本研究では、既存の機能付きサンプルを超える機能性を持つ新規シーケンスを生成できるかを検証した。次の2つの生成手法を比較した。

1. Attentionを備えた変分オートエンコーダ（AVA） 2. 学習不要の情報理論的手法であるBiased Typewriter（BT）

対象は細菌E. coliのジヒドロ葉酸還元酵素（DHFR）フルーティネスランドスケープで、既知の例から残余適応度が−0.508を超えるシーケンスを選定した。

結果は以下の通りである。 - BTはAVAよりも多数のユニークで高適応度のシーケンスを生成した（検索効率最大で4.75倍）。 - 512例を用いた場合、BTの検索効率はランダムサーチを上回り最大4.75倍に達した。 - AVAは多くの重複シーケンスを生成し、低適応度の変異体が多かった。 - 例数が128未満の場合、AVAの生成シーケンスの平均適応度は閾値θ＝−0.508未満である。

これらのデータは、学習に時間を要するモデルよりも、訓練不要で高速に動作するBTが、希少で高機能なタンパク質を効率的に発見できることを示している。

ただし、AVAは過学習が見られ、重複生成と低適応度の傾向があるため、限られたデータセットでの利用は注意が必要である。