🧬 biology

Yeti: A compact protein structure tokenizer for reconstruction and multi-modal generation

यह शोध पत्र यति (Yeti) को प्रस्तुत करता है, जो लुकअप-फ्री क्वांटाइजेशन और फ्लो मैचिंग पर आधारित एक संक्षिप्त और अभिव्यंजक प्रोटीन संरचना टोकेनाइज़र है, जो उच्च पुनर्निर्माण सटीकता और टोकन विविधता प्राप्त करता है, जिससे छोटे मल्टीमॉडल मॉडल को प्रशिक्षित करना सक्षम होता है जो शून्य से ही विश्वसनीय प्रोटीन अनुक्रम और संरचनाएं उत्पन्न कर सकते हैं।

मूल लेखक: Nabin Giri, Steven Farrell, Kristofer E. Bouchard

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nabin Giri, Steven Farrell, Kristofer E. Bouchard

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कंप्यूटर को प्रोटीन को समझने और बनाने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। प्रोटीन हमारे शरीर के भीतर मौजूद सूक्ष्म, जटिल मशीनें हैं जो लगभग सब कुछ करती हैं, जैसे भोजन पचाना या संक्रमण से लड़ना। कंप्यूटर के लिए, एक प्रोटीन मोतियों (अमीनो एसिड) की एक लंबी, टेढ़ी-मेढ़ी डोरी की तरह दिखता है जो एक विशिष्ट 3D आकार में मुड़ती है।

समस्या यह है कि कंप्यूटर आमतौर पर "डिस्क्रीट" (discrete) शब्दों में बात करते हैं (जैसे 0 और 1 या अक्षर), लेकिन प्रोटीन के आकार "कंटीन्यूअस" (continuous) होते हैं (3D स्पेस में चिकने, तैरते हुए निर्देशांक)। यह एक चिकनी, बहती हुई नदी का वर्णन करने की तरह है केवल नुकीले पत्थरों के शब्दकोश का उपयोग करके।

यह शोध पत्र Yeti पेश करता है, जो इस अनुवाद समस्या को हल करने के लिए बनाया गया एक नया उपकरण है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. समस्या: "नदी बनाम पत्थर" की दुविधा

मौजूदा उपकरण प्रोटीन के चिकने आकार को पत्थरों (डिस्क्रीट टोकन) की एक सूची में बदलने की कोशिश करते हैं ताकि कंप्यूटर इसे पढ़ सके। हालाँकि, अधिकांश उपकरण खराब अनुवादकों की तरह हैं: वे एक तैयार नदी को देखने और यह कहने में बहुत अच्छे हैं कि, "यहाँ वे पत्थर हैं जो इस नदी को बनाते हैं," लेकिन वे शून्य से एक नई नदी की कल्पना करने में बहुत खराब हैं। वे बनाने की क्षमता के बजाय नकल करने की सटीकता को प्राथमिकता देते हैं।

2. समाधान: Yeti (मास्टर ट्रांसलेटर)

लेखकों ने Yeti बनाया है (जिसका अर्थ है Yielding Encoded Tokens for Intermodality)। Yeti को एक अत्यधिक कुशल अनुवादक के रूप में सोचें जो प्रोटीन के चिकने 3D आकार को "शब्दों" (टोकन) की एक संक्षिप्त सूची में बदल देता है जिसे कंप्यूटर आसानी से समझ और हेरफेर कर सकता है।

शब्दकोश: Yeti 8,192 अद्वितीय "आकार शब्दों" के एक शब्दकोश का उपयोग करता है।
विधि: आकारों को केवल याद करने के बजाय, Yeti फ्लो मैचिंग (Flow Matching) नामक एक तकनीक का उपयोग करता है। कल्पना कीजिए कि धूल का एक बादल (रैंडम नॉइज़) धीरे-धीरे घूमते हुए और संघनित होते हुए एक पूर्ण स्नोफ्लेक (प्रोटीन) में बदल जाता है। Yeti उस सटीक पथ को सीखता है जिससे धूल एक स्नोफ्लेक बनती है। यह इसे केवल आकारों की नकल करने के ही नहीं, बल्कि नए, तर्कसंगत आकार बनाने में सक्षम बनाता है।

