要运行可执行程序，需要安装EMAN1.9软件包。若自行编译，除了要安装EMAN 1.9，还要检查g++版本，4.8和5.x版本运行良好，但6.3版本会出现错误。使用流程如下：

1. 两个指数函数拟合功率谱的典型SSNR参数已给出 -- ssnr.txt。前三个参数是对噪声谱的估计，后三个参数是对信号谱的估计。
2. 在预处理二维图像之前，你应该已经取得了一个包含CTF参数的.lst格式的图像文件。然后用我们的优化加权函数对该文件中列出的原始图像进行滤波。具体用法可以通过在程序后输入回车键找到。这个操作将生成过滤后的图像和相关的图像文件，格式为.lst。在输出的.lst文件上运行lstfast.py。
3. 通过使用 "do_global_detection_with_my_weight "程序在过滤后的图像中探测目标蛋白。输入文件是步骤2中的.lst输出文件。参数--阈值由每个数据集决定，你可以在一个图像上以阈值0运行这个程序，根据分数的分布选择一个合适的值作为阈值。常数-kk必须与你在步骤2中使用的相同。
4. 程序的输出呈现出一大组位置和方向，然后我们需要根据它们的平移和旋转来合并相邻的解决方案。
5. 通过执行以下程序将每个 locations_and_orientations_file 从过滤后的图像转换为原始图像。"read_my-output_write_lst.py merged_ locations_and_orientations_file original_ image_file scale_factor output.lst"，如果过滤后的图像没有被重新缩放，缩放系数为1，否则取决于缩放比例。在输出文件上运行lstfast.py。
6. 通过以下操作从原始图像中提取潜在的粒子。"e2proc2d.py output_of_step5 ???.spi --process=xform.centerbyxform -clip=particle_size,particle_size"
7. 用 "convert_to_particle_file.py ???.spi particle_file.lst boxsize 0 "将output_of_step5转换为粒子文件。
8. 将.lst格式的particle_file转换为reison（.star）格式，用于3D分类。"lstfile_2_relion_class3d.py particle_file.lst ???.spi boxsize pixel_value particle.star metadata_line 0"，metadata_line是lstfile中粒子前的行数。
9. 运行non-alignment三维分类。
10. 根据三维分类选择适当的颗粒进行局部自动优化。
11. 如果存在模型偏差效应，你需要做以下操作。首先，通过使用 "relion2lst_dont_write_particles.py refined_data.star -lst refined_data.lst -boxsize boxsize "将relion star文件转换为EMAN lst文件。 其次，计算每个粒子和由局部自动精炼的3D地图生成的投影之间的相位残差。你可以执行jalign或我们自己的程序 "calculate_cc_with_fsc -F FSC_file -a pixel_size -v acceleration voltage -H high_resolution_threshold -L low_resolution_threshold -r 3D_map -i refined_data.lst -f first_image_number -l last_image_number -R mask_radius_in_pixel -u soft_edge -o out.lst -c 0" 。第三，运行 "sort_by_score.py out.lst number_of_particle_to_stay metadata_line scored.lst" 最后，按照步骤8的建议将lst文件转换为relion star文件，并进行局部自动优化。