AbSeek™平台引入 Chai-1：开启全场景分子结构预测新纪元

行业洞察

在抗体药物研发与结构生物学研究中，复合体结构预测正在从单一蛋白建模走向更复杂的多分子体系建模。研究者不仅需要预测抗体或靶蛋白的单体结构，更需要理解抗体–抗原、蛋白–小分子、蛋白–核酸等体系中的界面识别、构象变化与结合模式。

传统结构建模流程往往依赖 docking、模板搜索、多序列比对与多步优化，流程复杂且对专业经验要求较高。对于需要快速比较多个候选抗体、评估突变影响或设计实验验证方案的团队而言，更高效、直观、可迭代的结构预测工具正在成为研发提速的重要支撑。

能够在统一平台中完成序列输入、复合体结构生成、实验约束融合与结果可视化评估，是 AI 结构预测走向产业化应用的关键一步。

导语

赛业生物 AbSeek^TM 智能抗体计算平台 现已正式部署 Chai-1 —— 一款由 Chai Discovery 团队研发的多模态分子结构预测基础模型。

Chai-1 能够在单序列模式下完成蛋白–蛋白、抗体–抗原以及蛋白–小分子复合体的结构预测任务，帮助研究者以更直接的方式获得复合体结构洞察。它将复杂的结构建模过程转化为可操作、可迭代的智能模块，为抗体药物研发提供结构分析和实验设计支撑。

这一部署标志着 AbSeek^TM 平台进一步进入“AI 复合体结构预测”阶段，为分子发现的系统化与加速化提供新的计算能力。

图1. AbSeek^TM 上的 Chai-1 工具页面

Chai-1 是什么？

Chai-1 是一款多模态分子结构预测基础模型（multi-modal foundation model for molecular structure prediction），能够从序列信息、化学结构描述及实验约束条件中，推断生物分子的三维结构与相互作用模式。

它延续并拓展了 AlphaFold 系列的技术路径：不仅具备单体结构预测能力，也能处理多分子复合体系，包括蛋白–蛋白、蛋白–小分子以及蛋白–核酸相互作用。

在公开技术报告列举的评测中，Chai-1 在多个标准数据集上展现出竞争力：

• 在 PoseBusters 蛋白–小分子对接集中，成功率达到 77–81%，与 AlphaFold3 表现接近；
• 蛋白–蛋白复合体预测成功率（DockQ > 0.23）为 0.751，高于 AlphaFold-Multimer 2.3 的 0.677；
• 抗体–抗原复合体预测成功率提升至 0.529，相比传统方法有明显提升。

Chai-1 不仅代表算法能力的进步，也推动结构预测从复杂、冗长的计算流程，转向更灵活、直观且可融入日常实验设计的智能工具。

Chai-1 部署后，AbSeek^TM 平台有哪些新变化？

Chai-1 的引入是一次体系级升级。它不仅扩展了 AbSeek^TM 的计算能力，也进一步优化了智能结构预测的工作流程。

1. 从 docking 到端到端预测：结构生成更直接

在过去的抗体–抗原复合体建模中，研究者通常需要依赖 docking、模板匹配或多步优化流程。这些方法对输入条件依赖较强，对复合体构象变化的捕捉能力也存在限制。

部署 Chai-1 后，平台可直接输入抗体与抗原序列，端到端生成复合体结构。无需复杂的多序列比对（MSA）或模板筛选，即可完成结构预测。

公开评测数据显示：

• 抗体–蛋白复合体预测成功率（DockQ > 0.23）达 0.529，较 AF2.3 的 0.380 有明显提升；
• 在单序列模式下，成功率仍保持在 0.479，表现超过带 MSA 的 AlphaFold-Multimer；
• 在蛋白–小分子任务（PoseBusters）中，Chai-1 的成功率达 77–81%，可与 AlphaFold3 对比。

