🧬 biology

Flexible Flows for Biological Sequence Design

यह शोध पत्र फ्लेक्सिबल फ्लोज़ (Flexible Flows) को प्रस्तुत करता है, जो एक डिस्क्रीट फ्लो मैचिंग फ्रेमवर्क है जो संरचित कपलिंग (structured couplings), परिवर्तनशील-लंबाई वाली पीढ़ी के लिए लेटेंट एडिट-आधारित रेट पैरामीट्रिज़ेशन (latent edit-based rate parameterization) और डेंसिटी एस्टीमेशन एवं कंडीशनल सीक्वेंस जनरेशन में अत्याधुनिक प्रदर्शन प्राप्त करने के लिए लेटेंट क्लासिफायर-फ्री गाइडेंस (latent classifier-free guidance) को शामिल करके जैविक अनुक्रम डिजाइन (biological sequence design) को उन्नत करता है।

मूल लेखक: Yogesh Verma, Dani Korpela, Harri Lähdesmäki, Vikas Garg

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yogesh Verma, Dani Korpela, Harri Lähdesmäki, Vikas Garg

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 जैविक व्यंजन (biological dish), जैसे कि कोई प्रोटीन या डीएनए (DNA) का धागा, बनाने के लिए एक नया रेसिपी डिज़ाइन करने की कोशिश कर रहे हैं। इसके सामग्रियां अक्षर हैं (DNA के लिए A, C, G, T; प्रोटीन के लिए 20 अलग-अलग अमीनो एसिड) और "रेसिपी" उन अक्षरों का विशिष्ट क्रम है।

समस्या यह है कि संभावित रेसिपीओं की संख्या खगोलीय रूप से विशाल है, लेकिन उनमें से केवल एक बहुत छोटा हिस्सा ही काम करता है। यदि आप बस यादृच्छिक रूप से (randomly) सामग्रियों को मिलाना शुरू करते हैं, तो आप लगभग निश्चित रूप से कुछ ऐसा बना देंगे जो खाने योग्य नहीं होगा (या जीव विज्ञान के मामले में, गैर-कार्यात्मक होगा)।

यह शोध पत्र इन जैविक रेसिपीों को डिजाइन करने में मदद करने के लिए FlexFlow नामक एक नया टूल पेश करता है। यह कैसे काम करता है, इसे सरल उपमाओं (analogies) का उपयोग करके यहाँ समझाया गया है:

1. पुराना तरीका: आँखों पर पट्टी बँधा हुआ शेफ

इन अनुक्रमों (sequences) को डिजाइन करने के तरीके पहले एक ऐसे शेफ की तरह थे जो आँखों पर पट्टी बाँधकर एक बार में एक सामग्री बदलने के निर्देश पा रहा है। वह टमाटर को आलू से बदल सकता है, लेकिन उसे यह पता नहीं होता कि पूरे व्यंजन के संदर्भ में वह बदलाव सही है या नहीं।

समस्या: ये तरीके अक्सर "असूचित" (uninformed) बदलाव करते हैं। वे हर अक्षर के साथ ऐसा व्यवहार करते हैं जैसे कि उसे किसी भी अन्य अक्षर से बदलना समान रूप से संभव हो, यह नजरअंदाज करते हुए कि प्रकृति में कुछ बदलाव सामान्य हैं (जैसे नींबू को लाइम से बदलना) जबकि अन्य असंभव हैं (जैसे नींबू को ईंट से बदलना)।
परिणाम: वे लंबे, जटिल व्यंजनों या अंतिम व्यंजन के स्वरूप को सटीक रूप से नियंत्रित करने में संघर्ष करते हैं।

2. नया तरीका: FlexFlow (एक स्मार्ट सहायक शेफ)

FlexFlow एक स्मार्ट सहायक शेफ की तरह है जो रसोई के नियमों (जीव विज्ञान) को जानता है और मुख्य शेफ को प्रक्रिया को नेविगेट करने में मदद करता है। यह तीन मुख्य तरकीबों का उपयोग करता है:

तरकीब A: "जैविक मानचित्र" (Structured Coupling)

सामग्रियों के यादृच्छिक ढेर से शुरू करने के बजाय, FlexFlow एक "झुका हुआ" (tilted) मानचित्र लेकर शुरू करता है।

