🤖 machine learning

SinAE: A Single-Architecture Flow-Matching Autoencoder for Cross-Domain Atomic Systems

SinAE एक एकल-आर्किटेक्चर, डोमेन-अज्ञेय (domain-agnostic) फ्लो-मैचिंग ऑटोएन्कोडर पेश करता है जो एक वैनिला ट्रांसफॉर्मर और पुनरावृत्ति फ्लो-मैचिंग डिकोडर का लाभ उठाकर अणुओं, क्रिस्टल और प्रोटीन के जनरेटिव मॉडलिंग को एकीकृत करता है ताकि लगभग हानि-रहित पुनर्निर्माण प्राप्त किया जा सके और एक साझा परमाणु लेटेंट स्पेस के माध्यम से प्रभावी क्रॉस-डोमेन ट्रांसफर प्रदर्शित किया जा सके।

मूल लेखक: Yuxuan Ren, Fan Yang, Jianhua Yao, Yatao Bian

प्रकाशित 2026-07-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuxuan Ren, Fan Yang, Jianhua Yao, Yatao Bian

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

3D परमाणु संरचनाओं की दुनिया की कल्पना करें—वे सूक्ष्म निर्माण खंड जो आपकी दवा की अलमारी में रखी एस्पिरिन से लेकर गगनचुंबी इमारतों में इस्तेमाल होने वाले स्टील और आपकी कोशिकाओं को चलाने वाले प्रोटीन तक, सब कुछ बनाते हैं। लंबे समय तक, वैज्ञानिकों ने इन तीनों समूहों के साथ ऐसा व्यवहार किया जैसे वे पूरी तरह से अलग ब्रह्मांडों में रहते हों। उन्होंने प्रत्येक के लिए अलग "कारखाने" (कंप्यूटर मॉडल) बनाए थे: एक कारखाना जिसमें अणुओं के लिए विशेष गियर थे, दूसरा जिसमें क्रिस्टल के लिए अलग नियम थे, और तीसरा जो प्रोटीन के लिए एक अनूठी भाषा का उपयोग करता था। यह अव्यवந்த, अक्षम था और ऐसा था जैसे केवल "नमस्ते" कहने के लिए भी तीन अलग-अलग भाषाएं सीखना पड़े।

यहाँ SinAE का प्रवेश होता है, जो नेशनल यूनिवर्सिटी ऑफ सिंगापुर और टेनसेंट के शोधकर्ताओं द्वारा बनाया गया एक नया आविष्कार है। SinAE को तीन अलग-अलग कारखानों के रूप में नहीं, बल्कि एक सार्वभौमिक अनुवादक और मूर्तिकार (universal translator and sculptor) के रूप में सोचें जो इन तीनों के लिए एक ही भाषा बोलता है।

बड़ा विचार: एक आर्किटेक्चर जो सब पर राज करे

इस शोध पत्र का मुख्य निष्कर्ष यह है कि परमाणुओं को समझने के लिए आपको विशेष, जटिल मशीनरी की आवश्यकता नहीं है। SinAE एक "वैनिला" (साधारण और सरल) ट्रांसफार्मर आर्किटेक्चर का उपयोग करता है—वही प्रकार की दिमागी शक्ति जिसका उपयोग कई आधुनिक AI चैटबॉट्स में किया जाता है—लेकिन इसे 3D स्पेस में परमाणुओं पर लागू करता है। यह अणुओं, क्रिस्टल और प्रोटीन को टोकन (जैसे वाक्य में शब्द) की एक सूची के रूप में मानता है और उन्हें बिल्कुल एक ही कोड के साथ प्रोसेस करता है।

यह शोध पत्र स्पष्ट रूप से इस विचार के खिलाफ तर्क देता है कि अच्छे परिणाम प्राप्त करने के लिए आपको "इक्विवैरिएंट" (equivariant) नेटवर्क (जो रोटेशन को संभालने के गणितीय तरीके हैं) या ग्राफ-आधारित सिस्टम जैसे जटिल, विशिष्ट उपकरणों की आवश्यकता है। इसके बजाय, SinAE सिद्ध करता है कि यदि आप यह बदल दें कि यह कैसे सीखता है, तो एक साधारण, मानक सेटअप बेहतर काम करता है।

