Die Entwicklung therapeutischer DNA- und RNA-Sequenzen mit spezifischen Eigenschaften ist aufgrund der immensen Anzahl an Möglichkeiten eine große Herausforderung in der Medizin. KI kann helfen, diesen riesigen Suchraum zu navigieren, aber die effektive Bewertung von Designalgorithmen war schwierig. Um dies zu beheben, stellten Forscher NucleoBench vor, einen standardisierten Benchmark zum Vergleich von Algorithmen zur Nukleinsäure-Design. Dieser Benchmark umfasste über 400.000 Experimente in 16 biologischen Herausforderungen. Durch diese Arbeit entwickelten sie AdaBeam, einen hybriden Designalgorithmus. AdaBeam übertrifft bestehende Methoden bei den meisten Aufgaben und skaliert besser mit großen KI-Modellen. Der typische computergestützte Designprozess umfasst die Datengenerierung, das Modelltraining, die Generierung von Kandidatensequenzen und die Validierung. NucleoBench konzentriert sich auf die Verbesserung des Schritts der Generierung von Kandidatensequenzen. Bestehende Benchmarks verwenden oft ältere Algorithmen, die keine modernen KI-Modellinformationen nutzen. NucleoBench enthält sowohl gradientenfreie als auch gradientenbasierte Algorithmen für einen umfassenden Vergleich. AdaBeam kombiniert effektive Elemente bestehender Algorithmen, um überlegene Leistung und Effizienz zu erzielen. Es zeigt, dass sich die ausschließliche Abhängigkeit von Gradienten nicht immer für Spitzenleistungen als notwendig erweist. Zu den Fortschritten von AdaBeam gehören erhöhte Effizienz, intelligentere Exploration und reduzierter Speicherverbrauch.