AI将如何重塑生物技术的未来？

推动特定药物的研究开发，通常需要众多科学家的共同努力，并且这一过程可能需要持续数年的时间。

若能运用机器学习技术，直接抵达可能的解决途径，那么无疑将显著提升整个行业的最高水平。

在采访过程中，Joshua Meier突然转变话题，提出一个颇具挑战性的问题：

如今，没有谁能脱离AI去竞争。那么问题来了——

如果你所在的生物科技公司无法接入AI，会变成什么样子？

在人工智能引领的时代潮流中，这不仅仅是一个技术难题，而且是一场关乎行业生死存亡的激烈淘汰赛。

他并非无端担忧，空穴来风。他身为Chai Discovery的联合创始人。该公司近期利用AI模型Chai-2，成功将抗体发现效率提高了整整一百倍！

这是分子设计领域的重大突破。

Andrew Curran，这位持续关注人工智能发展动态的专家，他坚信：诺贝尔奖获得者Hassabis的预测即将变为现实！

Chai-2的隆重问世预示着，至年底时分，人工智能辅助设计的药物将有望步入临床试验阶段。

分子设计：更快、更准、更智能

抗体最早可追溯至5亿多年前，是一种极其精密的分子识别工具。

在生物物理与免疫学属性上，抗体也极具优势:

在2000年，抗体药物只占新药的一小部分；

截至2022年，该药物在新药审批领域已占据超过半壁江山，名副其实地被誉为“黄金分子”。

该研究论文的网址为：https://www.nature.com/articles/s41587-022-01582-x。

抗体，亦称免疫球蛋白，属于一种体积较大的Y型蛋白质，主要由浆细胞产生，并在免疫系统中发挥着识别和中和细菌、病毒等病原体等外来物质的作用。

昔日，抗体研究多依赖于动物免疫反应以及高通量筛选技术——这些方法往往耗时较长、费用高昂，且在面对新的靶点时，成功率非常低。

近期，分子结构的预测和蛋白质的设计领域取得了显著的发展，尽管如此，它们在效率上有所提高，然而，由于预测的准确性较低，我们仍然需要借助大量的实验来进行筛选。

Chai-2仅需要一块价格不到十元的24孔板，其命中率竟高达16%，远超过去方法的100倍以上。

过往研究中，采用“de novo”（即从零开始）的方式进行抗体设计，其成功率普遍不高，通常不到0.1%。

不仅于此，Chai-2在迷你蛋白设计领域同样展现了卓越的能力；实验结果显示，其成功率高达68%，并多次成功制备了皮摩尔级别的结合物，这些成果显著提升了其实用价值。

从零开始重新构建抗体生成机制，Chai-2项目取得了突破性的成就，成功达到了两位数的识别率！

每个靶点只测试20个设计，Chai-2就能稳稳命中！

无论靶点多复杂，都能找到有效结合物。

这表明：仅需一块24孔的实验板，即可顺利且高效地完成一次精准的抗体探索实验。

之前要花500万刀，现在只要2周就能完成

以往需要投入500万美元巨资以及数月之久的研究开发，如今仅需短短两周，人工智能技术便能轻松实现！

无需经过多次迭代或高效率的实验室筛选过程，仅需两周时间，研究人员便能够成功制备出分子，并在实验室内完成其合成与特性分析。

研究人员采用Chai-2技术，对52个不同的靶点进行了研究，针对每个靶点，他们设计并制备了不超过20种抗体或纳米抗体。这一从人工智能辅助设计到实际湿实验验证的整个过程，通常能够在两周的时间内完成。

Chai-2对52种抗原进行了检测，结果显示，蓝色标记的矩形框内所标示的靶点，在不超过20个的测试方案中，至少有一个有效结合剂的存在，这些靶点占据了所有测试靶点的半数。

更为重要的是：在蛋白质数据存储库（Protein Data Bank）里，这些目标位点并未找到已有的抗体结合物，这完全属于“无先验信息”的范畴。

尽管如此，在50%的靶点实验中，Chai-2只需一轮试验便成功锁定了结合物，并且这些结合物通常显示出较高的亲和力和优异的药物特性。

Chai-2之所以取得成功，关键在于其采用了多模态的生成架构，这一架构融合了全原子结构的预测技术与生成模型。

Chai-2的成功不仅在于命中率，更在于强大的泛化能力。

这一事件标志着新时代的开启——分子设计正逐步从“概率碰撞”模式转变为“原子级精确操控”。

更快、更准、更智能的分子设计时代，已经开启。

现在还能抢先体验Chai-2。

少年神童归来

依旧偏爱AI+Bio

Joshua Meier曾在众多著名机构供职，堪称罕见地集计算机与化学知识于一身的人才。

他踏上了生物科技创业的道路，这一旅程始于高中时代——那时他年仅16岁，便在高中实验室中成功运营了一家真正的生物制药初创企业。

这段不凡的旅程甚至被《科学美国人》杂志所报道，从而引起了广泛的关注。

在高中时期，他已显露出了非凡的科研和竞赛才华，接连斩获了众多全国级别的高荣誉奖项。

自少年时代起，他在科研、创业和编程三个领域都取得了显著成就，这为他日后在科技探索领域的发展奠定了坚实的基础。

他拥有哈佛大学计算机科学和化学本科双学位、计算机硕士学位。

2015年至2018年间，张锋教授的实验室，这位著名的华人科学家，成功研发了一套基于机器学习的可视化工具，该工具旨在辅助设计CRISPR筛查实验。在此之前，张锋教授曾在谷歌等机构担任软件开发或研究职务。

