Chúng tôi đã phát triển một mô hình protein mạnh mẽ, AMix-1, dựa trên Mạng Dòng Bayesian. Mô hình này được xây dựng thông qua một phương pháp đào tạo có hệ thống bao gồm các quy luật tỷ lệ được đào tạo trước, phân tích khả năng tiềm ẩn, cơ chế học tập dựa trên ngữ cảnh và thuật toán tỷ lệ thời gian thử nghiệm. Bằng cách thiết lập các quy luật tỷ lệ dự đoán để đảm bảo khả năng mở rộng mạnh mẽ và tiết lộ sự xuất hiện dần dần của hiểu biết về cấu trúc thông qua góc nhìn mất mát, chúng tôi đã tạo ra một mô hình 1,7 tỷ tham số mạnh mẽ. Chúng tôi đã thiết kế một chiến lược học tập dựa trên ngữ cảnh dựa trên nhiều phép căn chỉnh trình tự (MSA) để tích hợp thiết kế protein vào một khuôn khổ chung. AMix-1 nhận ra các tín hiệu tiến hóa sâu sắc giữa các MSA và liên tục tạo ra các protein nhất quán về cấu trúc và chức năng. Khuôn khổ này cho phép thiết kế các biến thể AmeR với sự cải thiện lên đến 50 lần so với kiểu hoang dã. Hơn nữa, AMix-1 đã được cải tiến với một thuật toán tỷ lệ trong quá trình thử nghiệm tiến hóa cho quá trình tiến hóa có hướng in silico, mang lại những cải tiến hiệu suất đáng kể và có khả năng mở rộng khi ngân sách xác thực tăng lên, đặt nền tảng cho thiết kế protein trong phòng thí nghiệm thế hệ tiếp theo.
