差异的感知很敏锐，有些以前靠经验才能发现的小变化，5.0直接就能给出来。
1.3 界面和工作流的重新设计
5.0的GUI换了框架，整体布局和4.x差异很大。所有任务模块都收进左侧导航栏，操作路径比以前短，几步就能从一个模块切到另一个模块。它还内置了几个模板化的工作流，比如完整的单颗粒分析流程和自动多构象分析流程。这点对新用户比较友好，但我的建议是：新手别一上来就直接跑组合工作流，先把运动校正、CTF估计、粒子提取、2D分类这些独立模块分别跑通一遍，搞清楚每一步的输入输出是什么。组合工作流出问题的时候，定位故障步骤会容易很多。
2. 安装与迁移：最容易翻车的几个环节
RELION 5.0的安装方式和4.x总体一致，但依赖项明显变多、版本要求更严格。我这次在新服务器上从零编译了一次，中间踩了几个不大不小的坑，这里把要点整理出来。
2.1 源码编译的依赖选择
我推荐源码编译安装，因为它能针对你的显卡架构做优化，预编译包经常跑不满GPU性能。编译前需要确认这几项：
- 操作系统：Ubuntu 20.04/22.04，或者Rocky Linux 8以上
- 编译器：GCC 9.3以上，推荐GCC 10或11
- CUDA：11.8或12.2以上，显卡驱动必须对应升级
- 依赖库：FFTW3、FLTK 1.3以上、TIFF、libpng、Python 3.8以上、PyTorch 2.0以上
CMake配置里最容易翻车的是CMAKE_CUDA_ARCHITECTURES这个参数。它必须和显卡的计算能力精确匹配，A100是8.0，RTX 3090是8.6，RTX 4090是8.9，H100是9.0。填错了编译过程可能不报错，但运行时会直接提示找不到可用的kernel image。我这次就是一开始没指定，结果编译完一跑就崩，重新编了一遍才解决。
cmake -DCMAKE_INSTALL_PREFIX=/path/to/relion5 \ -DCMAKE_CUDA_ARCHITECTURES=8.6 \ -DCMAKE_BUILD_TYPE=Release .. make -j 16编译时间取决于CPU核心数，通常40到80分钟。建议编译的时候去干点别的，不用一直盯着。
2.2 从旧版本迁移数据的兼容性问题
如果你手上正好有4.0或4.1跑到一半的项目，star文件是可以直接导入5.0继续处理的，基本兼容。但有几个细节需要注意：
- 老版本star文件里某些参数名的拼写和5.0不完全一致，打开时会提示警告，一般不影响计算，但建议先跑一个快速的2D分类任务验证数据链路是否正常。
- 从老版本拿到的实空间密度图作为5.0的初始模型，直接放进去就能用，不需要转格式。不过如果重建图分辨率很低，建议先在RELION里做一次低通滤波，平滑到20到30埃再作为起点。
- box size的影响比我想象中大。老版本提取的粒子若box size偏大（360甚至448），导入5.0后显存占用可能直接翻倍。条件允许的话先用bin2或bin3的数据测试，等流程跑通了再换全分辨率。
2.3 并行调度和GPU绑定
5.0的多进程并行和GPU绑定关系比4.x更敏感。最常见的错误是MPI的多条进程默认把工作都砸到同一块GPU上，导致显存溢出，其他卡闲着。
单卡运行时，我的mpirun参数是这样的：
mpirun -np 2 relion_refine_mpi --o job001/run1 --gpu "0:0""0:0"的意思是第一个MPI进程绑定0号卡，第二个进程也绑定0号卡。多卡环境按顺序写就行，比如"0:1:2:3"对应四张卡。
用SLURM提交任务时还要注意，--gres=gpu:N声明的显卡数量和mpirun的进程数要匹配，否则会出现“GPU not available”的报错。我自己的习惯是先在命令行前台跑一个小任务确认绑定没问题，再丢到队列里跑大规模任务。
3. 标准单颗粒流程在5.0里的完整走法