जादुई ट्रिक: "पुनरावृत्त मूर्तिकार" (The Iterative Sculptor)

यहीं पर यह शोध पत्र वास्तव में चतुर हो जाता है। अतीत में, जब AI ने एक संकुचित सारांश (एक "लेटेंट कोड") से 3D संरचना को फिर से बनाने की कोशिश की, तो अक्सर गलतियाँ होती थीं। यह एक ही तेज़ ब्रश स्ट्रोक के साथ एक आदर्श वृत्त बनाने की कोशिश करने जैसा था; आपको एक टेढ़ी-मेढ़ी रेखा मिलती। पिछले तरीकों ने इन टेढ़ी-मेढ़ी रेखाओं को व्यवसाय की कीमत के रूप में स्वीकार कर लिया, जिससे ऐसी संरचनाएँ बनीं जो लगभग 0.25 Åंगस्ट्रॉम (दूरी की एक सूक्ष्म इकाई) तक "गलत" थीं।

SinAE एक फ्लो-मैचिंग डिकोडर (Flow-Matching Decoder) का उपयोग करके खेल बदल देता है। इस डिकोडर को एक ऐसे चित्रकार के रूप में न देखें जो एक बार में प्रहार करता है, बल्कि एक धैर्यवान मूर्तिकार के रूप में देखें।

एनकोडर (जो परमाणु को पढ़ता है) एक कच्चा स्केच बनाता है।
डिकोडर काम को तुरंत पूरा करने की कोशिश नहीं करता है। इसके बजाय, यह पुनरावृत्त चरणों (जैसे स्लो मोशन में चलता हुआ वीडियो) का उपयोग करके आकार को परिष्कृत करता है।
यह पहले परमाणुओं को मोटे तौर पर वहां रखता है जहां उन्हें होना चाहिए, और फिर शेष समय का उपयोग कोणों और दूरियों को सटीक बनाने के लिए करता है जब तक कि वे पूर्ण न हो जाएं।

शोध पत्र दिखाता है कि यह दृष्टिकोण SinAE को लगभग लॉसलेस (near-lossless) सटीकता के साथ संरचनाओं को फिर से बनाने की अनुमति देता है।

छोटे अणुओं के लिए (जैसे QM9 डेटासेट में), त्रुटि आश्चर्यजनक रूप से छोटी 0.0002 Å है।
क्रिस्टल के लिए (जैसे MP-20 डेटासेट में), त्रुटि 0.0017 Å है।
प्रोटीन के लिए, बैकबोन त्रुटि लगभग 0.013 Å है।

ये संख्याएँ पिछले सर्वोत्तम तरीकों की तुलना में 10 से 100 गुना अधिक सटीक हैं। शोध पत्र सुझाव देता है कि क्योंकि डिकोडर ज्यामिति को ठीक करने का सारा भारी काम करता है, इसलिए "सारांश" (लेटेंट स्पेस) सुचारू और सरल रहता है, जिससे भविष्य में AI के लिए नई, वैध संरचनाएं बनाना आसान हो जाता है।

"क्रॉस-डोमेन" महाशक्ति

इस शोध पत्र का सबसे रोमांचक हिस्सा वह है जो तब होता है जब आप SinAE को एक साथ दो प्रकार के परमाणुओं (विशेष रूप से अणुओं और क्रिस्टल) पर प्रशिक्षित करते हैं।

परिणाम: शोध पत्र रिपोर्ट करता है कि दोनों डेटासेट पर एक साथ प्रशिक्षण लेने से केवल एक पर प्रशिक्षण लेने की तुलना में दोनों पर प्रदर्शन में कड़ाई से सुधार होता है।
उपमा: यह ऐसा है जैसे यदि कोई छात्र गणित और भौतिकी दोनों की परीक्षा के लिए एक साथ पढ़ाई करता है, तो वह दोनों विषयों में अलग-अलग पढ़ने की तुलना में बेहतर प्रदर्शन करता है। साझा "परमाणु भाषा" मॉडल को यह सीखने में मदद करती है कि परमाणु आपस में कैसे जुड़ते हैं, जो इसे हर क्षेत्र में मदद करती है।

यह क्या कर सकता है (और क्या नहीं)

