不止AlphaFold，「药界ChatGPT」横空出世！华人女投资人深度揭秘

---

  新智元报道  

AI药神来了？

不仅可以零样本生成新抗体，还将成功率提升百倍——达到16%！

最近，AI初创Chai Discovery宣布：

在关注AI投资的博客节目「No Priors」(零先验)中，Chai Discovery的联合创始人Josh Meier和Jack Dent分享了AI+生物医药的趋势。

主持人是华人郭睿（ Sarah Guo）。她专注于对卓越科技初创企业进行早期风险投资。

他们认为这不仅是一次效率革命，更是一次科学方法的范式转变——从实验室试错到AI主导生成，全新的生物科技时代正加速到来。

生物学的生成提示时代，或许正在逼近：以后，「动动嘴」就能造生物医药💊！

从大学时代，联创Josh Meier（下图左）和Jack Dent（下图右）就是好朋友。

在哈佛时，他们既是室友也是同学，大学都攻读计算机科学，而Josh还兼修了化学。

毕业后，他们虽然各奔前程，但始终保持着联系：每三到六个月，他们就会交流一次，Josh就和Jack分享他的研究。

毕业后，Jack Dent一直从事软件开发。创业前，Jack做到了美国在线支付公司Stripe的核心工程与产品负责人。

那是什么让Jack Dent选择转战抗体设计？

一切缘于Josh的深度交流，Jack终于明白他们不是在做「玩具」，而是在改写整个行业。

一旦知道未来人类能「以原子级精度」设计分子，就再也无法忽视这种机会。

Jack说：「相比之下，其他项目都显得不那么重要。」

过去十年，AI药物设计始终停留在研究层面，鲜有药物真正上市。

为什么他们决定投身AI药物设计？

Josh表示，这是经过深思熟虑的「押注」：

首先，他们押注结构预测、蛋白质折叠的技术会大幅进步。

2022年，谷歌带来了突破性模型——AlphaFold 2。

这基本上解决了蛋白质折叠问题。

论文地址：https://pmc.ncbi.nlm.nih.gov/articles/PMC8371605/

开源地址：https://github.com/google-deepmind/alphafold

但AlphaFold仍局限于预测蛋白质结构，无法处理分子间复杂的相互作用，而这正是药物设计的关键。

其次，他们押注在扩散模型和LLM的突破，能把结构预测推进到新的高度。

基本上，上一代的结构预测模型只能预测蛋白质的一种构象，也就是蛋白质的一种「视图」。这有点像早期的图像模型，还没有扩散模型，它们无法生成多样化的结果。

他们认为，生成能力也将影响药物发现和蛋白质折叠领域。

更重要的是，他们的理念不是实验室模型，而是打造可移植、通用的AI平台。

Chai的愿景是让生物从「科学」变为「工程」，而强大的通用平台是关键。

那模型到底是怎么工作的？

AI药物设计的第一块拼图是结构预测。

一开始，他们就打造了自己的预测引擎Chai-1，并开源给了全行业。

它就像原子级的显微镜，让大家看到蛋白质在三维空间中每一个原子的排布。

论文链接：https://www.biorxiv.org/content/10.1101/2024.10.10.615955v2

项目链接：https://github.com/chaidiscovery/chai-lab

下一步是去移动这些原子，改变序列，然后观察这些改变的影响。

从高层次上看，抗体设计模型是这样的：

研究人员可以直接告诉模型：「这是目标蛋白，我想要你生成可以与之结合的分子。」随后，Chai-2模型既能生成蛋白质序列，同时也能生成它的3D结构，而且能与该靶点结合。