从导入微图到最后拿到锐化密度图，标准流程在5.0里的整体顺序跟老版本是一样的，但每一步的操作细节都有变化。我把完整走法按顺序拆开讲一遍。
3.1 预处理：运动校正与CTF估计
5.0内置的运动校正模块可以直接处理beam-induced motion，基于patch的方式对大多数数据集的校正效果不输MotionCor2。我用下来感觉内置模块的参数更少、更好调，对新手更友好。当然，如果你习惯在MotionCor2里跑完再导入微图，也完全可以跳过这一步，直接把微图目录导进5.0就行。
CTF估计这块，5.0依然走CTFFIND4或Gctf接口。提醒一个小坑：每次新建处理项目时，“像素大小”和“加速电压”这两个基础参数务必人工核对一遍。它俩错了的话后面所有步骤都会连锁出错，而且错误结果往往看起来还挺合理，很难及时发现。
3.2 粒子挑选与2D分类
5.0自带的Laplacian-of-Gaussian模块适合挑选轮廓比较完整的球形或近球形颗粒。但膜蛋白复合物、纤维状样品这类形状不规则的样本，LoG效果就一般了。我目前的做法还是先用Topaz或CryoLO做一轮初步挑选，再导入RELION 5.0做后续处理。
粒子提取后会先做一轮2D分类，这一步几乎是样品质量的试金石。5.0的2D分类速度比4.x快，但它的默认分类数偏大，50类对于动辄几十万粒子的大数据集没问题，但如果你的粒子总数只有几万，建议把分类数降到20到30类，否则很容易出现大量空类。
分类完成后挑类族的时候，我的标准是：看类平均图有没有清晰二级结构、轮廓是否完整、背景干不干净。这几个条件都满足的类族合起来进下一步。
3.3 初始模型与3D精修
初始模型可以用内置的Initial model模块从头生成，也可以拿已知的PDB模型或者以前算出的低分辨率密度图低通滤波后作为起点。5.0对初始模型的质量要求比4.x宽容一些，只要初始模型的大致形状和真实结构没有方向性错误，后续精修基本能纠正过来。
3D精修模块对应的就是3D auto-refine，核心参数和4.x类似，无非是对称性、像素大小、mask直径这几项。但有一个明显区别：5.0不再要求你手动设置角度采样步长这类细化参数，软件会根据收敛情况自动调整，不需要老手靠在GUI上反复试。如果你是抱着“找回掌控感”的心态来的，可能得花点时间适应这种“新式托管”的节奏。
精修结束后，第一件事是打开FSC曲线看收敛程度。如果FSC在低分辨率区就开始往下掉，多半不是精修参数的问题，而是初始模型或输入粒子本身有问题。
3.4 后处理与分辨率评估
后处理模块包含mask生成、B因子锐化和FSC计算，基本用法和4.x一致。差异在于5.0的mask可视化工具更好用，可以直接在三维切片上实时调整mask的大小和边界。
这里分享一个我踩过几次坑后总结出的经验：mask不要收得太紧。很多刚接触冷冻电镜处理的人以为mask贴着密度边缘做，分辨率数字会好看，但实际上紧mask更容易引入噪声相关性，导致FSC虚高，这个数字自欺欺人没有意义。我的做法是mask边缘离目标密度留出8到12个像素的缓冲，这样算出来的分辨率更真实，后续做原子模型搭建也更稳。
3.5 用5.0的自动多构象分析处理柔性区域
这是5.0最让人兴奋的新功能，也是我迁移到5.0的直接原因。操作上不复杂：准备好一组对齐过的粒子，给一个初始模型，启动多构象分析工作流，设置期望的状态数上限和迭代轮数，就可以跑起来了。
跑完后软件会返回一组不同构象的密度图以及对应的粒子分布比例。需要特别提醒一点：算法给出来的“状态”应该被当作一种数据驱动线索，而不是最终结论。我遇到过算法把一个小loop区域的细微摆动识别成独立状态，把本来连续的构象变化切成了两段这种情况。判断哪个状态真正具备生物学意义，还是得结合结构知识来做，必要时把相似状态的粒子合并后重新精修一轮，效果通常更干净。
4. 实战中真实遇到的问题与处理方式