शोध पत्र बहुत स्पष्ट है कि SinAE ने क्या हासिल किया है और क्या नहीं।

इसने सिद्ध किया है कि एक एकल, सरल आर्किटेक्चर अणुओं, क्रिस्टल और प्रोटीन को रिकॉर्ड-तोड़ सटीकता के साथ संभाल सकता है।
इसने मापा है कि यह प्रणाली नई, वैध संरचनाएं उत्पन्न कर सकती है जो सख्त भौतिक परीक्षणों (जैसे बॉन्ड लंबाई और कोण) को कई विशिष्ट प्रतिस्पर्धियों से बेहतर तरीके से पास करती हैं।
यह स्पष्ट रूप से खारिज करता है कि डोमेन-विशिष्ट लॉस फंक्शन्स (जटिल गणितीय युक्तियाँ जो AI को विशिष्ट नियम सीखने के लिए मजबूर करती हैं) की आवश्यकता है। SinAE सब कुछ सीखने के लिए एक ही एकीकृत लक्ष्य का उपयोग करता है।

हालाँकि, शोध पत्र इसकी सीमाओं को भी नोट करता है।

प्रोटीन के परिणाम वर्तमान में बैकबोन (प्रोटीन के मुख्य कंकाल) पर केंद्रित हैं, न कि प्रोटीन के हर एक परमाणु पर।
शोध पत्र यह दावा नहीं करता है कि यह ड्रग डिस्कवरी या मैटेरियल्स साइंस की सभी समस्याओं को हल कर देता है; यह केवल भविष्य के उन कदमों के लिए एक बहुत मजबूत आधार प्रदान करता है।
परिणाम विशिष्ट डेटासेट्स (जैसे QM9, MP-20, और CASP15) और सिमुलेशन पर आधारित हैं, न कि वास्तविक दुनिया के क्लिनिकल ट्रायल या औद्योगिक विनिर्माण पर।

निचोड़

SinAE एक "एक-आकार-सभी-के-लिए-उपयुक्त" (one-size-fits-all) समाधान है जो साबित करता है कि यह सभी के लिए सबसे अच्छा फिट है। "तत्काल समाधान" दृष्टिकोण को "धीमी और निरंतर शोधन" दृष्टिकोण से बदलकर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो न केवल बनाने में सरल है, बल्कि बहुत अधिक सटीक भी है। यह सुझाव देता है कि परमाणु दुनिया में महारत हासिल करने का रहस्य अधिक जटिल मशीनें बनाना नहीं है, बल्कि एक सरल मशीन को अविश्वसनीय रूप से धैर्यवान बनाना है।

तकनीकी सारांश: SinAE – क्रॉस-डोमेन परमाणु प्रणालियों के लिए एक सिंगल-आर्किटेक्चर फ्लो-मैचिंग ऑटोएन्कोडर

1. समस्या विवरण

3D परमाणु संरचनाओं का निर्माण ड्रग डिस्कवरी, सामग्री डिजाइन और प्रोटीन इंजीनियरिंग के लिए महत्वपूर्ण है। हालाँकि, वर्तमान जनरेटिव पाइपलाइन तीन अलग-अलग डोमेन में विभाजित हैं: छोटे अणु (small molecules), क्रिस्टल (crystals), और प्रोटीन (proteins)। प्रत्येक डोमेन अपने विशिष्ट संरचनात्मक पूर्वग्रहों (structural priors) के अनुरूप विशेष आर्किटेक्चर पर निर्भर करता है:

अणु (Molecules): बॉन्ड कनेक्टिविटी और वैलेंस नियमों को संभालने के लिए आमतौर पर इक्विवैरिएंट मैसेज-पासिंग नेटवर्क का उपयोग करते हैं।
क्रिस्टल (Crystals): आवधिक सीमा स्थितियों (periodic boundary conditions) और लैटिस-बेसिस इनवेरियंस को संभालने की आवश्यकता होती है।
प्रोटीन (Proteins): अक्सर अवशेष-स्तर (residue-level) के पैरामीट्राइजेशन (जैसे, SE(3) फ्रेम्स) या ट्राएंगल अटेंशन तंत्र पर निर्भर करते हैं।

