围绕“如何用机器学习刻画蛋白质构象集合”，系统梳理了四条核心路径：多态结构生成、分子动力学加速、无序蛋白建模与实验约束融合，展现出从“结构预测”走向“动态建模”的清晰技术演化方向。

提出 Click Fusion 策略，通过 de novo 设计的刚性融合蛋白稳定 GPCR 的非活化构象，使原本难以解析的 inactive 态结构可被高分辨率 cryo-EM 成功解析，并在多个受体上验证其通用性与可迁移性。

系统解读 Cryo-ET 的技术原理、样本制备、成像物理限制、图像分析与多模态融合路径，讨论其作为“原位结构组学平台”的潜力，同时直面其在通量、自动化与算法层面的核心瓶颈。