نقدّم نموذج AMix-1، وهو نموذج أساسي قوي للبروتينات مُبنى على شبكات التدفق بايزياني (Bayesian Flow Networks) ومحفّز بمنهجية تدريب منهجية تشمل قوانين التوسع في التدريب المسبق، وتحليل القدرات المُتَوَلِّدة، وآلية التعلّم في السياق، بالإضافة إلى خوارزمية التوسع في وقت الاختبار. ولضمان التوسع القوي، نُقِّم قانونًا تنبؤيًا للتوسع، ونُظهر التطور التدريجي للفهم الهيكلي من منظور دالة الخطأ، مما أدى إلى إنشاء نموذج قوي يضم 1.7 مليار معلمة. وبما أن هذا الأساس يُمكّن من التصميم المتكامل، نطوّر استراتيجية تعلّم في السياق تعتمد على تجميع التسلسلات المتعددة (MSA) لتوحيد تصميم البروتينات ضمن إطار عام، حيث يُدرك نموذج AMix-1 الإشارات التطورية العميقة المُتَوَزِّنة في تجميعات MSA، ويُولّد باستمرار بروتينات متماسكة هيكليًا ووظيفيًا. يُمكّن هذا الإطار من تصميم نسخة مُحسّنة بشكل كبير من بروتين AmeR، تُظهر زيادة في النشاط تصل إلى 50 مرة مقارنة بالنسخة البرية. وبما أننا ندفع حدود هندسة البروتينات، نُزوّد نموذج AMix-1 بخوارزمية توليد تطوري في وقت الاختبار، لتمكين التطور الموجه في البيئة الافتراضية (in silico)، حيث تُحقّق نتائج أداء ملحوظة وقابلة للتوسع مع زيادة ميزانية التحقق، مما يُرسّخ الأساس لتصميم البروتينات من الجيل التالي القائم على نموذج مُدمج مع المختبر (lab-in-the-loop).