Chai-1: descifrar las interacciones entre biomoléculas

• Chai Discovery presentó Chai-1, un modelo de predicción de estructuras moleculares usado en el desarrollo de fármacos, que cubre en un solo modelo proteínas, moléculas pequeñas, ADN, ARN y modificaciones covalentes
• En benchmarks públicos registró una tasa de éxito del 77% en PoseBusters y un Cα LDDT de 0.849 en CASP15, por lo que se lo compara directamente con AlphaFold3 y ESM3-98B
• A diferencia de las herramientas existentes, que dependen principalmente de alineamientos múltiples de secuencias (MSA), Chai-1 conserva la mayor parte de su rendimiento incluso en modo de secuencia única
• En predicción de multímeros registró una tasa de predicción aceptable según DockQ del 69.8%, superior al 67.7% de AlphaFold-Multimer basado en MSA
• La interfaz web gratuita también está abierta para uso comercial, y los pesos del modelo y el código de inferencia se publicaron bajo licencia Apache 2.0

---

Presentación de Chai-1 y formas de uso

• Chai-1 es un modelo multimodal de predicción de estructuras moleculares orientado a tareas relacionadas con el desarrollo de fármacos
• Sus objetivos de predicción incluyen proteínas, moléculas pequeñas, ADN, ARN y modificaciones covalentes
• Se puede usar en la interfaz web gratuita, y también está permitido para aplicaciones comerciales como el desarrollo de fármacos
• Los pesos del modelo y el código de inferencia se publicaron como la biblioteca de software chai-lab, bajo licencia Apache 2.0

Resultados de benchmarks y menor dependencia de MSA

• Los resultados representativos de benchmarks se presentan con cifras similares o superiores a las de los principales modelos existentes
  • PoseBusters: tasa de éxito del 77%; AlphaFold3, 76%
  • CASP15, conjunto de predicción de estructuras de monómeros de proteínas: Cα LDDT de 0.849; ESM3-98B, 0.801
• Muchas herramientas existentes de predicción de estructuras requieren alineamientos múltiples de secuencias (MSA), pero Chai-1 también puede ejecutarse en modo de secuencia única y conserva la mayor parte de su rendimiento
• En predicción de plegamiento de multímeros registró un 69.8% según la tasa de predicción aceptable de DockQ, mientras que AlphaFold-Multimer basado en MSA obtuvo 67.7%
• Según Chai Discovery, Chai-1 es el primer modelo capaz de predecir estructuras multiméricas con calidad a nivel de AlphaFold-Multimer usando solo una secuencia única, sin búsqueda MSA
• Si se incorporan como prompt nuevos datos, como restricciones obtenidas en laboratorio, el rendimiento puede mejorar en puntos porcentuales de dos dígitos
  • Un ejemplo es el epitope conditioning: incluso usando solo unos pocos residuos de contacto o de bolsillo, se duplica la precisión de la predicción de estructuras anticuerpo-antígeno
  • Estas entradas pueden provenir de experimentos de laboratorio, lo que hace más viable la ingeniería de anticuerpos basada en IA
• El análisis integral del modelo puede consultarse en el informe técnico

Equipo y próximos pasos

• El equipo de Chai Discovery está compuesto por personas provenientes de empresas de investigación y aplicación de IA como OpenAI, Meta FAIR, Stripe y Google X
• Muchos miembros del equipo ocuparon cargos de Head of AI en compañías líderes de desarrollo de fármacos y, en conjunto, contribuyeron a más de 12 programas de desarrollo de nuevos fármacos
• Chai-1 es el resultado de varios meses de trabajo intensivo, y el objetivo más amplio de Chai Discovery es transformar la biología de una ciencia en ingeniería
• A futuro planean crear más modelos basados en IA para predecir y reprogramar interacciones entre moléculas bioquímicas