Chai-1: Decifrando interações entre moléculas biológicas

• A Chai Discovery apresentou o Chai-1, um modelo de previsão de estrutura molecular usado no desenvolvimento de fármacos, que lida em um único modelo com proteínas, pequenas moléculas, DNA, RNA e até modificações covalentes
• Em benchmarks públicos, registrou 77% de taxa de sucesso no PoseBusters e Cα LDDT de 0.849 no CASP15, sendo comparado diretamente ao AlphaFold3 e ao ESM3-98B
• Ao contrário de ferramentas existentes que dependem principalmente de alinhamento múltiplo de sequências (MSA), o Chai-1 mantém a maior parte do desempenho mesmo em modo de sequência única
• Na previsão de multímeros, registrou 69,8% de acceptable prediction rate no DockQ, acima dos 67,7% do AlphaFold-Multimer baseado em MSA
• A interface web gratuita também está aberta para uso comercial, e os pesos do modelo e o código de inferência foram publicados sob a licença Apache 2.0

---

Lançamento do Chai-1 e forma de uso

• Chai-1 é um modelo de previsão de estrutura molecular multimodal voltado a tarefas relacionadas ao desenvolvimento de fármacos
• Os alvos de previsão incluem proteínas, pequenas moléculas, DNA, RNA e modificações covalentes
• Pode ser usado pela interface web gratuita, e também é permitido para aplicações comerciais como desenvolvimento de fármacos
• Os pesos do modelo e o código de inferência foram disponibilizados como a biblioteca de software chai-lab, sob licença Apache 2.0

Resultados de benchmark e menor dependência de MSA

• Os principais resultados de benchmark foram apresentados com números semelhantes ou superiores aos dos modelos líderes existentes
  • PoseBusters: taxa de sucesso de 77%; AlphaFold3: 76%
  • Conjunto de previsão de estrutura de monômeros proteicos do CASP15: Cα LDDT de 0.849; ESM3-98B: 0.801
• Enquanto muitas ferramentas de previsão estrutural exigem alinhamento múltiplo de sequências (MSA), o Chai-1 também pode ser executado em modo de sequência única, mantendo a maior parte do desempenho
• Na previsão de dobramento de multímeros, registrou 69,8% segundo o critério acceptable prediction rate do DockQ, enquanto o AlphaFold-Multimer baseado em MSA ficou em 67,7%
• Segundo a Chai Discovery, o Chai-1 é o primeiro modelo capaz de prever estruturas multiméricas com qualidade no nível do AlphaFold-Multimer usando apenas sequência única, sem busca de MSA
• Quando novos dados, como restrições obtidas em laboratório, são inseridos como prompt, o desempenho pode melhorar em dois dígitos em pontos percentuais
  • Um exemplo é o epitope conditioning, em que a precisão da previsão de estruturas antígeno-anticorpo dobra mesmo usando apenas um pequeno número de contact ou pocket residues
  • Essas entradas podem vir de experimentos de laboratório, tornando mais viável a engenharia de anticorpos baseada em IA
• A análise completa do modelo pode ser consultada no relatório técnico

Equipe e próximos passos

• A equipe da Chai Discovery é formada por profissionais com passagem por empresas de pesquisa e IA aplicada como OpenAI, Meta FAIR, Stripe e Google X
• Muitos membros da equipe ocuparam o cargo de Head of AI em empresas líderes de desenvolvimento de fármacos, e no conjunto contribuíram para mais de 12 programas de desenvolvimento de medicamentos
• O Chai-1 é resultado de alguns meses de trabalho intensivo, e o objetivo mais amplo da Chai Discovery é transformar a biologia de ciência em engenharia
• No futuro, a empresa pretende criar mais modelos baseados em IA para prever e reprogramar interações entre moléculas bioquímicas