对平台用户而言，这意味着：

• 更快的建模周期：从序列到结构的预测流程可显著简化，并支持更快速的项目迭代；
• 更高的复合体解析能力：适用于抗体–抗原、多肽–蛋白、小分子–蛋白等多类体系。

Chai-1 的引入让平台进一步实现由序列驱动的自动化结构建模，这是抗体智能计算的重要能力升级。

图2. Chai-1 的模型性能图

2. 与实验数据融合，预测更贴近真实

在抗体设计与验证中，实验信息往往是提高预测可靠度的关键。Chai-1 的一个重要优势，是能够融合实验约束数据（experimental restraints）。通过这些“软约束”，模型可以调整预测结构，使结果更贴近真实构象。

研究结果显示：

• 当仅输入一个抗体–抗原距离约束时，DockQ 成功率由 35% 提升至 57%；
• 当提供 4 个表位残基信息时，DockQ 成功率提升超过一倍。

这种数据融合式预测让实验与计算形成更紧密的闭环：实验提供结构约束，模型输出更可信的结构，结构结果再反过来指导新的实验设计。

在 AbSeek^TM 平台中，用户可在界面中交互式填写约束信息，无需手动构建复杂输入文件，即可调用 Chai-1 的约束推理模块，完成带条件的结构预测。

图3. Chai-1 在抗体–抗原复合体结构预测中的成功率

3. 多分子类型支持：覆盖更多研发场景

Chai-1 并非只面向蛋白–蛋白体系。它在设计上具备跨模态学习能力，可处理多类型分子组合：

• 蛋白–小分子复合体，如酶–抑制剂、蛋白–配体等体系；
• 蛋白–DNA/RNA 复合体，如转录因子–DNA、mRNA–蛋白结合等体系；
• 含化学修饰、金属离子或配体的复杂体系。

在药物研发中，这种广泛适用性尤为重要。研究者可以用同一套模型框架完成抗体筛选、配体优化、结构验证等多个阶段任务，而无需频繁切换不同算法或工具链。

平台也对接了相应的可视化与评价模块。在结构可视化界面中，可采用不同颜色区分 pLDDT，更直观地观察结构各区域的预测情况；同时统计 aggregate score、PTM、iPTM 等指标，帮助用户快速筛选预测结果并评估模型置信度。

图4. 可视化模块

哪些用户适合使用 Chai-1？

Chai-1 的部署为不同类型的研发团队提供了针对性的结构计算能力支持。

1. 生物制药企业

• 加速早期研发与候选筛选：从序列到复合体结构生成的流程大幅简化，可用于快速评估候选抗体的结合特性。
• 支持突变与亲和力分析：在结构层面分析突变效应，辅助亲和力优化与免疫逃逸风险评估。
• 提升项目透明度：通过可视化界面与自动化分析报告，使结构预测结果更容易融入研发流程。

2. 科研机构与高校实验室

• 降低结构预测门槛：无需复杂命令行操作，通过图形化界面即可完成预测任务。
• 增强实验协同能力：可输入表位、交联或二硫键等约束信息，获得更贴近实验假设的结构预测。
• 拓宽研究范围：支持合成肽、嵌合抗体等非典型序列的结构建模，为探索性研究提供更大自由度。

AbSeek^TM 实现从序列到结构、从预测到实验的全链路整合

Chai-1 的部署，使 AbSeek^TM 智能抗体计算平台进一步实现从序列到结构、从预测到实验的全链路整合。研究者可以在一个统一环境中完成从数据输入、结构建模到结果分析的全过程。

未来，平台将继续拓展智能化边界：

• 引入更多前沿模型与自研算法，进一步提升抗体–抗原界面预测能力；
• 优化与实验数据的融合方式，使模型更好理解真实生物体系的约束；
• 推动 AI 结构预测在药物发现、抗体优化和分子设计中的产业化应用。

立即体验：在 AbSeek^TM 平台抗体结构预测模块 中选择 Chai-1，上传序列或复合体信息，即可生成结构预测结果。

开放合作：我们欢迎科研机构与产业伙伴共同探索 Chai-1 在抗体研发、结构生物学及多模态分子建模中的创新应用。

以智能计算连接分子结构与生物功能，让结构预测成为加速生命科学创新的核心引擎。