清华大学研究团队提出了蛋白质基座模型AMix-1，利用贝叶斯流网络和系统化训练方法，解决了蛋白质设计中的可扩展性和功能优化问题。该模型通过上下文学习和扩展算法，显著提高了蛋白质生成的效率和准确性，为未来的蛋白质设计开辟了新路径。

本研究提出了一种贝叶斯流网络，旨在解决新药设计中生成高属性分布外分子的难题。通过半自回归训练和采样方法，该模型的性能超过了现有最佳模型。

本文通过随机微分方程连接种植扩散模型，改进贝叶斯流网络，提出专用求解器，提高样本质量，速度提高5到20倍。

该论文介绍了贝叶斯流网络（BFNs），一种新的生成模型，通过贝叶斯推理修改一组独立分布的参数，然后将其作为输入传递给神经网络，输出第二个相互依赖的分布。BFNs 在连续数据、离散化数据和离散数据等方面有效，并在图像建模和字符级语言建模任务中实现了有竞争力的对数似然值。