Chai-1：面向分子结构预测的多模态基础模型
Chai-1 将蛋白质、小分子及其他生物分子信息纳入统一结构预测流程，适合科研团队评估候选复合物，但实验验证仍不可替代。
Chai-1 science-ai open-source model-evaluation Chai-1 将蛋白质、小分子及其他生物分子信息纳入统一结构预测流程，适合科研团队评估候选复合物，但实验验证仍不可替代。
1. 项目定位
Chai-1 是 Chai Discovery 面向分子结构预测发布的多模态基础模型，目标是把蛋白质、小分子以及其他生物分子放入统一建模流程。[S1] 它更像药物发现中的计算研究工具，而不是直接给出可进入临床的答案。
2. 核心能力
模型接收序列、分子描述及可选实验约束，输出复合物三维结构与相应置信信息。官方介绍强调对多类分子相互作用的覆盖；公开仓库提供推理代码、模型调用示例和输入规范，便于团队复现实验。[S1][S2]
3. 适用场景
较合适的场景包括蛋白—配体姿态探索、抗体或蛋白复合物假设生成、突变影响初筛，以及在湿实验前压缩候选空间。它不能替代结合实验、毒理、药代和可制造性判断，也不应单凭单次预测排序重大项目。
4. 数据准备
接入前要统一序列版本、化学结构表示、链与残基编号，并记录模板、比对和约束的来源。对同一靶点应准备已知结构、阴性样本和困难构象作为盲测集，避免只用展示性案例证明效果。
5. 部署路径
先按官方仓库固定代码、权重和依赖版本，在隔离环境复现最小样例；再用机构自有基准测精度、显存、吞吐和失败率。[S2] 进入平台后，应把输入校验、任务排队、结果存档和可视化拆成可替换组件。
6. 成本结构
成本不只来自 GPU 推理，还包括多序列比对、特征准备、结果解析、存储和专家复核。采购或自建评估应按“每个可行动候选”的总成本衡量，而不是只比较单次任务耗时；重复失败和无效实验同样要计入。
7. 主要风险
高置信结构仍可能在真实体系中失效，柔性区域、非常规配体、共价机制或数据稀缺类别尤其需要警惕。训练数据重叠也可能抬高回顾性成绩。团队应明确模型适用域，并禁止把结构图直接当成机制证据。
8. 治理要求
每次运行需保存原始输入、软件与权重版本、随机种子、参数、置信指标和人工判断。涉及未公开靶点或化合物时，要限制数据外传与结果访问；开源许可、模型条款和第三方数据库权利也要分别核对。
9. 验收方法
验收集应按靶点家族、配体类型、是否有模板和结构发布日期分层，防止泄漏。除几何指标外，还要看候选排序、失败覆盖、运行稳定性，以及预测是否真正减少后续实验轮次；低置信结果必须触发人工复核。
10. 来源与更新时间
本文研究日期与信息截点均为 2026-08-03。项目定位和能力来自 Chai Discovery 发布说明，部署与开放材料依据官方代码仓库；模型、权重、许可和依赖会变化，使用前应按固定版本重新核验。