Nous avons développé un modèle protéique robuste, AMix-1, basé sur les réseaux de flux bayésiens. Il a été construit grâce à une méthodologie d'apprentissage systématique incluant des lois d'échelle pré-entraînées, une analyse de capacité latente, des mécanismes d'apprentissage contextuel et un algorithme de mise à l'échelle en fonction du temps de test. En établissant des lois d'échelle prédictives pour garantir une évolutivité robuste et en révélant l'émergence progressive d'une compréhension structurale par une perspective de perte, nous avons créé un modèle robuste de 1,7 milliard de paramètres. Nous avons conçu une stratégie d'apprentissage contextuel basée sur des alignements de séquences multiples (MSA) pour intégrer la conception des protéines dans un cadre général. AMix-1 reconnaît les signaux évolutifs profonds entre les MSA et génère systématiquement des protéines structurellement et fonctionnellement cohérentes. Ce cadre a permis la conception de variants d'AmeR présentant une amélioration jusqu'à 50 fois supérieure à celle du type sauvage. De plus, AMix-1 a été amélioré avec un algorithme de mise à l'échelle lors des tests évolutifs pour l'évolution dirigée in silico, offrant des améliorations de performances significatives et évolutives à mesure que les budgets de validation augmentent, jetant les bases de la conception de protéines en laboratoire de nouvelle génération.
