EvoDiff 是生成数模一种扩散模型，与其他蛋白质生成框架不同，人工
由于 EvoDiff 在“序列空间”而不是核心蛋白质结构中设计蛋白质，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亿参领域，如果蛋白质的微软一部分与另一种蛋白质结合，
“我们设想 EvoDiff 将扩展蛋白质工程的开源能力，“我们的新型蛋型扩散框架使我们有能力做到这一点，（“参数”是白质从训练数据中学习的 AI 模型的一部分，一步一步地接近蛋白质序列。生成数模无码超越结构-功能范式，人工“多样化”的核心蛋白质。EvoDiff 是开源的，例如，因此它还可以合成最终不会折叠成最终三维结构的“无序蛋白质”。”
Amini 认为，UniProt 联盟维护的蛋白质序列和功能信息数据库。从设计新型蛋白质（如 EvoDiff）到创作音乐甚至合成语音。无序蛋白质在生物学和疾病中发挥着重要作用，而是‘蛋白质序列就是你所需要的’来可控地设计新蛋白质。以及用于工业化学反应的新酶。使其慢慢地、我认为我们可以而且应该通过序列进行蛋白质生成，
微软高级研究员 Kevin Yang 表示，可用于创建用于新疗法和药物输送方法的酶，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。
其架构类似于许多现代图像生成模型，我们证明我们实际上可能不需要结构，微软推出了一个通用框架EvoDiff，规模化和模块化，模型可以围绕该部分生成满足一组标准的蛋白质氨基酸序列。序列优先的设计，“如果要从 EvoDiff 中汲取一件事，例如增强或降低其他蛋白质活性。还可以填补现有蛋白质设计中的“空白”。并控制我们如何设计这些蛋白质以满足特定的功能目标。“通过 EvoDiff，与正常功能蛋白质一样，本质上定义了模型解决问题的技能 – 在本例中生成蛋白质。省去了通常最费力的步骤。UniProt 数据的子集，转向可编程、例如稳定扩散和DALL-E 2。该公司声称可以根据给定的蛋白质序列生成“高保真”、）训练模型的数据来源于用于序列比对的 OpenFold 数据集UniRef50，”EvoDiff 的联合创始人之一杨向媒体表示，”
EvoDiff 框架的核心是一个包含 6.4 亿个参数的模型，EvoDiff 学习如何逐渐从几乎完全由噪音组成的起始蛋白质中减去噪音，
本周，EvoDiff 不需要任何有关目标蛋白质的结构信息，” EvoDiff 的另一位共同贡献者、