3. Yeti क्यों विशेष है?

शोध पत्र अन्य "अनुवादकों" (जैसे ESM3, DPLM-2, और Kanzi) की तुलना Yeti से करता है और तीन प्रमुख लाभ पाता है:

यह एक संक्षिप्त जीनियस है: Yeti आश्चर्यजनक रूप से छोटा है। यह उन मॉडलों के समान परिणाम प्राप्त करता है जो इसके 10 गुना बड़े हैं। यह एक जेब के आकार के कैलकुलेटर की तरह है जो गणित की समस्याओं को एक कमरे के आकार के सुपरकंप्यूटर की तरह हल करता है।
यह अपने पूरे शब्दकोश का उपयोग करता है: कई अनुवादक आलसी हो जाते हैं और अपने शब्दकोश के कुछ ही शब्दों का बार-बार उपयोग करते हैं। Yeti अपने 8,192 शब्दों के शब्दकोश के लगभग हर शब्द का उपयोग करता है। इसका मतलब है कि इसके पास जटिल आकारों का वर्णन करने के लिए बहुत समृद्ध शब्दावली है।
यह शून्य से निर्माण कर सकता है: लेखकों ने केवल Yeti के शब्दों और अमीनो एसिड अनुक्रमों का उपयोग करके एक नया AI मॉडल प्रशिक्षित किया, जो बिना किसी पूर्व ज्ञान के शुरू हुआ। यह नया मॉडल एक प्रोटीन के अनुक्रम (मोतियों की डोरी) और उसके 3D आकार को एक साथ आविष्कार कर सका। इसने बिना किसी विशाल प्री-ट्रेन्ड मस्तिष्क के यह किया, जो यह साबित करता है कि Yeti के "शब्द" शून्य से एक नया प्रोटीन बनाने के लिए पर्याप्त उच्च-गुणवत्ता वाले हैं।

4. यह कैसे काम करता है (फोल्डिंग डांस)

शोध पत्र ने पीढ़ी (generation) के दौरान Yeti को एक प्रोटीन को कैसे "फोल्ड" करते हुए देखा। यह एक सीधी रेखा नहीं है; यह दो चरणों वाला एक नृत्य है:

द हडल (The Huddle): सबसे पहले, प्रोटीन तेजी से एक सघन गेंद में सिमट जाता है (जैसे लोगों की भीड़ इकट्ठा होना)।
द रिफाइनमेंट (The Refinement): केवल बिल्कुल अंत में ही यह अपने अंतिम, विस्तृत आकार में ढल जाता है (जैसे कि भीड़ अचानक एक विशिष्ट मानव पिरामिड बन जाती है)।

मुख्य निष्कर्ष

Yeti प्रोटीन के आकार को कंप्यूटर की भाषा में बदलने का एक नया, कुशल और अभिव्यंजक तरीका है। यह साबित करता है कि आपको प्रोटीन को समझने के लिए एक विशाल, भारी मॉडल की आवश्यकता नहीं है; आपको बस एक स्मार्ट, संक्षिप्त टोकेनाइज़र की आवश्यकता है जो 3D आकारों की भाषा को धाराप्रवाह बोल सके। यह कंप्यूटरों के लिए ऐसे नए प्रोटीन डिजाइन करने का द्वार खोलता है जो संरचनात्मक रूप से सुदृढ़ और कार्यात्मक रूप से उपयोगी दोनों हों, और यह सब वर्तमान तरीकों की तुलना में कम कंप्यूटिंग पावर का उपयोग करके किया जा सकता है।

तकनीकी सारांश: यति (Yeti) – पुनर्निर्माण और बहु-मोडल पीढ़ी के लिए एक संक्षिप्त प्रोटीन संरचना टोकनाइज़र

1. समस्या विवरण

प्रोटीन अनुक्रमों (sequences), 3D संरचनाओं और कार्यात्मक एनोटेशन को एक एकीकृत बहु-मोडल प्रतिनिधित्व में एकीकृत करना कम्प्यूटेशनल बायोलॉजी को आगे बढ़ाने के लिए महत्वपूर्ण है। हालाँकि, वर्तमान दृष्टिकोणों को तीन प्राथमिक चुनौतियों का सामना करना पड़ता है:

डेटा विषमता (Data Heterogeneity): जैविक डेटा विविध मोडालिटीज़ (बायोफिजिकल बाधाएं, टेक्स्ट, इमेजिंग, वॉल्यूमेट्रिक डेटा) में फैला हुआ है जिनके विशिष्ट सांख्यिकीय गुण होते हैं।
अपूर्णता और शोर (Incompleteness and Noise): वास्तविक दुनिया के डेटासेट अक्सर लुप्त मोडालिटीज़, शोर वाले मापन और संरचना-कार्य स्थान (structure-function space) में असमान कवरेज से ग्रस्त होते हैं।
स्केलेबिलिटी और कपलिंग (Scalability and Coupling): अधिकांश मॉडल एक एकल स्तर या मोडालिटी पर कार्य करते हैं, जिनमें सूचना को विभिन्न स्तरों (परमाणु से कोशिकीय तक) में स्थानांतरित करने या युग्मित प्रक्रियाओं (coupled processes) को संभालने के तंत्र की कमी होती है।

विशेष रूप से, जबकि हालिया जनरेटिव मॉडल प्रोटीन को निरंतर समन्वय स्थानों (जैसे SE(3) डिफ्यूजन) का उपयोग करके 3D ऑब्जेक्ट के रूप में मानते हैं, एक सम्मोहक विकल्प मौजूद है: 3D परमाणु संरचनाओं को डिस्क्रीट टोकन (discrete tokens) के रूप में एनकोड करना। यह भाषा मॉडलों के समान स्केलेबल, मोडालिटी-अज्ञेय (modality-agnostic) प्रशिक्षण की अनुमति देता है। हालाँकि, मौजूदा प्रोटीन संरचना टोकनाइज़र (जैसे ESM3, DPLM-2, Kanzi) अक्सर जनरेटिव क्षमताओं के बजाय पुनर्निर्माण सटीकता (reconstruction accuracy) को प्राथमिकता देते हैं। यहाँ एक मिसअलाइनमेंट है जहाँ उच्च पुनर्निर्माण निष्ठा (fidelity), उच्च गुणवत्ता वाली टोकन विविधता की गारंटी नहीं देती है या अनुक्रम और संरचना के अनकंडीशनल सह-जनन (unconditional co-generation) का समर्थन नहीं करती है। इसके अलावा, कई अत्याधुनिक मॉडल विशाल पैरामीटर गणनाओं या दो-चरणीय प्रशिक्षण प्रतिमानों पर निर्भर करते हैं जहाँ एनकोडर फ्रीज (frozen) होते हैं, जो एंड-टू-एंड अनुकूलन को सीमित कर सकते हैं।

2. कार्यप्रणाली

2.1 आर्किटेक्चर: यति (Yeti)

यति (Yielding Encoded Tokens for Intermodality) एक संक्षिप्त, सिंगल-स्टेज प्रोटीन स्ट्रक्चर टोकनाइज़र है जिसे निरंतर 3D परमाणु निर्देशांकों को डिस्क्रीट टोकन में मैप करने के लिए डिज़ाइन किया गया है।

इनपुट: प्रोटीन संरचनाएं जिन्हें मीन-सेंटर्ड $C_\alpha$ निर्देशांकों ( $x \in \mathbb{R}^{L \times 3}$ ) के रूप में दर्शाया गया है।
एनकोडर: एक ट्रांसफार्मर-आधारित एनकोडर जो रोटरी पोजीशनल एनकोडिंग (RoPE) के साथ मल्टी-हेड अटेंशन का उपयोग करता है, इनपुट को निरंतर लेटेंट एम्बेडिंग्स $Z \in \mathbb{R}^{L \times D}$ में मैप करता है।
क्वांटाइजेशन (Quantization): एम्बेडिंग्स को क्वांटाइजेशन स्पेस में प्रोजेक्ट किया जाता है और एक लुकअप-फ्री क्वांटाइज़र (LFQ) द्वारा प्रोसेस किया जाता है। LFQ स्पेस बाइनरी सब-कोडबुक्स ( $C_i = \{-1, +1\}$ ) का एक कार्टेशियन उत्पाद है। क्वांटाइजेशन एक साइन ऑपरेशन के माध्यम से किया जाता है, जो लुकअप टेबल की आवश्यकता के बिना वेक्टर्स को डिस्क्रीट इंडेक्स में मैप करता है, जिससे शब्दावली का आकार $K = 2^D$ प्राप्त होता है।
डिकोडर: एक स्ट्राइप्ड-हायना (StripedHyena) आर्किटेक्चर (एक हाइब्रिड सिग्नल प्रोसेसिंग मॉडल) डिकोडर के रूप में कार्य करता है। पारंपरिक डिकोडर्स के विपरीत जो SE(3)-इनवेरिएंट घटकों जैसे इनवेरिएंट पॉइंट अटेंशन (IPA) पर निर्भर करते हैं, स्ट्राइप्ड-हायना डिकोडर शोर वाले निर्देशांकों से संरचनाओं को पुनर्गठित करने के लिए एक कंडीशनल वेलोसिटी फील्ड सीखता है।