论文链接：https://chaiassets.com/chai-2/paper/technical_report.pdf

直觉地说，结构预测好比图像领域的ImageNet。

在结构预测中，模型要从蛋白质序列预测其三维结构，这有点像分类任务。

而分子设计，则更像是生成式任务，好比Midjourney用于图像生成；基于已有的原子布局，生成与之互补的新原子排列。

好比是「锁与钥匙」：蛋白质靶点是一把锁，而你要用生成模型设计出适配的钥匙分子。

而且，在整体结构误差上，AI预测结构的误差经常小于一个原子。这就是Chai-1被称为原子级显微镜的原因。因为如果你无法看清锁的形状，又如何去设计钥匙呢？

类似大语言模型，Chai-2也涌现了类似「词汇」之类的概念性结构。

也许，蛋白质之间的相互作用规律，早已嵌在数据中。而Chai-2能够将这些规律泛化到全新的领域。

也就是说，模型不是「域内泛化」：Chai-2没有见过测试靶点和对应的结合配体。

在论文的补充材料中，研究团队展示了一张图，进一步验证了这一点。

在测试中，Chai团队专门排除了训练集里可能见过的序列。在抗体结构数据库SAbDab中，研究者把训练集中相似度超过70%的序列一律剔除。

抗体结构数据库SAbDab每周更新数据。所有结构均标注多项属性，包括：实验细节、抗体命名（如重链-轻链配对信息）等

最终得到一批对模型来说「全新」的任务。而模型的成功率几乎没有下降，表现稳定。

这说明模型并不在乎传统生物学上的分类方式。这就是团队对模型所学内容为何如此激动的原因之一。

这是真正的「零样本」，让抗体设计成功率从0.1%飙升到20%。

几个月前，人们无法想象AI能一步到位生成可用抗体。但现在它做到了。

类似这样革命性的突破，上一次是在20世纪70年代，当时一系列新技术改变了行业。

通过这种方法，团队真正说服了自己，也说服整个科研界：Chai-2确实有效。

在未来5到10年内，他们认为这能够发现一整类全新的分子，解锁全新的靶点，打开全新的市场，为患者带来前所未有的治疗手段，真正治疗那些此前无药可治的疾病。

总体来看，AI社区的反馈也非常积极。在发布后的几小时内，早期接入申请就涌入了数百人请求。因为团队规模很小，他们目前只好优先安排合适的早期合作对象。

他们认为：「单靠一家公司，绝不可能覆盖所有靶点和疾病。」

目前，AI设计的抗体已足够惊艳，但还需大量实验验证，包括毒性、药代动力学、制造成本等等。

所以，为了建立真正的商业「护城河」，他们正在扩大团队，实现两大目标：

Chai团队的一个重要判断是：未来最强的抗体工程师，很可能不再是传统生物学博士，而是「分子提示词工程师」。

Josh解释说：「Chai-2不只是一个模型，而是潜力巨大的工具。 但是要释放潜力，需要精心设计提示词（prompting）。」

一年之内，他们将抗体设计的成功率从不足0.1%提高到了接近20%。

所以如果放眼未来25年，那么为什么不能在来年里把它提高到50%，甚至接近100%呢？

比如最近在迷你蛋白（mini-protein）方面的成果，在五个不同的靶点上的测试，所有靶点都成功了，70%的设计方案在实验中奏效，并具有极强的结合能力。

未来，甚至其他类型的分子也完全可能达到类似的成功率。

一旦拥有了这种能力，就真的进入了「分子计算机辅助设计」的时代——

就像机械工程有SolidWorks，创意设计有Photoshop一样，生物学也将拥有完整的软件工具套件。

一旦能够在原子和分子的层面进行设计、编程和理解它们之间的相互作用，其影响之深远确实令人振奋。

在论文中，他们的提示词由程序自动生成，但未来真正应用在药物开发场景里，科学家需要精准定义目标。

这些情况会让提示词（prompt）变得更加复杂，也意味着需要真正合适的AI产品。

当开始在实验室进行这些实验时，我们希望模型能从结果中学习，然后参与下一轮设计，真正像助手那样参与整个流程。

这不仅是模型问题，更是流程革命。

那些从业30多年的抗体工程师，已经习惯用某种方式进行药物发现。

现在出现了全新的范式，这本身就是一个需要公司投入解决的问题。

这是AI药物设计的真正门槛：最大的阻力，不是技术，而是观念和流程的惯性。

最兴奋的，往往就是这些抗体工程师和生物学家。

目前，他们的工作非常繁琐，而且回馈周期很长、问题又很难解决。他们非常渴望找到更好的方法。因为这意味着可以把更多时间用在系统设计、架构设计，或者打造更复杂的产品上。

现在，人们才刚刚开始真正思考这种工具能实现什么。

AI正在让「药物设计」这件事，从靠运气、拼资源的科学探索，转向「可复制、可放大」的工程流程。

过去10年，AI在生物领域始终被质疑为「纸上谈兵」；但从今天开始，它或许真正进入临床、进入实验室，进入每一个生物工程师的工具栏。

生物，不再只是「发现」；它开始走向「制造」。