Chai-1: ถอดรหัสปฏิสัมพันธ์ของโมเลกุลชีวภาพ

• Chai Discovery เปิดตัว Chai-1 โมเดล ทำนายโครงสร้างโมเลกุล สำหรับใช้ในการพัฒนายา โดยครอบคลุมโปรตีน โมเลกุลขนาดเล็ก DNA, RNA และการดัดแปลงแบบพันธะโควาเลนต์ได้ในโมเดลเดียว
• ใน benchmark สาธารณะ ทำอัตราสำเร็จของ PoseBusters ได้ 77% และ CASP15 Cα LDDT 0.849 จึงถูกนำไปเปรียบเทียบโดยตรงกับ AlphaFold3 และ ESM3-98B
• ต่างจากเครื่องมือเดิมที่ส่วนใหญ่พึ่งพา multiple sequence alignment (MSA) เป็นหลัก Chai-1 ยังคงรักษาประสิทธิภาพส่วนใหญ่ไว้ได้แม้ใน โหมดลำดับเดี่ยว
• ในการทำนาย multimer ทำ DockQ acceptable prediction rate ได้ 69.8% สูงกว่า AlphaFold-Multimer แบบอิง MSA ที่ทำได้ 67.7%
• อินเทอร์เฟซเว็บฟรีเปิดให้ใช้ได้แม้ใน เชิงพาณิชย์ และเผยแพร่น้ำหนักโมเดลกับโค้ด inference ภายใต้สัญญาอนุญาต Apache 2.0

---

การเปิดตัว Chai-1 และวิธีใช้งาน

• Chai-1 เป็นโมเดลทำนายโครงสร้างโมเลกุลแบบ multimodal ที่มุ่งเป้างานเกี่ยวกับการพัฒนายา
• เป้าหมายที่ทำนายได้รวมถึงโปรตีน โมเลกุลขนาดเล็ก DNA, RNA และการดัดแปลงแบบพันธะโควาเลนต์ เป็นต้น
• ใช้งานได้ผ่าน เว็บอินเทอร์เฟซ ฟรี และอนุญาตให้ใช้กับแอปพลิเคชันเชิงพาณิชย์ เช่น การพัฒนายา
• น้ำหนักโมเดลและโค้ด inference เผยแพร่เป็นไลบรารีซอฟต์แวร์ chai-lab ภายใต้สัญญาอนุญาต Apache 2.0

ผล benchmark และการลดการพึ่งพา MSA

• ผล benchmark หลักถูกนำเสนอว่าใกล้เคียงหรือสูงกว่าโมเดลสำคัญที่มีอยู่เดิม
  • PoseBusters: อัตราสำเร็จ 77%, AlphaFold3 อยู่ที่ 76%
  • ชุดทำนายโครงสร้างโปรตีนโมโนเมอร์ CASP15: Cα LDDT 0.849, ESM3-98B อยู่ที่ 0.801
• เครื่องมือทำนายโครงสร้างเดิมจำนวนมากต้องใช้ multiple sequence alignment (MSA) แต่ Chai-1 สามารถรันใน โหมดลำดับเดี่ยว ได้ และยังคงรักษาประสิทธิภาพส่วนใหญ่ไว้
• ในการทำนายการพับตัวของ multimer ทำได้ 69.8% ตามเกณฑ์ DockQ acceptable prediction rate ขณะที่ AlphaFold-Multimer แบบอิง MSA ทำได้ 67.7%
• ตามข้อมูลของ Chai Discovery, Chai-1 เป็นโมเดลแรกที่สามารถทำนาย โครงสร้าง multimer คุณภาพระดับ AlphaFold-Multimer ได้โดยใช้เพียงลำดับเดี่ยวโดยไม่ต้องค้นหา MSA
• หากใส่ข้อมูลใหม่ เช่น ข้อจำกัดที่ได้จากห้องปฏิบัติการ เป็น prompt ประสิทธิภาพอาจดีขึ้นได้ในระดับเปอร์เซ็นต์พอยต์สองหลัก
  • ตัวอย่างคือ epitope conditioning ซึ่งแม้ใช้ contact หรือ pocket residue เพียงไม่กี่ตำแหน่ง ก็ทำให้ความแม่นยำในการทำนายโครงสร้างแอนติบอดี-แอนติเจนเพิ่มขึ้นเป็นสองเท่า
  • อินพุตลักษณะนี้อาจมาจากการทดลองในห้องปฏิบัติการ ทำให้วิศวกรรมแอนติบอดีที่ขับเคลื่อนด้วย AI เป็นไปได้จริงมากขึ้น
• อ่านบทวิเคราะห์โดยรวมของโมเดลได้ใน รายงานทางเทคนิค

ทีมและทิศทางต่อไป

• ทีม Chai Discovery ประกอบด้วยผู้มาจากบริษัทด้านวิจัยและ AI ประยุกต์ เช่น OpenAI, Meta FAIR, Stripe และ Google X
• สมาชิกทีมหลายคนเคยดำรงตำแหน่ง Head of AI ในบริษัทพัฒนายาชั้นนำ และโดยรวมมีส่วนร่วมในการดำเนินโครงการพัฒนายามากกว่า 12 โครงการ
• Chai-1 เป็นผลลัพธ์จากการทำงานอย่างเข้มข้นเป็นเวลาหลายเดือน และเป้าหมายที่กว้างขึ้นของ Chai Discovery คือการเปลี่ยนชีววิทยาจากวิทยาศาสตร์ให้เป็น วิศวกรรม
• ต่อไปมีแผนสร้างโมเดลที่ขับเคลื่อนด้วย AI เพิ่มเติม เพื่อทำนายและ reprogram ปฏิสัมพันธ์ระหว่างโมเลกุลชีวเคมี