摘要

Chai-2 的核心成绩是：最多尝试20次，抗体设计命中率约为20%，而早期计算方法约为0.1%或更低，传统筛选则要在数百万或数十亿个候选分子中搜索。 在超过50个留出靶点上，Chai-2 约有一半实现命中，将开放式搜索重新定义为“工程问题”，并把实验验证周期压缩至约2周。
这项基准测试之所以格外有说服力，是因为 Chai 优化评估时追求的是广度，而不是精心挑选的治疗性展示案例。 团队抓取供应商目录中的现货产品，剔除了与 SAbDab 中任何条目序列相似度超过70%的靶点；在相似度降至25%的子集中，成功率依然接近，Joshua Meier 的总结是：“模型并不在意”。他仍认为公布的靶点成功率可能只是下限，因为仓促的实验设置可能引入了错误。
Chai 的技术跃迁，是从“原子级显微镜”走向分子生成器：结构预测负责看清锁，Chai-2 则逐个原子设计钥匙。 整体误差有时低于一个原子的宽度，而在分布外靶点上的成功说明，模型学到的可能是分子相互作用的某些基本规律，而非死记蛋白质家族——不过联合创始人也承认，他们仍未完全理解模型为何有效。
这套逻辑的重点是扩张市场，而不只是降低研发成本：AI 不同的失败模式，可能打开传统筛选无法触及的靶点。 但 Chai-2 目前只在约一半基准靶点上奏效，Meier 强调，药物发现“只是冰山一角”；制造、稳定性、资本市场和临床风险仍待解决。
湿实验室会成为规模化的配套环节，而不是显而易见的受害者。 由于模型采样具有概率性，从20个设计扩大到100,000个，可能找到更好的药物，进而改变患者需要注射还是可以皮下注射。与人类逐一审阅10,000条聊天机器人答案不同，实验室可以测试全部10,000个候选分子，CRO 和高通量筛选仍有存在空间。
一个合作案例让经济账变得具体：一个由5至10人组成、几年间预计花费$5M-$10M的项目，一直没能找到同时结合人和猴版本靶点的分子。 Chai 下单14条序列后，4条命中人源版本，1条命中猴源版本，其中1条重叠设计同时命中两者；联合创始人称，这已经足以推动项目继续前进。
可防御性正在转向一体化设计产品：多目标提示、治疗属性优化、实验室反馈和专家工作流，而不只是一个模型。 Chai-1 已开源；Chai-2 是更大的流水线，用户必须指定表位、多种物种以及规避脱靶。Sarah Guo 的判断很尖锐：顶尖抗体工程师会成为提示词专家，而 Chai 认为，领域专长的重要性只会增加，不会下降。
联合创始人“看多生物科技”的依据是已经观察到的研发速度，而不是当前市场环境：XBI 已经低迷5年，他们称这是生物科技数十年来最差的市场之一。 他们将一年内从低于0.1%升至接近20%的跃升，与迷你蛋白在全部5个测试靶点上接近70%的结果相对照；随后只是推测、并非承诺，某些分子类别或许能在另一个年份达到50%以上，甚至接近100%的成功率。

精读

1. Chai 成立于从预测走向设计的拐点

Meier 对时机的判断是：AI 药物发现一直停留在研究设想，直到团队看到一个“1、2年”的窗口——足够早，可以在成果被验证前搭建公司；又足够晚，不至于让公司等上10年。他们押注扩散模型和语言模型的进步，会把蛋白质折叠能力推进到分子相互作用和分子设计。
AlphaFold 2 约在2020年实现突破，能够根据序列、以实验级精度预测单个蛋白质的结构，但药物的作用机制是调节其他分子。早期预测器只能返回“蛋白质的一种视图”，就像扩散模型出现前的图像系统；Chai 想生成多样化的抗体—抗原以及小分子—蛋白质相互作用。
Meier 对早期 AI 生物科技公司的批评是，实验室整合往往“几乎过于紧密”。Chai 仍然做实验，但目标是打造一个可跨数百乃至数千个项目部署的“可移植 AI 平台”；开源的 Chai-1 是其通用性的第一份证明。
Jack Dent 的职业选择遵循同一逻辑：当以“原子级精度”工程化分子变得可信，未来就“再也无法视而不见”。对他而言，此后“几乎很难再用人生做其他事情”。