यह विखंडन डेटा की कमी को बढ़ाता है, क्योंकि प्रति-डोमेन डेटासेट (जैसे, QM9 में 134k अणु, MP-20 में 45k क्रिस्टल) आधुनिक मानकों के अनुसार छोटे हैं। जबकि क्रॉस-डोमेन प्रशिक्षण इस कमी को कम कर सकता है, मौजूदा दृष्टिकोणों को दो प्राथमिक बाधाओं का सामना करना पड़ता है:

प्रत्यक्ष पीढ़ी की सीमाएँ (Direct Generation Limitations): सीधे 3D कोऑर्डिनेट स्पेस में जनरेशन करने से एक ही मॉडल को वैध संरचनाओं, सटीक ज्यामिति और विषम संरचनात्मक पूर्वग्रहों (periodicity, residue backbones, valence) को एक साथ सीखने के लिए मजबूर होना पड़ता है, जिसके लिए अक्सर जटिल, डोमेन-विशिष्ट टोकनाइजेशन या चरणबद्ध पीढ़ी की आवश्यकता होती है।
लेटेंट ऑटोएन्कोडर की सीमाएँ (Latent Autoencoder Limitations): मौजूदा क्रॉस-डोमेन लेटेंट ऑटोएन्कोडर रिकंस्ट्रक्शन फिडेलिटी (reconstruction fidelity) के मुद्दों (लॉसी डिकोडर्स ज्यामितीय त्रुटियां पेश करते हैं जिन्हें पूर्वग्रह ठीक नहीं कर पाते) और प्रशिक्षण जटिलता (डोमेन-विशिष्ट लॉस कॉम्बिनेशन और वेट ट्यूनिंग की आवश्यकता) से ग्रस्त हैं। किसी भी पूर्व पद्धति ने तीनों डोमेन में एक साथ लॉसलेस, आर्किटेक्चरल रूप से सामान्य और एकीकृत-उद्देश्य वाले ऑटोएन्कोडर को प्राप्त नहीं किया है।

2. कार्यप्रणाली: SinAE

लेखक SinAE पेश करते हैं, जो अणुओं, क्रिस्टल और प्रोटीनों के लिए डिज़ाइन किया गया एक सिंगल-आर्किटेक्चर फ्लो-मैचिंग ऑटोएन्कोडर है।

आर्किटेक्चर

एकीकृत बैकबोन (Unified Backbone): SinAE एनकोडर और डिकोडर दोनों के लिए एक वैनिला ट्रांसफार्मर (vanilla Transformer) का उपयोग करता है। यह स्पष्ट रूप से इक्विवैरिएंट ऑपरेटर्स, ग्राफ मैसेज-पासिंग, या डोमेन-विशिष्ट मॉड्यूल (जैसे, लैटिस-अवेयर लेयर्स या ट्राएंगल अटेंशन) से बचता है।
इनपुट फीचरियराइजेशन (Input Featurization):
- कोऑर्डिनेट्स (Coordinates): इनवेरिएंट डिस्क्रिप्टर्स (जैसे, पेयरवाइज डिस्टेंस) या कैनोनिकल फ्रेम निर्माण के बिना कच्चे कार्टेशियन कोऑर्डिनेट्स का उपयोग किया जाता है।
- पीरियडिसिटी (Periodicity): क्रिस्टल के लिए, तीन लैटिस वेक्टर्स को अनुक्रम में "वर्चुअल एटम टोकन्स" के रूप में जोड़ा जाता है, जिससे मॉडल लैटिस मैट्रिक्स को परमाणु निर्देशांकों के समान ही प्रोसेस कर पाता है।
- इक्विवैरिएंस (Equivariance): आर्किटेक्चरल इक्विवैरिएंस के बजाय, मॉडल प्रशिक्षण के दौरान रैंडम SO(3) रोटेशन और ट्रांसलेशन ऑग्मेंटेशन पर निर्भर करता है ताकि ओरिएंटेशन मजबूती सुनिश्चित हो सके।
टोकनाइजेशन (Tokenization): परमाणुओं को सीखे गए एलिमेंट एम्बेडिंग्स और उनके कोऑर्डिनेट्स के लीनियर प्रोजेक्शन के योग द्वारा दर्शाया जाता है। प्रोटीन के लिए, अवशेषों (residues) को उनके $C_\alpha$ स्थानों पर एकल टोकन के रूप में माना जाता है।