उपमा: कल्पना कीजिए कि आप एक विशाल शहर में एक विशिष्ट घर को खोजने की कोशिश कर रहे हैं। एक यादृच्छिक खोज कठिन है। लेकिन यदि आपके पास एक ऐसा मानचित्र है जो उन मोहल्लों को उजागर करता है जहाँ घर आमतौर पर आपके वांछित घर जैसे दिखते हैं, तो आप अपनी खोज वहीं से शुरू करते हैं।
यह कैसे काम करता है: FlexFlow वास्तविक जैविक डेटा (जैसे कि विकास/evolution के दौरान अमीनो एसिड स्वाभाविक रूप से कैसे बदलते हैं) पर आधारित एक "मानचित्र" का उपयोग करता है। यह डिजाइन प्रक्रिया के शुरुआती बिंदु को उन क्षेत्रों की ओर झुकाता है जो जैविक रूप से तर्कसंगत हैं। यह डिजाइन को मजबूर नहीं करता, बल्कि शुरुआत से ही इसे असंभव संयोजनों से दूर रहने के लिए धीरे से प्रेरित करता है।

तरकीब B: "जादुई इरेज़र और पेन" (Edit-Based Flows)

कभी-कभी, रेसिपी को सही करने के लिए, आपको केवल एक सामग्री बदलने की ही नहीं, बल्कि एक नई सामग्री जोड़ने या एक खराब सामग्री को हटाने की भी आवश्यकता होती है।

उपमा: कल्पना कीजिए कि आप एक कहानी लिख रहे हैं। पुराने तरीके केवल एक शब्द को दूसरे शब्द से बदल सकते थे। FlexFlow एक जादुिका पेन की तरह है जो कहानी के मुख्य विषय को बरकरार रखते हुए एक पूरा नया वाक्य जोड़ सकता है, एक पैराग्राफ हटा सकता है, या एक शब्द को बदल सकता है।
यह कैसे काम करता है: यह FlexFlow को परिवर्तनीय लंबाई (variable lengths) के अनुक्रम बनाने की अनुमति देता है। यह अक्षरों को जोड़कर अनुक्रम को बढ़ा सकता है या उन्हें हटाकर छोटा कर सकता है, जो महत्वपूर्ण है क्योंकि जैविक अनुक्रम हमेशा एक ही आकार के नहीं होते हैं।

तरकीक C: "वॉल्यूम नॉब" (Latent Guidance)

कभी-कभी आप शेफ को कहना चाहते हैं, "इसे थोड़ा तीखा बनाओ" या "इसे थोड़ा मीठा बनाओ।"

उपमा: कल्पना कीजिए कि आप एक रेडियो ट्यून कर रहे हैं। पुराने तरीकों ने हर एकल स्पीकर (अनुक्रम के प्रत्येक अक्षर) के लिए एक अलग वॉल्यूम नॉब घुमाकर वॉल्यूम को नियंत्रित करने की कोशिश की, जिससे अक्सर शोर और स्टेटिक पैदा हुआ। FlexFlow एक छिपे हुए नियंत्रण कक्ष (the "latent space") में एक एकल "मास्टर वॉल्यूम" नॉब को घुमाता है।
यह कैसे काम करता है: इस एकल छिपे हुए नॉब को समायोजित करके, पूरा अनुक्रम सुसंगत रूप से बदल जाता है। यदि आप चाहते हैं कि प्रोटीन किसी विशिष्ट लक्ष्य से जुड़े, तो आप नॉब घुमाते हैं, और पूरी रेसिपी उस लक्ष्य से मेल खाने के लिए एक साथ बदल जाती है, बजाय इसके कि अक्षरों को यादृच्छिक रूप से बदला जाए।

3. "बजट नियंत्रक" (Temperature Scaling)

यह शोध पत्र यह भी बताता है कि शेफ द्वारा रेसिपी में बदलाव करने के तरीके को कैसे नियंत्रित किया जाए।

उपमा: कल्पना कीजिए कि आपके पास बदलावों के लिए एक बजट है। आप शेफ को कह सकते हैं, "इस रेसिपी के लिए, आपको केवल सामग्रियां जोड़ने की अनुमति है, हटाना नहीं," या "आप केवल सामग्रियों को बदल सकते हैं।"
यह कैसे काम करता है: सिस्टम यह तय करने के लिए "तापमान" (temperature) सेटिंग का उपयोग करता है कि अक्षरों को सम्मिलित करना है, हटाना है, या बदलना है। यह शोधकर्ताओं को पूरे सिस्टम को फिर से प्रशिक्षित किए बिना जनरेशन प्रक्रिया पर सूक्ष्म नियंत्रण देता है।

उन्होंने क्या सिद्ध किया?

