فراتر از توالی‌های طبیعی
عملکرد یک پروتئین توسط ساختار آن تعیین می‌شود و این ساختار – نحوه تا شدن پروتئین – توسط توالی اسیدهای آمینه، بلوک‌های سازنده پروتئین‌ها، مشخص می‌گردد. بسیاری از روش‌های طراحی پروتئین‌های جدید، از جمله مواردی که می‌توانند به مولکول‌های بیماری‌زا در سلول‌های ما متصل شوند، شامل یک فرآیند دو مرحله‌ای هستند: ابتدا ساختار تعیین می‌شود و سپس یک چارچوب یادگیری ماشین مجموعه‌ای از توالی‌هایی را تولید می‌کند که به طور بالقوه می‌توانند آن ساختار را بپذیرند. در طبیعت، بسیاری از توالی‌های مختلف اسید آمینه می‌توانند به یک ساختار واحد تا شوند. در عین حال، یک توالی اسید آمینه می‌تواند بسته به انعطاف‌پذیری پروتئین یا محرک عملکردی، ساختارهای متفاوتی را بپذیرد. بنابراین، هنگامی که محققان از هوش مصنوعی برای طراحی پروتئین‌های جدید استفاده می‌کنند، چالش این است که هوش مصنوعی را هدایت کنند تا "بیند" که پاسخ‌های مفیدی زیادی وجود دارد - توالی‌های بسیاری می‌توانند یک چین خوردگی مشابه داشته باشند. «سال‌هاست که حوزه علم موفقیت را با این سوال اندازه‌گیری می‌کند که آیا یک مدل می‌تواند توالی پروتئینی را که تکامل به طور تصادفی انتخاب کرده است، بازتولید کند یا خیر – کار ما نشان می‌دهد که این بهترین معیار برای طراحی پروتئین نیست»، می‌گوید ایمی ای. کیتینگ، رئیس بخش زیست‌شناسی، استاد بیولوژی جی.ای. اشتاین (1968)، استاد مهندسی زیستی و نویسنده ارشد مقاله‌ای که اخیراً در PNAS منتشر شده است. PottsMPNN، یک چارچوب یادگیری ماشین جدید که در بخش زیست‌شناسی توسعه یافته است، اصول فیزیکی حاکم بر ساختار پروتئین را در خود جای می‌دهد.