단일 분자 힘 분광학 (Single-Molecule Force Spectroscopy, SMFS)은 생체 분자 역학에 대한 전례 없는 통찰력을 제공하지만, 고처리량 (high-throughput)으로 생성되는 힘-신장 궤적 (force-extension trajectories)은 심각한 데이터 큐레이션 병목 현상을 야기합니다. 노이즈가 지배적인 수천 개의 곡선 내에서 희귀한 분자 결합 해제 (unbinding) 이벤트를 식별하는 작업은 전통적으로 지루하고 확장 불가능한 수동 감사에 의존해 왔습니다. 본 논문에서는 자동화된 SMFS 선별 (triage) 과정에서의 극심한 클래스 불균형 (class imbalance)을 극복하기 위해 설계된, 시스템 불가지론적 (system-agnostic)이고 해석 가능한 딥러닝 프레임워크를 제시합니다. 1D-to-2D 래스터화된 기하학적 행렬 (rasterized geometric matrices)을 활용하여, 우리는 비대칭적 Focal Loss 목적 함수에 의해 제어되는 수정된 ResNet18 아키텍처를 배치했습니다. 우리는 R. champanellensis 셀룰로좀 (cellulosome)의 복잡한 기계적 언폴딩 (unfolding) 경로를 대상으로 이 프레임워크를 평가했습니다. 타겟 상호작용이 데이터셋의 단 1.34%만을 차지하는 (970개의 궤적 중 13개의 실제 이벤트) 초불균형 테스트 조건 하에서, 모델은 0.9196의 전체 정확도 (accuracy)와 0.9231이라는 놀라운 참 양성률 (True Positive Rate, Recall)을 달성했습니다. 경험적으로 보정된 이중 임계값 (dual-threshold) 선별 시스템을 구현함으로써, 파이프라인은 모호하지 않은 배경 노이즈 궤적 880개를 자동으로 폐기하였으며, 이를 통해 가치 있는 희귀 데이터를 안전하게 보존하면서도 수동 큐레이션 작업량을 90% 이상 줄였습니다. 마지막으로, Gradient-weighted Class Activation Mapping (Grad-CAM)을 통해 네트워크의 결정이 힘 곡선의 관련 기하학적 특징, 특히 구조적 결합 해제 영역에 확고하게 고정되어 있음을 시각적으로 검증함으로써 '블랙박스 (black-box)'에 대한 회의론을 효과적으로 완화했습니다. 무료 클라우드 기반 실행을 위해 구축된 이 오픈 소스 도구는 생물물리학 (biophysics) 커뮤니티 전반에 걸쳐 확장 가능하고 매우 정밀한 분자 발견을 민주화합니다.