लेखकों ने तीन कार्यों पर FlexFlow का परीक्षण किया:

DNA डिज़ाइन: ऐसे DNA अनुक्रम बनाना जो "एन्हांसर" (जीन को चालू करने वाले स्विच) या "प्रमोटर" (जीन को शुरू करने वाले बटन) के रूप में कार्य करते हैं। FlexFlow ने पिछले तरीकों की तुलना में बेहतर, अधिक वास्तविक DNA बनाया।
पेप्टाइड डिज़ाइन: विशिष्ट प्रतिरक्षा प्रणाली के अणुओं (MHC) से चिपकने वाले छोटे प्रोटीन श्रृंखलाओं (पेप्टाइड्स) को बनाना। यह एक ऐसी चाबी बनाने जैसा है जो एक विशिष्ट ताले में फिट बैठती है। FlexFlow ने ऐसे 'कीज़' बनाए जो अन्य उपकरणों द्वारा बनाए गए कीज़ की तुलना में बहुत बेहतर फिट बैठते हैं।
खिलौना समस्याएँ (Toy Problems): उन्होंने जटिल आकृतियों और संरचनाओं को समझने के लिए सरल गणितीय पैटर्न (जैसे स्पाइरल और चेकरबोर्ड) पर इसका परीक्षण किया।

निष्कर्ष (The Bottom Line)

FlexFlow जैविक अनुक्रमों को डिजाइन करने का एक नया, स्मार्ट तरीका है। यादृच्छिक अनुमान लगाने के बजाय, यह जैविक नियमों के मानचित्र, अनुक्रम के हिस्सों को जोड़ने या हटाने की क्षमता, और डिजाइन को विशिष्ट लक्ष्यों की ओर ले जाने के लिए एक एकल "मास्टर कंट्रोल" का उपयोग करता है। परिणाम यह है कि यह वर्तमान अत्याधुनिक (state-of-the-art) तरीकों की तुलना में अधिक सटीक और कार्यात्मक जैविक अनुक्रम बनाता है।

तकनीकी सारांश: जैविक अनुक्रम डिजाइन के लिए फ्लेक्सिबल फ्लो (FlexFlow)

समस्या विवरण

कार्यात्मक जैविक अनुक्रमों (DNA, RNA, प्रोटीन, पेप्टाइड) को डिजाइन करने के लिए सख्त विकासवादी और बायोफिजिकल बाधाओं के तहत विशाल, असतत कॉम्बिनेटोरियल स्पेस (combinatorial spaces) में नेविगेट करने की आवश्यकता होती है। जबकि ऑटोरेग्रेसिव मॉडल (जैसे ProtGPT2, ESM-2) ने व्यवहार्यता प्रदर्शित की है, वे संचयी त्रुटियों (compounding errors), धीमी क्रमिक सैंपलिंग (sequential sampling), और सीमित वैश्विक सुसंगतता (global coherence) से ग्रस्त हैं, विशेष रूप से लंबे या संरचनात्मक रूप से जटिल अनुक्रमों के लिए।

वैकल्पिक जनरेटिव फ्रेमवर्क, जैसे कि डिस्क्रीट डिफ्यूजन (Discrete Diffusion) और डिस्क्रीट फ्लो मैचिंग (Discrete Flow Matching - DFM), तेज़, गैर-ऑटोरेग्रेसिव सैंपलिंग प्रदान करते हैं। हालांकि, जैविक अनुप्रयोगों के लिए मौजूदा डिस्क्रीट विधियां तीन महत्वपूर्ण सीमाओं का सामना करती हैं:

