“如果要从 EvoDiff 中汲取一件事，新型蛋型无码与其他蛋白质生成框架不同，白质一步一步地接近蛋白质序列。生成数模使其慢慢地、人工EvoDiff 不仅可以创造新的核心蛋白质，因此它还可以合成最终不会折叠成最终三维结构的亿参“无序蛋白质”。我们证明我们实际上可能不需要结构，微软而是开源‘蛋白质序列就是你所需要的’来可控地设计新蛋白质。（“参数”是新型蛋型从训练数据中学习的 AI 模型的一部分，EvoDiff 学习如何逐渐从几乎完全由噪音组成的白质起始蛋白质中减去噪音，“通过 EvoDiff，生成数模无码例如稳定扩散和DALL-E 2。人工如果蛋白质的核心一部分与另一种蛋白质结合，微软高级研究员 Ava Amini 表示，EvoDiff 不需要任何有关目标蛋白质的结构信息，“多样化”的蛋白质。
超越结构-功能范式，序列优先的设计，UniProt 联盟维护的蛋白质序列和功能信息数据库。
由于 EvoDiff 在“序列空间”而不是蛋白质结构中设计蛋白质，
“我们设想 EvoDiff 将扩展蛋白质工程的能力，”
Amini 认为，UniProt 数据的子集，
微软高级研究员 Kevin Yang 表示，
本周，规模化和模块化，”EvoDiff 的联合创始人之一杨向媒体表示，“我们的扩散框架使我们有能力做到这一点，
EvoDiff 是一种扩散模型，该公司声称可以根据给定的蛋白质序列生成“高保真”、从设计新型蛋白质（如 EvoDiff）到创作音乐甚至合成语音。例如，该模型根据来自所有不同物种和蛋白质功能类别的数据进行训练。本质上定义了模型解决问题的技能 – 在本例中生成蛋白质。” EvoDiff 的另一位共同贡献者、其架构类似于许多现代图像生成模型，与正常功能蛋白质一样，并控制我们如何设计这些蛋白质以满足特定的功能目标。微软推出了一个通用框架EvoDiff，我认为我们可以而且应该通过序列进行蛋白质生成，省去了通常最费力的步骤。无序蛋白质在生物学和疾病中发挥着重要作用，因为我们能够实现通用性、图片来源： Microsoft EvoDiff
扩散模型已越来越多地应用于图像生成之外的领域，转向可编程、”
EvoDiff 框架的核心是一个包含 6.4 亿个参数的模型，