2.2 प्रशिक्षण उद्देश्य: फ्लो मैचिंग (Flow Matching)

यति को एंड-टू-एंड फ्लो मैचिंग उद्देश्य का उपयोग करके प्रशिक्षित किया गया है, जो एक गॉसियन नॉइज़ वितरण ( $p_0$ ) और लक्षित प्रोटीन संरचना वितरण ( $p_{data}$ ) के बीच इंटरपोलेशन करता है।

लॉस फंक्शन: मॉडल प्रेडिक्टेड कंडीशनल वेलोसिटी फील्ड $v_\theta(x_t, t, c)$ और टारगेट वेक्टर फील्ड ( $x_1 - x_0$ ) के बीच के अंतर को कम करता है, जहाँ $x_1$ क्लीन स्ट्रक्चर है और $x_0$ गॉसियन नॉइज़ है।
एन्ट्रॉपी रेगुलराइजेशन: कोडबुक कोलैप्स को रोकने और उच्च उपयोग सुनिश्चित करने के लिए, लॉस फंक्शन में एक एन्ट्रॉपी पेनल्टी जोड़ी जाती है: $L = L_{FM} + \lambda L_{entropy}$ ।
अनुमान (Inference): अनुमान के दौरान क्लासिफायर-फ्री गाइडेंस (CFG) का उपयोग किया जाता है। प्रशिक्षण के दौरान टोकन एम्बेडिंग्स को बेतरतीब ढंग से ज़ीरो आउट करके, मॉडल दोनों कंडीशनल और अनकंडीशनल वेलोसिटी फील्ड सीखता है, जिससे संरचना सटीकता को परिष्कृत करने के लिए गाइडेड डिकोडिंग संभव होती है।

2.3 बहु-मोडल सह-जनन (Multi-Modal Co-Generation)

यति टोकन की जनरेटिव उपयोगिता को मान्य करने के लिए, लेखकों ने शून्य से एक मास्क्ड डिफ्यूजन मॉडल (MDM) प्रशिक्षित किया। यह मॉडल बिना किसी प्रीट्रेन्ड इनिशियलाइजेशन के (DPLM-2 के विपरीत जो सीक्वेंस मॉडल से वार्म-स्टार्ट करता है, या ESM3 के विपरीत जो कैस्केड पाइपलाइन्स का उपयोग करता है) अमीनो एसिड अनुक्रमों और यति स्ट्रक्चर टोकन को संयुक्त रूप से उत्पन्न करता है।