सीमित लचीलापन: वे परिवर्तनशील-लंबाई वाले अनुक्रम पीढ़ी (variable-length sequence generation) में संघर्ष करती हैं और पीढ़ी की प्रक्रिया पर सूक्ष्म नियंत्रण की कमी रखती हैं।
असूचनात्मक कपलिंग (Uninformative Couplings): वे यूनिफॉर्म या मास्क किए गए कपलिंग पर निर्भर करती हैं जो जैविक अनुक्रम तत्वों के बीच संरचित, डोमेन-विशिष्ट संबंधों (जैसे विकासवादी प्रतिस्थापन पूर्वाग्रह/evolutionary substitution biases) की अनदेखी करती हैं।
असंगत मार्गदर्शन (Incoherent Guidance): विशिष्ट कार्यात्मक गुणों की ओर पीढ़ी को निर्देशित करना अक्सर स्वतंत्र, टोकन-वार समायोजन पर निर्भर करता है जो जटिल नियामक या बाइंडिंग मोटिफ्स के लिए आवश्यक वैश्विक निर्भरताओं को पकड़ने में विफल रहता है।

कार्यप्रणाली: FlexFlow

लेखक FlexFlow का प्रस्ताव करते हैं, जो एक डिस्क्रीट फ्लो मैचिंग फ्रेमवर्क है जिसे इन सीमाओं को दूर करने के लिए तीन मुख्य वास्तुशिल्प नवाचारों के माध्यम से डिज़ाइन किया गया है:

1. संरचित फॉरवर्ड प्रक्रिया (Structured Coupling)

एक गैर-सूचनात्मक बेसलाइन के बजाय, FlexFlow एक स्ट्रक्चरल इंडक्टिव बायस (structural inductive-bias) लागू करने के लिए सोर्स डिस्ट्रीब्यूशन को "टिल्ट" (tilt) करता है।

तंत्र: यह विधि मानक यूनिफॉर्म कपलिंग के स्थान पर एक स्ट्रक्चर्ड कपलिंग $\pi(\tilde{x}_0, x_1, K_\gamma)$ का उपयोग करती है। इसे एक ट्रांजिशन कर्नेल $K_\gamma$ द्वारा परिभाषित किया गया है जो डोमेन-विशिष्ट प्रतिस्थापन प्राथमिकताओं (जैसे प्रोटीनों के लिए BLOSUM62, DNA/RNA के लिए JC69/HKY85) को एनकोड करता है।
प्रभाव: सोर्स डिस्ट्रीब्यूशन को पूर्ण सिम्प्लेक्स के बजाय जैविक रूप से प्रशंसनीय प्रतिस्थापन पड़ोस (substitution neighborhoods) की ओर झुकाया जाता है। यह फ्लो ऑब्जेक्टिव या प्रशिक्षण प्रक्रिया को बदले बिना पीढ़ी के पथ को पसंदीदा कार्यात्मक क्षेत्रों की ओर निर्देशित करता है। यह कपलिंग केवल कर्नेल $K_\gamma$ को बदलकर अनुक्रम वर्गीकरणों (sequence taxonomies) में सामान्यीकृत हो जाती है।

2. लेटेंट एडिट-आधारित रेट पैरामीट्राइजेशन (Latent Edit-based Rate Parameterization)

परिवर्तनशील-लंबाई वाली पीढ़ी का समर्थन करने के लिए, मॉडल एक साझा वैश्विक लेटेंट वेरिएबल (global latent variable) पर आधारित होकर रिवर्स फ्लो रेट्स को एडिट ऑपरेशन्स (इंसर्शन, डिलीशन, सब्स्टिट्यूशन) के माध्यम से पैरामीटराइज करता है।

पदानुक्रमित पैरामीट्राइजेशन (Hierarchical Parameterization): एक नॉइजी अनुक्रम $x_t$ के लिए, एक एनकोडर $\Psi(x_t)$ के माध्यम से एक वैश्विक लेटेंट कॉन्टेक्स्ट $r$ निकाला जाता है। यह लेटेंट $r$ प्रत्येक स्थिति पर एडिट ऑपरेशन्स के कैटेगोरिकल डिस्ट्रीब्यूशन $p_\Phi(op_i | x_i^t, r)$ को कंडिशन करता है।
व्यवहार्यता (Tractability): यह पदानुक्रमित दृष्टिकोण साझा लेटेंट $r$ के माध्यम से टोकन-स्तर के ऑपरेशन्स के बीच कपलिंग प्रेरित करता है, जबकि प्रत्येक स्थिति के बीच कंडीशनल इंडिपेंडेंस बनाए रखता है, जिससे मॉडल व्यवहार्य बना रहता है।
टेस्ट-टाइम कंट्रोल (Dirichlet Priors): ऑपरेशन प्रोबेबिलिटीज को पोजीशन-डिपेंडेंट टेम्परेचर पैरामीटर्स $\beta_i$ का उपयोग करके रीस्केल किया जाता है, जिन्हें डिरिचलेट प्रायर (Dirichlet prior) के माध्यम से मॉडल किया जाता है। यह अनुमान (inference) के दौरान इंसर्शन, सब्स्टिट्यूशन और डिलीशन के सापेक्ष दरों पर पोस्ट-हॉक नियंत्रण (जैसे कि एडिट ऑपरेशन्स के लिए "बजट कंट्रोलर" के रूप में कार्य करना) की अनुमति देता है, बिना पुन: प्रशिक्षण के।

