类Google AlphaFold开源模型Chai-1荣获诺贝尔化学奖，引领蛋白质多聚体及多模态分子结构预测新纪元

谷歌DeepMind创始人荣获诺贝尔化学奖

本周，谷歌DeepMind的联合创始人兼首席执行官Demis Hassabis凭借AlphaFold系列模型荣获诺贝尔化学奖，这是人工智能领域首次获得如此殊荣。AlphaFold-3作为该系列的最新版本，在生物分子结构、蛋白质-配体结构及生物复合体预测方面取得了显著进展，有望加速新药研发过程。

然而，AlphaFold-3模型是闭源的，并且在某些国家和地区存在使用限制。因此，AI研究团队Chai开发了一款开源的多模态分子结构预测模型Chai-1。用户可以通过以下链接访问该项目：

– 开源地址：[https：//github.com/chaidiscovery/chai-lab/](https：//github.com/chaidiscovery/chai-lab/)
– 在线地址：[https：//lab.chaidiscovery.com/auth/login?](https：//lab.chaidiscovery.com/auth/login?)

Chai-1模型的优势

尽管近年来许多大模型能够预测蛋白质结构，但在多聚体预测和蛋白质-配体相互作用方面仍存在不足。这是因为蛋白质多聚体的结构和相互作用非常复杂，涉及多个蛋白质分子之间的精确排列和相互作用。因此，模型在处理这种复杂性时可能会遇到困难，难以准确捕捉多聚体中各蛋白质分子之间的微妙相互作用和空间关系。

例如，多聚体中蛋白质分子的相对取向、结合位点的精确位置以及分子间的动态变化等因素对其功能和活性至关重要，但现有大模型可能无法充分考虑这些因素，导致预测结果不够准确。而Chai-1模型在设计上充分考虑了这些复杂性，采用了多种先进技术来提高多聚体结构和相互作用的预测能力。

Chai-1的技术特点

在模型架构方面，Chai-1通过引入来自大型蛋白质语言模型的残基级嵌入，能够更好地捕捉蛋白质序列中的信息，从而提高单序列预测的能力。即使在缺乏多序列比对信息的情况下，Chai-1仍然能够准确预测蛋白质的结构。

此外，Chai-1还添加了多种约束特征，如口袋约束、接触约束和对接约束等。这些约束特征能够模拟实验中观察到的蛋白质与其他分子之间的相互作用，帮助模型更准确地捕捉多聚体中各蛋白质分子之间的微妙相互作用和空间关系。例如，口袋约束可以指定蛋白质口袋与配体之间的距离限制，接触约束可以模拟蛋白质分子之间的接触情况，对接约束可以帮助模型确定蛋白质分子的相对取向。

Chai-1在处理多聚体中蛋白质分子的相对取向时，能够利用其强大的计算能力和优化算法，对各种可能的取向进行全面搜索和评估，从而找到最优的取向组合。对于结合位点的精确位置，Chai-1通过对大量训练数据的学习，能够识别出微小的结构特征和化学信号，从而更准确地确定结合位点的位置。

此外，Chai-1还能模拟分子间的动态变化，考虑蛋白质分子的柔性和运动性，通过引入动态模型或采用机器学习算法来捕捉分子间的动态相互作用，从而更好地预测多聚体在不同条件下的结构和功能。

测试结果

根据测试数据显示，Chai-1仅根据蛋白质序列和配体的化学组成，实现了77%的配体RMSD成功率，与AlphaFold-3的76%相当。在一个包含268个界面、跨越129个结构的评估集中，Chai-1无论是否使用多重序列比对，在单序列模式下，在抗体-蛋白的预测上显著优于AlphaFold-2.3。这表明Chai-1在处理抗体这类高度变异的免疫蛋白质序列时具有很高的准确性和速度。

本文来源：