Concevoir des séquences thérapeutiques d'ADN et d'ARN avec des propriétés spécifiques est un défi majeur en médecine en raison du nombre immense de possibilités. L'IA peut aider à naviguer dans cet vaste espace de recherche, mais l'évaluation efficace des algorithmes de conception s'est avérée difficile. Pour y remédier, des chercheurs ont introduit NucleoBench, un benchmark standardisé pour comparer les algorithmes de conception d'acides nucléiques. Ce benchmark a impliqué plus de 400 000 expériences sur 16 défis biologiques. Grâce à ce travail, ils ont développé AdaBeam, un algorithme de conception hybride. AdaBeam surpasse les méthodes existantes sur la plupart des tâches et s'adapte mieux aux grands modèles d'IA. Le processus de conception computationnelle typique implique la génération de données, l'entraînement du modèle, la génération de séquences candidates et la validation. NucleoBench se concentre sur l'amélioration de l'étape de génération de séquences candidates. Les benchmarks existants utilisent souvent des algorithmes plus anciens qui ne tirent pas parti des informations des modèles d'IA modernes. NucleoBench comprend des algorithmes sans gradient et basés sur les gradients pour une comparaison complète. AdaBeam combine des éléments efficaces des algorithmes existants pour obtenir des performances et une efficacité supérieures. Il démontre que s'appuyer uniquement sur les gradients n'est pas toujours nécessaire pour obtenir les meilleures performances. Les avancées d'AdaBeam incluent une efficacité accrue, une exploration plus intelligente et une utilisation réduite de la mémoire.