3. लेटेंट क्लासिफायर-फ्री गाइडेंस (Latent Classifier-Free Guidance)

लेखक एक नया मार्गदर्शन तंत्र पेश करते हैं जो पूरी तरह से निरंतर लेटेंट स्पेस के भीतर काम करता है, जो मानक रेट-स्पेस गाइडेंस के विपरीत है।

तंत्र: प्रशिक्षण के दौरान, एनकोडर $\Psi$ को एक कंडीशनल लेटेंट $r_c$ (कंडीशन $c$ के दिए जाने पर) और एक अनकंडीशनल लेटेंट $r_\emptyset$ दोनों की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है। टेस्ट टाइम पर, गाइडेड लेटेंट की गणना $r_{LG} = r_\emptyset + w(r_c - r_\emptyset)$ के रूप में की जाती है।
लाभ: यह दृष्टिकोण सुनिश्चित करता है कि वैश्विक संरचनात्मक सुसंगतता बनी रहे क्योंकि गाइडेंस सिग्नल साझा लेटेंट $r$ के माध्यम से सभी प्रति-टोकन ऑपरेशन्स तक एक साथ फैलता है। यह टोकन-वार गाइडेंस की असंगतता से बचता है और रचना के आधार पर दरों की गैर-ऋणात्मकता (non-negativity) को सुरक्षित रखता है।
सैद्धांतिक आधार: लेखक सिद्ध करते हैं कि यह लेटेंट इंटरपोलेशन लेटेंट स्पेस में एक इंप्लिसिट क्लासिफायर के लॉग-लाइक्लीहुड पर ग्रेडिएंट एसेंट स्टेप के अनुरूप है।

मुख्य योगदान

स्ट्रक्चर्ड कपलिंग: एक जैविक रूप से सूचित प्रायर का परिचय जो यूनिफॉर्म कपलिंग को बदलकर पीढ़ी के पथ को कार्यात्मक पड़ोस की ओर मोड़ता है।
लेटेंट एडिट-आधारित रेट्स: एक साझा वैश्विक लेटेंट और डिरिचलेट-प्रायर टेम्परेचर स्केलिंग के माध्यम से परिवर्तनशील-लंबाई वाली पीढ़ी और नियंत्रणीय एडिट ऑपरेशन्स को सक्षम करने वाला पैरामीट्राइजेशन।
लेटेंट गाइडेंस: वैश्विक सुसंगतता सुनिश्चित करने के लिए निरंतर लेटेंट स्पेस में काम करने वाला एक गाइडेंस स्कीम, जिसे रेट-स्पेस क्लासिफायर-फ्री गाइडेंस के विकल्प के रूप में प्रस्तुत किया गया है।
नया बेंचमार्क: MHC-कंडीशन्ड पेप्टाइड अनुक्रमों को उत्पन्न करने और मूल्यांकन करने के लिए पेप्टाइड-MHC II बेंचमार्क का परिचय।
अनुभवजन्य सत्यापन (Empirical Validation): डेंसिटी एस्टीमेशन, अनकंडीशनल/कंडीशनल DNA जेनरेशन, और पेप्टाइड जेनरेशन में स्टेट-ऑफ-द-आर्ट प्रदर्शन का प्रदर्शन।

प्रयोगात्मक परिणाम

लेखकों ने विविध कार्यों पर FlexFlow का मूल्यांकन किया, जिसमें डिफ्यूजन और फ्लो बेसलाइन्स (जैसे Bit Diffusion, Dirichlet FM, Fisher FM, Gumbel-Softmax FM) के विरुद्ध तुलना की गई।

