东京理科大学理学部化学系的森高治副教授团队成功开发出一种名为 DeepAFM 的深度学习新方法，能够以 93.4% 的准确率从含有噪声的高速原子力显微镜（HS-AFM）图像中解码蛋白质的运动状态。蛋白质在生命系统中并非静止，而是不断改变形状并与其他分子相互作用，因此解析其动态过程至关重要。然而，传统的 HS-AFM 成像因逐行扫描和背景噪声，常导致图像失真，使得难以准确判断蛋白质在特定时刻的精确形态。森副教授指出，现有方法易受噪声干扰产生过拟合，捕捉到的是虚假细节而非真实结构。 DeepAFM 通过分子动力学模拟生成了涵盖多种蛋白质形态的合成数据集，其中既包含理想无噪图像，也融入了背景噪声、扫描畸变及布朗运动等实验效应。团队以可切换闭合与完全张开状态的 SecA 蛋白为训练对象，利用数百万张合成图像训练模型，使其具备去除噪声并识别底层蛋白质构象的能力。测试结果显示，DeepAFM 不仅能将图像误差降至 0.1 纳米左右，还能在 19 种可能的构象中准确识别蛋白质状态，准确率达到 93.4%。在应用于真实实验数据时，AI 推断的蛋白质构象状态与独立测量结果一致，验证了其实际应用价值。 该研究已发表于《化学信息与建模》杂志。团队成员包括东京理科大学的佐藤胜树、名古屋大学的内桥贵之和金野佑以及奈良先端科学技术大学院大学的塚﨑智也。此外，团队还展示了利用迁移学习将该方法扩展至其他蛋白质系统的潜力，使其有望成为研究广泛生物分子的通用工具。这项工作也是为下一代计算平台（如理化学研究所与富士通、英伟达合作开发的 Fugaku NEXT）所做的 AI 驱动研究准备的重要一步。