本研究开发了一种基于流动的生成建模方法，用于学习和采样蛋白质的构象空间。通过改进AlphaFold和ESMFold等预测器，获得了名为AlphaFlow和ESMFlow的蛋白质结构的序列有条件的生成模型。该方法在PDB上训练和评估时，在精确性和多样性方面优于具有MSA子采样的AlphaFold。经过全原子MD集合的训练后，该方法能够准确捕捉未知蛋白质的构象灵活性和位置分布。此外，该方法可以使静态PDB结构多样化，并具有更快的收敛时间，展示了其作为基于物理的仿真的替代品的潜力。

结构噪声空间生成对抗网络（SNS-GAN）是一种新的生成建模方法，能有效地将类别标签集成到生成模型中。该方法简化了训练过程并增强了模型的多功能性，通过定性验证和时间序列生成任务的卓越性能证明了其有效性。该研究为GAN在时间序列和图像数据生成等领域的应用开辟了新的道路。

本文提出了一种可扩展的遥感变化数据生成器，通过生成建模方法实现数据生成自动化和降低成本，并展示了该方法的优势。