东京理科大学、名古屋大学与奈良先端科学技术大学院大学等研究团队，开发出可从高速原子力显微镜（HS-AFM）影像推定蛋白质结构状态的新型影像解析方法「DeepAFM」。DeepAFM 结合分子动力学仿真产生的大量人工 AFM 影像与深度学习，即使面对含有杂讯、模糊与失真的显微镜影像，也能同时进行杂讯去除与蛋白质状态分类。许多蛋白质在发挥功能时会伴随开合等构造变化，HS-AFM 能以单分子尺度即时观察这些运动，但因水平分辨率有限且影像容易受杂讯与扫描时间差影响，精确判读结构状态一直是难题。本研究先以分子动力学仿真取得蛋白质的多样立体构造，再生成带有开放、中间、闭合等状态标签的大量人工 AFM 影像，并在影像生成过程中加入平移、旋转与像素测量异步性等因素，以更贴近实验影像。研究团队将 DeepAFM 应用于会通过开合运动进行物质输送的膜蛋白复合体 HS-AFM 影像，结果显示模型能有效降低杂讯，并主要聚焦于与蛋白质重要运动相关的区域来分类结构状态，推定该蛋白质的主要状态为大幅开放构造。此结果与其他独立实验并不矛盾，也显示 DeepAFM 相较传统刚体拟合方法更不易受杂讯影响。研究团队表示，这项方法可望应用于多种生物分子系统，并通过迁移学习发展成更高效率的解析技术，协助生命科学进一步理解分子运动。本研究成果已于 2026 年 4 月 27 日刊登于《Journal of Chemical Information and Modeling》，论文题为「Estimating Protein Conformational States from High-Speed AFM Images with Molecular Dynamics and Deep Learning」，DOI：10.1021/acs.jcim.6c00142。