2. 20次尝试取代开放式抗体搜索

抗体占近期获批药物的近50%，也是10款最畅销药物中的7款，因此 Chai-2 的设计结果具有商业意义，而不只是一次狭窄的科学演示。
工作流从一个明确靶点开始，为一个24孔板生成最多20个抗体，然后送入约2周的验证周期。下单设计中接近20%实现预期结合，而在约一半测试靶点上至少出现了一个命中。
Chai 曾将1%设为全公司的年度目标，因为此前计算方法的成功率约为0.1%或更低。因此，这一结果较内部目标高出约一个数量级，较此前方法高出多个数量级。
传统筛选可能在酵母或噬菌体文库中搜索数百万乃至数十亿个候选分子，像是在“淘金”。其他路径包括免疫小鼠或美洲驼，再提取抗体；COVID 期间，研究人员则从感染者体内提取的抗体中寻找能够中和病毒的那一个。

3. 这套基准测试就是为了击破单靶点展示

大多数 AI 药物设计论文只测试1、2或3个靶点，Chai 测试了超过50个。Meier 将只解决一个问题的结果比作声称某个大语言模型解决了整场竞赛：“你需要一个真正的基准测试”，尤其是当随机性可能让1、2次试验产生误导时。
靶点选择刻意不追求亮眼：Chai 从供应商目录中抓取当时有现货的蛋白质，确保所有材料可以一次性订购。团队提取这些蛋白质的序列，与 SAbDab——蛋白质数据库（PDB）中的抗体结构集合——进行比对，并剔除序列相似度超过70%的靶点。
最终靶点组合并非按治疗重要性挑选，其中一些蛋白质已经有药物项目。Meier 因此将这项工作视为模型评估，而不是展示性项目组合；他还表示，50%的靶点级成功率可能只是下限，因为仓促的实验设置可能引入错误。
更难的一组测试将其与训练数据的相似度降至25%，但成功率基本不变。Meier 的结论是：“模型并不在意”，这挑战了人类认为彼此不同的生物学分类。

4. Chai-2 以原子级精度生成分子钥匙

结构预测提供了一台“原子级显微镜”：输入序列，输出三维空间中的原子位置预测。Chai-2 随后从观察走向生成，同时产出一条新序列和一个旨在结合指定位置的结构。
Dent 用“ImageNet 时刻”和“分子领域的 Midjourney”作类比。如果靶点是一把锁，Chai-2 就通过逐个放置原子来构造钥匙，整个结构的误差有时低于一个原子的宽度：“如果看不见锁，又怎么可能设计出钥匙？”
对陌生靶点的泛化能力说明，数据中存在一种可被模型学习的蛋白质相互作用特征。Meier 认为这很深刻，但问题仍未解决：团队“仍未完全理解”模型为何有效，也没有声称已经提取出模型可能编码的生物学原理。

5. 采用路径将把生成模型与更多实验采样结合起来

Meier 将价值来源分成两类：在计算机上更快地筛选已有项目，以及攻击传统方法无法触及的问题。由于 Chai-2 只在约一半靶点上奏效，近期最合适的场景可能是那些其失败模式与实验室不同的案例。
Dent 向学术团队和产业合作伙伴开放访问权限，因为药物发现资源消耗太大、机会又太广，不可能由一家公司覆盖所有靶点。数百个请求在数小时内涌入，迫使这支约12人的团队进行优先级排序。
产业界的质疑很直接：企业本来就能发现药物，更快的发现是否会改变哪些分子是可能的？联合创始人的回答是重新审视停滞项目；社区中更广泛流传的回应则是，这只是“工具箱里的又一件工具”，企业可能需要使用它，以免被甩在后面。
Meier 预计，增加采样量会改善概率性输出：相较20个设计，扩大到10倍、100倍甚至几个数量级以上，应该能探索更好的区域。CRO 已经在询问100,000个设计的运行规模；届时，一个更优分子可能决定患者需要接受注射，还是可以皮下注射——实现“AI 的最佳能力”与“生物学的最佳能力”结合。

