Разработка терапевтических последовательностей ДНК и РНК со специфическими свойствами является серьезной проблемой в медицине из-за огромного количества возможностей. ИИ может помочь ориентироваться в этом обширном пространстве поиска, но эффективная оценка алгоритмов проектирования была сложной задачей. Чтобы решить эту проблему, исследователи представили NucleoBench, стандартизированный бенчмарк для сравнения алгоритмов проектирования нуклеиновых кислот. Этот бенчмарк включал более 400 000 экспериментов по 16 биологическим задачам. В ходе этой работы они разработали AdaBeam, гибридный алгоритм проектирования. AdaBeam превосходит существующие методы по большинству задач и лучше масштабируется с большими моделями ИИ. Типичный процесс компьютерного проектирования включает в себя генерацию данных, обучение модели, генерацию последовательностей-кандидатов и валидацию. NucleoBench фокусируется на улучшении этапа генерации последовательностей-кандидатов. Существующие бенчмарки часто используют устаревшие алгоритмы, которые не используют информацию современных моделей ИИ. NucleoBench включает в себя как градиентно-свободные, так и градиентные алгоритмы для всестороннего сравнения. AdaBeam сочетает в себе эффективные элементы существующих алгоритмов для достижения превосходной производительности и эффективности. Он демонстрирует, что полагаться исключительно на градиенты не всегда необходимо для достижения наилучших результатов. Достижения AdaBeam включают в себя повышение эффективности, более разумное исследование и уменьшение использования памяти.