प्रशिक्षण उद्देश्य (Training Objectives)

मॉडल को दो चरणों में प्रशिक्षित किया जाता है:

फ्लो-मैचिंग ऑटोएन्कोडर:
- एनकोडर: एक स्टोकेस्टिक ट्रांसफार्मर इनपुट संरचना $G=(X, A)$ को प्रति-टोकन लेटेंट कोड $z$ में मैप करता है।
- डिकोडर: एक नॉन-इक्विवैरिएंट ट्रांसफार्मर इटरेटिव फ्लो मैचिंग (iterative flow matching) का उपयोग करके $z$ से संरचना को पुनर्गठित (reconstruct) करता है। सिंगल-पास VAE डिकोडर्स के विपरीत, डिकोडर कई ODE स्टेप्स के माध्यम से संरचना को परिष्कृत करता है।
- लॉस फंक्शन: एक एकीकृत उद्देश्य निरंतर कंडीशनल फ्लो मैचिंग (कोऑर्डिनेट्स के लिए $L_{coord}$ ) और डिस्क्रीट फ्लो मैचिंग (एटम प्रकारों के लिए $L_{atom}$ ), साथ ही एक हल्का KL रेगुलराइज़र ( $L_{KL}$ ) जोड़ता है। इसमें किसी डोमेन-विशिष्ट लॉस वेटिंग या सहायक लॉस की आवश्यकता नहीं होती है।
लेटेंट फ्लो मैचिंग प्रायर (Latent Flow Matching Prior):
- एक वैनिला डिफ्यूजन ट्रांसफार्मर (DiT) एनकोडर आउटपुट पर वितरण $p(z)$ को सीखता है।
- चूंकि KL टर्म पोस्टीरियर को स्टैंडर्ड गॉसियन की ओर धकेलता है, इसलिए प्रायर एक स्मूथ, लगभग गॉसियन लेटेंट स्पेस पर कार्य करता है जिसमें इक्विवैरिएंट बाधाएं नहीं होती हैं।
- जनरेशन के दौरान, क्लासिफायर-फ्री गाइडेंस के माध्यम से एक डोमेन लेबल का उपयोग DiT को अणुओं, क्रिस्टल या प्रोटीनों की ओर निर्देशित करने के लिए किया जाता है।

3. मुख्य योगदान

सिंगल-आर्किटेक्चर टोकनाइजेशन: SinAE पहला ऐसा आर्किटेक्चर है जो इक्विवैरिएंट या डोमेन-विशिष्ट ऑपरेटर्स के बिना एक सिंगल वैनिला ट्रांसफार्मर का उपयोग करके अणुओं, क्रिस्टल और प्रोटीन बैकबोन को संभालता है।
नियर-लॉसलेस रिकंस्ट्रक्शन: इटरेटिव फ्लो-मैचिंग डिकोडर पर पुनर्निर्माण का भार स्थानांतरित करके, SinAE सभी डोमेन में सब-मिली-एंगस्ट्रॉम RMSD प्राप्त करता है:
- अणु: QM9 पर 0.0002 Å, GEOM-Drugs पर 0.0006 Å।
- क्रिस्टल: MP-20 पर 0.0017 Å।
- प्रोटीन: CASP15 पर ~0.013 Å बैकबोन CA-RMSD।
- यह पूर्वв लेटेंट बेसलाइन्स की तुलना में रिकंस्ट्रक्शन फिडेलिटी में 10–100× सुधार है, जिसमें अणुओं और क्रिस्टल पर 100% स्ट्रक्चर मैच रेट है।
पॉजिटिव क्रॉस-डोमेन ट्रांसफर: QM9 और MP-20 पर संयुक्त प्रशिक्षण दोनों डोमेन में रिकंस्ट्रक्शन और जनरेशन प्रदर्शन में सुधार करता है, जो इस बात का प्रमाण है कि एक साझा परमाणु लेटेंट, हस्तांतरणीय ज्यामितीय नियमितताओं (जैसे, बॉन्ड-लेंथ डिस्ट्रीब्यूशन, कोआर्डिनेशन पैटर्न) को कैप्चर करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने मानक बेंचमार्क (QM9, GEOM-Drugs, MP-20, AFDB-FS/CASP15, QMOF) पर SinAE का मूल्यांकन किया।