6. 生物科技的看多逻辑不止于更快的单抗

Dent 将 XBI 连续5年的低迷和漫长投资周期，与 Chai 在1年内从低于0.1%跃升至接近20%的结果进行对比。迷你蛋白实验实现接近70%的设计成功率、皮摩尔级亲和力，并在全部5个测试靶点上命中，支撑了他提出的“看多生物科技”棒球帽。
长期类比是一套面向生物学的计算机辅助设计软件：分子工程领域的 SolidWorks，或创意工作者使用的 Photoshop。除了结合能力，模型还必须优化可制造性和稳定性；更容易的设计也可能让结合两个旁位点的双表位抗体，比传统单一位点单抗更容易推进。
一个合作伙伴花了几年时间，投入5至10人和预计$5M-$10M，寻找一种能够同时结合人源和食蟹猴版本蛋白质的交叉反应分子。在仅14个 Chai 设计中，4个命中人源版本，1个命中猴源版本，其中一个重叠命中同时命中两者。
Guo 的反驳值得保留：许多业内人士认为，制药行业的高成本和瓶颈在临床，而非药物发现。Guo 认为，如果发现风险下降，行业就可能变得更高效、更有效。Meier 的回应是，资本市场、临床失败以及制成药物所需的一切，仍是 Chai 当前结果之外“冰山的一角”。

7. Chai 的产品必须把命中转化为多目标药物候选物

Dent 明确划定边界：“这些还不是药物，只是命中。”Chai 必须刻画治疗属性，最终实现端到端、零样本设计完整药物候选物；在20次尝试中看到抗体出现后，这种可能性显得没那么未来，但它仍是未来的投资方向，而非已经证明的结果。
Chai-1 可以被视为一个模型：输入序列，得到结构。Chai-2 则是更大的流水线和产品，其界面必须表达复杂的设计意图，并纳入实验室结果，让系统成为后续轮次的副驾驶。
提示可以指定两个靶点、同时结合人和动物版本，或要求对一种蛋白质保持亲和力、同时避开另一种蛋白质。Meier 那句令人印象深刻的概括——“现在是生病小鼠的好时代”——指出，多物种设计可能消除单独开发替代抗体的需要，并降低动物证据对应的是一个细微不同分子的风险。
给抗体工程师的建议是获取访问权限、学习提示，并“开始梦想新的可能性”。选择跨物种共享的表位，或有意选择不同区域以实现选择性，都会成为高杠杆判断；Dent 预计，一旦这种假设能力真正可用，专业人士会“惊掉下巴”。

8. 一支小型跨学科团队把研究代码当作基础设施

Chai 团队约12人，覆盖化学、物理、生物学、AI 和软件工程；令人意外的是，拥有传统计算机科学学位的人很少。团队的运行约束是共同聚焦：所有人都攻克同一个公司的问题，而不是各自推进偏好的研究项目。
Dent 将抵达新领域前沿描述为“一场彻底的战斗”，伴随“一波波兴奋和痛苦”。他更快的路径是让各领域专家围绕在自己身边，并跨学科学习；同时确保研究人员也是足够强的工程师，能够把发现交付给合作伙伴。
他的架构原则是，必须有人始终掌握整个系统，在软件熵阻断进展前保持简单和模块化。深度学习中的 bug 可能在昂贵运行中隐藏数周；Chai 曾通过反复提交训练任务对 Git 历史做二分，定位代价达数万美元的回归问题，这也是它甚至会为研究代码编写单元测试的原因。
算力投入遵循一种精打细算但进取的门槛：Chai 从免费云额度起步，看到“生命迹象”或 scaling law 后才扩大规模，避免为未经验证的方向扩容。Chai-2 上线后，团队正在招聘产品工程、抗体工程、业务拓展和客户经理岗位。

为什么我不认为 AGI 已近在眼前 Figma IPO：完整拆解，以及 Melio 25亿美元收购为何令人“泄气”