3. मुख्य योगदान

संक्षिप्त, एंड-टू-एंड टोकनाइज़र: एंड-टू-एंड फ्लो मैचिंग के साथ प्रशिक्षित एक सिंगल-स्टेज टोकनाइज़र 'यति' का परिचय, जो पूर्ववर्ती कार्यों में सामान्य "फ्रीज एनकोडर" प्रतिमान से बचता है।
उच्च कोडबुक उपयोगिता: यति, ESM3 और Kanzi जैसे बड़े मॉडलों की तुलना में बेहतर कोडबुक उपयोगिता और टोकन विविधता प्राप्त करता है, जबकि इसके पैरामीटर्स काफी कम हैं।
पैरामीटर दक्षता: यति केवल 62.5M पैरामीटर्स के साथ प्रतिस्पर्धी पुनर्निर्माण सटीकता प्राप्त करता है, जो ESM3 (648M) से लगभग 10 गुना कम और DPLM-2 (118M) से 2 गुना कम है।
प्रूफ-ऑफ-कॉन्सेप्ट सह-जनन: एक कॉम्पैक्ट मल्टी-मोडल मॉडल को यति टोकन पर स्क्रैच से प्रशिक्षित करने का प्रदर्शन, जो अनकंडीशनल सह-जनन (अनुक्रम और संरचना) में उच्च-गुणवत्ता वाले परिणाम देता है, जो 10 गुना बड़े मॉडलों के बराबर है।
फोल्डिंग डायनेमिक्स का विश्लेषण: फ्लो-मैचिंग डिकोडिंग प्रक्षेपवक्र (trajectory) के दौरान सेकेंडरी स्ट्रक्चर के पदानुक्रमित उद्भव (hierarchical emergence) की पहचान, जो प्रारंभिक वैश्विक संकुचन (global compaction) के बाद "लेट कमिटमेंट" घटना द्वारा विशेषता युक्त है जहाँ ग्लोबल टोपोलॉजी अंतिम चरणों में समेकित होती है।

4. परिणाम

4.1 कोडबुक विश्लेषण

उपयोगिता: 8,192-एंट्री कोडबुक पर, यति उच्च पर्प्लेक्सिटी और एन्ट्रॉपी प्राप्त करता है, जो ESM3 और Kanzi से काफी बेहतर प्रदर्शन करता है। CATH डेटासेट पर, यति अपनी क्षमता का ~66% उपयोग करता है (Perplexity = 5414), और इसकी इंट्रा-स्ट्रक्चर विविधता ( $\bar{U}$ ) 98.8% है, जो मेट्रिक को लगभग संतृप्त करती है और अवशेषों (residues) के लिए अत्यधिक विशिष्ट टोकन असाइनमेंट को दर्शाती है।
तुलना: यति, DPLM-2 के समान LFQ का उपयोग करने के बावजूद, बेहतर कोडबुक उपयोगिता प्राप्त करता है, जिसका श्रेय DPLM-2 के फ्रीज़ एनकोडर दृष्टिकोण के मुकाबले एंड-टू-एंड प्रशिक्षण प्रतिमान को जाता है।

4.2 पुनर्निर्माण सटीकता

मेट्रिक्स: यति CAMEO पर 0.96, CASP14 पर 0.97, और CASP15 एवं CATH पर 0.95 का TM-स्कोर प्राप्त करता है।
दक्षता: हालांकि ESM3 (अपने विशाल पैमाने के कारण) थोड़ा कम RMSD दिखाता है, यति के TM-स्कोर प्रतिस्पर्धी या बेहतर हैं, जो दर्शाता है कि यह सही ग्लोबल टोपोलॉजी को प्रभावी ढंग से रिकवर करता है। यति का फ्लो-आधारित डिकोडर ऐसे सैंपल्स बनाता है जिनमें स्थानीय परमाणु स्थितियों में भिन्नता (जो RMSD को दंडित करती है) होती है लेकिन सुसंगत ग्लोबल टोपोलॉजी होती है, जो मल्टी-कॉन्फ़ॉर्मेशन जनरेशन के लिए फायदेमंद है।

4.3 अनकंडीशनल सह-जनन

प्रदर्शन: 2.6 मिलियन प्रोटीनों पर यति टोकन का उपयोग करके स्क्रैच से प्रशिक्षित 224M-पैरामीटर मॉडल ने 0.70 का सेल्फ-कंसिस्टेंसी TM-स्कोर (scTM) और 76.12 का pLDDT प्राप्त किया।
तुलना: यह प्रदर्शन DPLM-2 (scTM 0.87) के करीब है और ESM3-Open (scTM 0.46) से काफी बेहतर है, जबकि DPLM-2 एक 650M पैरामीटर वाले प्रीट्रेन्ड सीक्वेंस मॉडल पर निर्भर करता है।
डिज़ाइन क्षमता (Designability): ProteinMPNN ने मूल जनरेटेड सीक्वेंस में से 30.6% को सफलतापूर्वक रिकवर किया, जो जनरेटेड पेयर्स की ज्यामितीय स्थिरता और डिज़ाइन क्षमता की पुष्टि करता है।