रिकंस्ट्रक्शन फिडेलिटी: SinAE सभी बेसलाइन्स (GeoLDM, CDVAE, ADiT, UAE-3D, ProteinAE सहित) को RMSD और स्ट्रक्चर मैच रेट में पछाड़ देता है। इटरेटिव डिकोडर परमाणु प्लेसमेंट को जल्दी हल करता है और बाद में बॉन्ड ज्योमेट्री/स्टेरिक्स को परिष्कृत करता है, जिससे बिना किसी पोस्ट-हॉक रिलैक्सेशन के उच्च सटीकता प्राप्त होती है।
आणविक जनरेशन (Molecular Generation): QM9 और GEOM-Drugs पर, लेटेंट DiT प्रायर उच्च वैधता (PB Valid स्कोर क्रमशः 0.97 और 0.93) प्राप्त करता है, जो विशेषज्ञ इक्विवैरिएंट जनरेटर्स (जैसे, EQGAT-diff, SemlaFlow) के बराबर या उनसे बेहतर है।
क्रिस्टल जनरेशन: MP-20 पर, संयुक्त SinAE मॉडल लैटिस-इनवेरिएंट आर्किटेक्चर सहित तुलना की गई विधियों के बीच उच्चतम S.U.N. (Stable, Unique, Novel) और M.S.U.N. स्कोर प्राप्त करता है। यह एक जेनेरिक ट्रांसफार्मर का उपयोग करने के बावजूद बेहतर थर्मोडायनामिक स्थिरता प्रदर्शित करता है।
प्रोटीन जनरेशन: SinAE उच्च डिजाइन क्षमता (0.96 scRMSD ≤ 2.0 Å) और विविधता को एक साथ प्राप्त करता है, जो ProteinAE और LatatDiff से बेहतर है। सीक्वेंस-स्ट्रक्चर को-डिज़ाइन कार्यों में, यह 100 और 200 की लंबाई पर प्रतिस्पर्धी scTM और scRMSD स्कोर प्राप्त करता है।

5. महत्व और दावे

पेपर का दावा है कि SinAE यह प्रदर्शित करता है कि क्रॉस-डोमेन परमाणु जनरेशन को बिना फिडेलिटी से समझौता किए एक सिंगल, सरल आर्किटेक्चर के तहत एकीकृत किया जा सकता है।

सादगी बनाम प्रदर्शन: लेखक तर्क देते हैं कि यदि डिकोडर पर्याप्त शक्तिशाली (इटरेटिव फ्लो मैचिंग) है और लेटेंट स्पेस ठीक से रेगुलराइज्ड है, तो जटिल डोमेन-विशिष्ट ऑपरेटर्स पूरी तरह से आवश्यक नहीं हैं।
डेटा दक्षता: परिणाम प्रत्यक्ष प्रमाण प्रदान करते हैं कि साझा परमाणु लेटेंट्स विभिन्न रासायनिक आबादी को एक-दूसरे के डेटा से लाभान्वित होने देते हैं, जिससे कम-डेटा वाले परिदृश्यों में प्रदर्शन में सुधार होता है।
ज्यामिति और प्रायर का अलगाव: यह कार्य सुझाव देता है कि ज्यामितीय जटिलता को डिकोडर के इटरेटिव रिफाइनमेंट द्वारा संभाला जा सकता है, जिससे एनकोडर और प्रायर को एक सरलीकृत, डोमेन-एग्नोस्टिक लेटेंट स्पेस पर कार्य करने की अनुमति मिलती है।

स्वीकृत सीमाएँ:

प्रोटीन मूल्यांकन वर्तमान में बैकबोन-लेवल जनरेशन तक सीमित है; ऑल-एटम मॉडलिंग को अभी तक संबोधित नहीं किया गया है।
वर्तमान मॉडल एक ही चेकपॉइंट में तीनों डोमेन में एक साथ प्रॉपर्टी-, कंपोजिशन-, या लेंथ-कंडीशन जनरेशन का समर्थन नहीं करता है।
लंबे प्रोटीन चेन (>256 अवशेष) के लिए उच्च लेंथ बजट के साथ रिट्रेनिंग की आवश्यकता होती है।