用了这段时间的RELION 5.0，我积累了四五个比较典型的实战问题，在这分享出来，每一个我都确认过解决办法，可以直接参考。
4.1 显存占用比想象中高，怎么解
我第一次用5.0跑3D精修就遇到显存溢出。对比4.x，同样粒子数和box size，5.0的显存占用高出30%到50%——它的傅里叶空间表征需要缓存大量中间系数，这是新算法为了效率增加的正常开销。解决思路从便宜到贵排序：
- 调小batch size。参数面板里的
mini-batch size默认是128，降到64或者32，显存压力显著下降，收敛速度损失不大。 - 减小box size。从360降到256，分辨率损失不一定看得出，显存释放是实打实的。
- 多卡分担。
--gpu参数把不同进程分散到多张卡上。
实测下来，一张24G显存的RTX 3090，处理box size 256、20万粒子的数据集是没问题的。box size超过320，建议直接上多卡。
4.2 自动构象分析收敛到冗余状态
这是多构象分析里最常遇到的问题：算法输出8个状态，但仔细看里面有三对状态差异极小，可能就一两个loop的摆动幅度不同。根源在于5.0的采样器足够灵敏，能捕捉到极细微的差异，但“差异”不等于“不同构象”，后者需要生物学意义来支撑。
处理方式：先把各状态的中心区域密度图并排看一遍，同时看它们对应的粒子子集比例。如果两个状态占比接近、差异区域集中在某一柔性loop，且其他部分完全一致，就手动把它们合并，再跑新一轮精修。别怕这一步“手动干预”，自动构象分析负责帮你发现潜在状态，而确认状态合理性本来就是人的工作。
4.3 与CryoDRGN等深度学习工具的衔接问题
RELION 5.0的自动构象分析确实强，但它和CryoDRGN擅长的事情不完全一样。CryoDRGN能在连续潜在空间里展示完整的构象变化轨迹，更适合研究构象变化路径；RELION 5.0输出的离散状态密度图，更适合直接进入原子模型搭建和结构分析流程。
目前我个人的处理流程是：先用RELION 5.0跑离散多构象分析，拿到几个高质量状态密度图，再根据具体问题用CryoDRGN看连续过渡区域。两者互补，没有谁替代谁的问题。
4.4 GPU利用率低，怎么定位问题
如果跑任务时发现GPU利用率只有30%到50%，大概率不是算力不够，而是IO瓶颈或者进程绑定问题。我的排查顺序是：
先用nvidia-smi确认GPU实际计算负载，再用mpstat看CPU状态。如果CPU跑满而GPU空闲，黄灯先亮给数据读取路径——把中间文件放在机械硬盘上几乎必然导致这个问题。把输出目录和临时文件挪到SSD或NVMe盘上，GPU利用率可以轻松提升20个百分点以上。
如果CPU负载不高、GPU也不满，问题大概率出在MPI进程和GPU绑定上，按2.3小节的绑定方式重新配置就好。
5. 给准备入坑5.0的同行几句实在话
如果你正打算从老版本迁到RELION 5.0，我的建议是：别把正在进行的重大项目直接一次性切过来，先拿一小批粒子把流程完整跑一遍，确认参数和输出都符合预期，再大规模迁移。我见过不止一个同事急着换新版，结果花了三天找兼容性问题，最后又退回老版本。
还有一个小技巧：每跑完一个关键任务，就在GUI里把参数界面截图或者把参数存成文本记下来。5.0的运行日志会记录参数，但不会记你当时的想法——比如“这一步为什么把分类数设成20而不是30”。我当时踩过这个坑，后面专门建了个实验记录文件，每一轮处理写两三句备注，回看时省了大量时间。
最后说说纯个人的体会：用5.0跑完这一整轮之后，最大的收获其实不是速度变快了多少，而是构象分析这件事终于不那么玄学了。以前靠猜分类数、靠经验判断收敛的日子过去了，算法本身就能给出清晰线索。但反过来说，它对使用者的结构生物学判断力要求更高了——软件能自动找到差异，你能不能判断这些差异意味着什么，才是决定一篇论文质量的关键。工具越智能，人的判读能力越不能丢。