4.4 फ्लो प्रक्षेपवक्र गतिशीलता (Flow Trajectory Dynamics)

डिकोडिंग प्रक्षेपवक्रम के विश्लेषण ने विशेषताओं के गैर-मोनोटोनिक उद्भव को प्रकट किया:

प्रारंभिक चरण ( $t < 0.6$ ): तीव्र वैश्विक संकुचन (Radius of Gyration में कमी)।
विलंबित चरण ( $t > 0.9$ ): सेकेंडरी स्ट्रक्चर एलिमेंट्स ( $\alpha$ -हेलिस और $\beta$ -शीट्स) का तीव्र एकत्रीकरण और ग्लोबल टोपोलॉजी का समेकन।
यह सुझाव देता है कि टोकनाइज़र प्रभावी रूप से कोर्स-ग्रेन्ड डेंसिटी को हाई-फ्रीक्वेंसी स्ट्रक्चरल डिटेल्स से अलग करता है।

5. महत्व और दावे

पेपर का दावा है कि यति मल्टी-मोडल प्रोटीन मॉडल्स को प्रशिक्षित करने के लिए एक कॉम्पैक्ट और एक्सप्रेसिव फाउंडेशन के रूप में कार्य करता है। इसका प्राथमिक महत्व यह प्रदर्शित करने में है कि:

डिस्क्रीट टोकनाइजेशन जनरेशन के लिए व्यवहार्य है: उच्च-गुणवत्ता वाला, अनकंडीशनल सह-जनन (अनुक्रम और संरचना) बिना विशाल प्रीट्रेनिंग या कैस्केड पाइपलाइन्स के संभव है, बशर्ते कि टोकनाइज़र एक्सप्रेसिव हो और ट्रेनिंग ऑब्जेक्टिव (फ्लो मैचिंग) जनरेटिव लक्ष्यों के साथ संरेखित हो।
स्केल के ऊपर दक्षता: सावधानीपूर्वक डिज़ाइन किया गया, छोटा मॉडल (62.5M पैरामीटर्स) टोकन विविधता और पुनर्निर्माण में बहुत बड़े मॉडलों (600M+) की बराबरी कर सकता है या उनसे बेहतर प्रदर्शन कर सकता है, जो प्रोटीन मॉडलिंग में केवल स्केल ही प्रदर्शन का एकमात्र मार्ग है, इस धारणा को चुनौती देता है।
एकीकृत प्रतिनिधित्व: अमीनो एसिड अनुक्रमों और 3D संरचनाओं के बीच अंतर्निहित कपलिंग को कैप्चर करने वाले एक यूनिवर्सल मॉलिक्यूलर रिप्रेजेंटेशन की क्षमता को सिद्ध करने के लिए, स्क्रैच से जॉइंट सीक्वेंस-स्ट्रक्चर डेटा पर प्रशिक्षण, एक सार्वभौमिक प्रतिनिधित्व की वैधता को प्रमाणित करता है।

लेखक यति को सभी प्रोटीन डिज़ाइन कार्यों के लिए अंतिम समाधान के रूप में नहीं, बल्कि उनके टोकनाइजेशन रणनीति की व्यवहार्यता स्थापित करने वाले एक प्रूफ-ऑफ-कॉन्सेप्ट के रूप में प्रस्तुत करते हैं। वे सिंगल-कॉन्फ़ॉर्मेशन संरचनाओं पर निर्भरता और ला-प्रोटीना (La-Proteina) जैसे विशेष, भारी ट्यून किए गए मॉडलों के प्रदर्शन से मेल खाने के लिए स्केलिंग की आवश्यकता जैसी सीमाओं को स्वीकार करते हैं। हालाँकि, वे दावा करते हैं कि यति भविष्य के मल्टी-मोडल प्रोटीन मॉडल्स के लिए एक स्केलेबल, कुशल और प्रभावी बैकबोन प्रदान करता है जो अत्यधिक प्रशंसनीय अनुक्रमों और संरचनाओं को सह-जेनरेट करने में सक्षम हैं।