टॉय डेटासेट्स: 1D और 2D डिस्क्रीट पैटर्न (Sine-wave, Spiral, Rings, Checkerboard) पर, FlexFlow ने सबसे कम वासरस्टीन डिस्टेंस ( $W_2$ ) प्राप्त किया, जिससे टोपोलॉजिकल फीचर्स का सटीक पुनर्निर्माण हुआ।
अनकंडीशनल DNA डिजाइन (Enhancers): फ्लाई ब्रेन और ह्यूमन मेलानोमा एन्हांसर डेटासेट्स पर मूल्यांकन। FlexFlow ने सबसे कम फ्रेचेट बायोलॉजिकल डिस्टेंस (FBD) (मेलानोमा के लिए 3.4, फ्लाई ब्रेन के लिए 4.2) प्राप्त किया, जो Dirichlet FM और Fisher FM से बेहतर रहा।
कंडीशनल DNA डिजाइन (Promoters): एक ट्रांसक्रिप्शन प्रोफाइल को देखते हुए, मॉडल प्रमोटर अनुक्रमों को उत्पन्न करता है। लेटेंट गाइडेंस के साथ FlexFlow ने 0.022 का न्यूनतम मीन स्क्वेर्ड एरर (MSE) प्राप्त किया, जो Dirichlet FM (0.026) और DDSM (0.033) से बेहतर है।
पेप्टाइड-MHC II जेनरेशन: नए पेप्टाइड-MHC II बेंचमार्क पर, लेटेंट गाइडेंस के साथ FlexFlow ने 0.66 का DeepMHCII डिस्क्रिमिनेटर स्कोर (बनाम Dirichlet FM के 0.21) और 0.84 का फ्रेचेट प्रोटीन डिस्टेंस (FPD) प्राप्त किया। परिणाम दर्शाते हैं कि लेटेंट गाइडेंस बाइंडिंग प्लाउसिबिलिटी (binding plausibility) को प्राथमिकता देता है, जबकि रेट गाइडेंस वितरण कवरेज (distributional coverage) को प्राथमिकता देने वाला एक अलग ट्रेड-ऑफ प्रदान करता है।
दक्षता (Efficiency): अनुमान गति बेसलाइन्स के समान थी (लगभग 100 स्टेप्स में 500-लंबाई वाले DNA अनुक्रमों के लिए 4.0 सेकंड)।

महत्व और दावे

यह पेपर दावा करता है कि FlexFlow जैविक डोमेन ज्ञान को सीधे फ्लो मैचिंग फ्रेमवर्क में एकीकृत करके मौजूदा डिस्क्रीट जनरेटिव विधियों की प्रमुख सीमाओं को संबोधित करता है। स्ट्रक्चर्ड कपलिंग का उपयोग करके, यह विधि प्रशिक्षण ऑब्जेक्टिव को बदले बिना पीढ़ी को प्रशंसनीय जैविक क्षेत्रों की ओर मोड़ती है। इनका लेटेंट एडिट-आधारित पैरामीट्राइजेशन और लेटेंट गाइडेंस स्कीम परिवर्तनशील-लंबाई वाली पीढ़ी और सुसंगत, सूक्ष्म नियंत्रण के लिए एक तंत्र प्रदान करता है जिसकी पिछली विधियों में कमी थी।

लेखक FlexFlow को एक मजबूत फ्रेमवर्क के रूप में स्थापित करते हैं जो अनकंडीशनल और कंडीशनल दोनों सेटिंग्स में मजबूत डिफ्यूजन और फ्लो-मैचिंग बेसलाइन्स से बेहतर प्रदर्शन करता है। वे उल्लेख करते हैं कि भविष्य का कार्य कम सैंपलिंग स्टेप्स में उच्च-गुणवत्ता वाली अनुक्रम पीढ़ी को सक्षम करने के लिए डिस्टिलेशन-आधारित प्रशिक्षण उद्देश्यों को अनुकूलित करने पर केंद्रित होगा। यह कार्य एक प्रीप्रिंट के रूप में प्रस्तुत किया गया है, जहाँ लेखक संबंधित AI इन बायोडिज़ाइन प्रोजेक्ट्स के लिए रिसर्च काउंसिल ऑफ फिनलैंड और अन्य फाउंडेशन्स के समर्थन को स्वीकार करते हैं।