蛋白质是控制几乎所有疾病的聚合物结构。主要问题是找出哪种蛋白质可以与相应的蛋白质聚合物结构结合。主要的负担是从大量分子中找出这些可以结合的分子。这涉及到在这个领域使用机器学习和深度学习模型。研究科学家团队使用深度学习技术预测了分子，其大小比先前获得的分子增加了10倍。研究科学家们仍在通过深度学习模型改进亲水性键强度的质量。
深度学习算法利用原始数据提取高质量的特征和信息，如前所述。通过深度学习技术使用迭代方法研究蛋白质序列中的变化。预测或生成的结构被发现几乎接近于1的准确度。这些迭代方法用于收敛到准确预测的模型上。研究团队开发了2个用于蛋白质设计的软件工具。同时发现，由于向量形式的独立信息，所有蛋白质设计都是相互独立的。问题被分解成数百万个设计，同时在大规模计算单元上运行。
华盛顿大学、西雅图市、霍华德·休斯医学研究所和蛋白质设计研究所的研究团队将获得的蛋白质分子分成小块。然后，使用Linux设施将每个块分配给frontera的计算节点。这些较小的蛋白质实体进一步分为更小的实体。这些实体被传递到计算设计软件中。然后将其传递到蛋白质软件中以提高计算效率。这使效率提高了约200倍，与之前的记录相比。
这个结果显示了与目标蛋白质结合的研究速率增加了10倍。研究人员付出了很大的努力，但在这个路径上还有很长的路要走。这项研究的进一步计划是为蛋白质分子提供更好的目标，并提高蛋白质分子的成功率或准确率。该项目还旨在打造明天的抗癌工具。