Chai-1: Giải mã tương tác phân tử sinh học

• Chai Discovery đã công bố Chai-1, mô hình dự đoán cấu trúc phân tử dùng cho phát triển thuốc mới, xử lý protein, phân tử nhỏ, DNA, RNA và cả biến đổi liên kết cộng hóa trị trong cùng một mô hình
• Trên các benchmark công khai, mô hình đạt tỷ lệ thành công 77% trên PoseBusters và CASP15 Cα LDDT 0.849, được so sánh trực tiếp với AlphaFold3 và ESM3-98B
• Khác với nhiều công cụ hiện có chủ yếu phụ thuộc vào căn chỉnh đa trình tự (MSA), Chai-1 vẫn giữ được phần lớn hiệu năng ngay cả ở chế độ đơn trình tự
• Trong dự đoán multimer, mô hình đạt DockQ acceptable prediction rate 69.8%, cao hơn mức 67.7% của AlphaFold-Multimer dựa trên MSA
• Giao diện web miễn phí cũng mở cho mục đích thương mại, và trọng số mô hình cùng mã suy luận được phát hành theo giấy phép Apache 2.0

---

Công bố Chai-1 và cách sử dụng

• Chai-1 là mô hình dự đoán cấu trúc phân tử đa phương thức nhắm tới các tác vụ liên quan đến phát triển thuốc mới
• Đối tượng dự đoán bao gồm protein, phân tử nhỏ, DNA, RNA và các biến đổi liên kết cộng hóa trị
• Có thể sử dụng qua giao diện web miễn phí, và được cho phép trong các ứng dụng thương mại như phát triển thuốc mới
• Trọng số mô hình và mã suy luận được phát hành trong thư viện phần mềm chai-lab theo giấy phép Apache 2.0

Kết quả benchmark và giảm phụ thuộc vào MSA

• Các kết quả benchmark tiêu biểu được đưa ra ở mức tương đương hoặc cao hơn các mô hình lớn hiện có
  • PoseBusters: tỷ lệ thành công 77%, AlphaFold3 là 76%
  • Bộ dự đoán cấu trúc protein monomer CASP15: Cα LDDT 0.849, ESM3-98B là 0.801
• Trong khi nhiều công cụ dự đoán cấu trúc hiện có yêu cầu căn chỉnh đa trình tự (MSA), Chai-1 có thể chạy ở chế độ đơn trình tự mà vẫn giữ được phần lớn hiệu năng
• Trong dự đoán gấp cuộn multimer, mô hình ghi nhận DockQ acceptable prediction rate là 69.8%, trong khi AlphaFold-Multimer dựa trên MSA là 67.7%
• Theo Chai Discovery, Chai-1 là mô hình đầu tiên có thể dự đoán cấu trúc multimer với chất lượng ngang mức AlphaFold-Multimer chỉ từ một trình tự đơn mà không cần tìm kiếm MSA
• Khi đưa vào prompt các dữ liệu mới như ràng buộc thu được từ phòng thí nghiệm, hiệu năng có thể được cải thiện thêm ở mức hai chữ số phần trăm
  • Ví dụ có epitope conditioning, trong đó chỉ cần dùng một số ít contact hoặc pocket residue cũng có thể tăng gấp đôi độ chính xác dự đoán cấu trúc kháng thể-kháng nguyên
  • Những đầu vào như vậy có thể bắt nguồn từ thí nghiệm trong phòng thí nghiệm, giúp kỹ thuật hóa kháng thể dựa trên AI trở nên khả thi hơn
• Có thể xem phân tích tổng hợp của mô hình trong báo cáo kỹ thuật

Nhóm phát triển và hướng đi tiếp theo

• Đội ngũ Chai Discovery gồm các thành viên đến từ những công ty AI nghiên cứu và ứng dụng như OpenAI, Meta FAIR, Stripe và Google X
• Nhiều thành viên trong nhóm từng giữ vai trò Head of AI tại các công ty phát triển thuốc hàng đầu, và toàn đội đã đóng góp cho hơn 12 chương trình phát triển thuốc
• Chai-1 là kết quả của vài tháng làm việc tập trung, và mục tiêu rộng hơn của Chai Discovery là chuyển sinh học từ một ngành khoa học sang kỹ thuật
• Trong thời gian tới, họ dự định tiếp tục xây dựng các mô hình AI để dự đoán và tái lập trình tương tác giữa các phân tử sinh hóa