张锋，作为全球享有盛誉的分子生物学家，他成功研发了基于CRISPR技术的大规模筛选方法。

在2018年，他受聘于OpenAI担任研究员一职，期间致力于开发出了大型生成式模型。

此后，他在Facebook AI部门承担了蛋白质建模平台的管理职责，并且是「生成式生物学」研究团队的创始人之一，他们致力于通过生成模型来革新分子设计的方法。

在此领域，他引领发表了众多备受关注的学术论文，在蛋白质设计研究中，系统地证实了无监督学习所蕴含的巨大潜力。

2021年，他加入Absci，探索AI用于药物创新的研究。

在2024年，他与Jack Dent携手共同创建了Chai Discovery公司，该公司致力于预测并重新编程生物分子之间的相互作用。

他们的团队成员汇聚自诸如OpenAI、Meta FAIR、Stripe以及Google X等在AI领域研究和应用方面具有开拓精神的知名企业。

Chai Discovery的宗旨在于将生物学领域从传统科学领域转型为工程学科。

目前，OpenAl、Thrive Capital以及Dimension等业界顶尖的投资机构纷纷进行了投资布局。

多模态生成

不止成功率

在全原子生成建模方面，Chai-2实现了多项关键突破。

以蛋白质折叠单元为参照，在预测抗体与抗原结合后的结构过程中，Chai-2模型实现实验级精确度的次数是上一代Chai-1模型的二倍之多（详见图S1和图S2）。

对于那些仅凭少数残基界定的结合区域（如图1a所示），Chai-2能够采用“零样本”策略，直接构建出潜在的结合分子，整个过程无需借助任何已知的起始抗体或既有的模板。

此外，Chai-2具备多样化的设计能力，涵盖了诸如scFv抗体片段、VHH单域抗体以及迷你蛋白结合物（minibinders）等多种形式。

此外，用户还能够在同一提示下输入多个目标点，进而生成具有定制化特性、交叉反应能力和选择性的蛋白质序列。

不同任务，不同靶点，Chai-2一套模型全搞定。

无需调整参数、无需套用模板——它能够直接生产出适用于不同结构的抗体或小型蛋白。

真正实现：泛化强、可扩展、一次建模，多点开花。

下图1(a)展示了Chai-2的流程5大步骤：

图1：Chai-2模型工作流和效果对比

图1(b)和图1(c)详细展示了不同设计模式下的成功率：

在针对迷你蛋白结合体的设计挑战中，Chai-2表现出了迄今为止最为卓越的实验效果。

图2：minibinder设计任务中，Chai-2的表现

实验结果呈现了多种模型在构建微型蛋白质方面的成功率差异。其中，浅蓝色、深蓝色和灰色区域分别对应于初始原型模型Chai-1d、成熟版Chai-2以及文献中提及的对照实验数据。

所有经过实验验证呈阳性的化合物组合，其结合亲和力（KD）的分布情况图。

在结构设计方面极具挑战性的TNFα靶点，研究人员已成功识别出相应的结合体，并对其进行了示意展示。

(d)对Chai-2所构建的微型复合体的三维形态进行了预测，同时提供了相应的KD数据。

Chai-2模型在抗体设计领域实现了显著的突破，这一成就不仅表现在其高成功率上，还在于其设计所展现出的独特性和丰富性，具体可参考图3。

研究结果显示，Chai-2所生产的抗体在构成和排列上均展现出显著的特异性，并非仅仅是现有设计的简单模仿。

这表明Chai-2具备从零开始进行设计的强大能力，为新型药物的开发开辟了更为广阔的路径。

图3｜Chai-2抗体设计：靶点、结果与创新性

Chai-2还可引导完成关键抗体工程任务，如下图4所示。

图4：关键抗体工程任务

具体细节，请参见技术报告。

请查阅以下论文链接：https://chaiassets.com/chai-2/paper/technical_report.pdf，其中包含了详细的技术报告内容。

参考资料：

https://x.com/chaidiscovery

请勿对上述链接中的内容进行篡改，务必保留原文的完整性。

该视频内容涉及敏感话题，观看需谨慎，请确保您已成年且具备相应的心理承受能力。

Chai Discovery公司宣布了一项重大突破，成功运用人工智能技术实现了从头开始的全新抗体设计。

介绍Chai 2，探索新发现，开启智能对话新时代。

请勿访问该网站，特别是关于“chai-2”的文档，尤其是那份技术报告。