物理信息深度学习：溶液中纳米级蛋白动态等离激元传感新范式

蛋白质在水溶液中的二级结构（如α螺旋、β折叠）对其生物功能和相互作用至关重要，尤其在神经退行性疾病和生物材料研发中具有重要意义。然而，传统技术如傅里叶变换红外光谱（FTIR）在水环境中面临挑战，因为水分子强烈吸收红外光，干扰了蛋白质关键信号——酰胺I带的检测。尽管已有表面等离激元增强红外光谱（SEIRA）等技术通过纳米结构增强信号并减少水干扰，但在探测微量蛋白质动态变化时仍难以实现精确量化。

为解决这一难题，研究人员开发了一种基于石墨烯-金（Gr/Au）超构表面的新型传感器，并结合“合成复频率波”（s-CFW）增强的卷积神经网络（CNN），实现了对水溶液中纳米蛋白动态的高精度实时监测。该传感器利用石墨烯与金纳米天线之间的极小间隙（约2纳米），激发高度局域化的混合等离激元（h-GP），将电磁场热点压缩至约13平方纳米，远小于传统方法。这种极端局域化使得吸附其上的蛋白质能有效排开周围的水分子，大幅削弱水的干扰信号。同时，通过调节石墨烯的费米能级，可动态调谐传感器响应，实现对蛋白质振动模式的高灵敏探测。

仅靠硬件提升仍不足以精确量化复杂的二级结构比例。为此，研究团队引入深度学习模型。他们采用迁移学习策略：先用大量模拟的红外光谱数据训练CNN模型，使其掌握蛋白质光谱的基本物理规律；再用少量真实实验数据进行微调，显著降低了对海量标注数据的依赖。为进一步提升模型性能，研究人员创新性地引入“合成复频率波”（s-CFW）技术。该技术通过数学方法虚拟地降低系统损耗，放大原本微弱的光谱特征，特别是重叠的酰胺I带信号，使β折叠、无规卷曲和转角等结构的特征峰更清晰可辨。

最终的“s-CFW-CNN”模型表现出卓越的预测能力。在测试中，其预测二级结构比例的平均相对误差低于0.1，精度是未使用s-CFW的传统CNN模型的两倍以上。该方法成功应用于丝素蛋白（SNF）的组装过程监测，首次实现了在水环境中对组装初期中间体（厚度仅0.8-2.2纳米）的二级结构变化进行原位、实时追踪。结果显示，组装初期β折叠含量迅速升高至70%，随后逐渐下降，而无规卷曲和转角比例上升，完整揭示了从成核到成熟纤维的动态演变过程，结果与已知理论高度一致。

这项工作不仅提供了一种强大的工具来研究蛋白质折叠、聚集等生命过程，还为药物研发、疾病诊断和仿生材料设计提供了新途径。其核心思想——将物理原理融入人工智能模型（即“物理信息AI”），为解决其他复杂科学问题（如拉曼光谱分析、医学成像）中的数据稀缺和噪声干扰挑战提供了重要范式。