Chai-1は、Chai Discoveryが2024年秋に発表した分子構造予測のファウンデーションモデルであり、タンパク質だけでなく、小分子、DNA、RNAなど、さまざまな生体分子複合体の3次元立体構造を高い精度で予測する次世代のAIベースのバイオツールです。大規模言語モデル（LLM）が文脈に応じて単語の意味と関係を理解し、テキストを生成するように、Chai-1は入力されたアミノ酸およびヌクレオチド配列と分子グラフ構造情報を精密に合成し、個々の原子レベルの3次元空間座標を導き出します。単一のモデル環境内で、タンパク質-タンパク質相互作用だけでなく、タンパク質-リガンド結合構造まで、マルチモーダリティで同時にモデリングできるため、新規医薬品候補物質の探索や生体分子設計研究の主要なフレームワークとして確立されています。 従来のAlphaFold2やESMFoldのような分子構造予測システムは、大規模な生物学的データベース検索によるMSA（多重配列アライメント）の前処理に、数分から数十分以上の膨大な時間と計算リソースを消費するという限界がありました。独自のモデルであるAlphaFold3は高い予測性能を示しましたが、学術的および商業的な使用条件に制約があるため、研究現場での即時の応用やカスタムパイプラインへの統合が困難でした。これに対し、Chai-1は単一の配列（Single-sequence）入力のみで、強力な高精度な3次元立体構造予測性能を提供し、MSA生成プロセスなしにわずか数秒で推論を完了させ、商業的な研究開発にも制約なく自由に活用できるApache 2.0ライセンスで、すべてのコードとモデルの重み（Model Weights）を公開しています。さらに、実験室での湿式実験（Wet-lab）で得られたエピトープ結合部位や分光法による制約条件を、パイプライン実行の触媒プロンプトとして直接入力することで、予測精度を飛躍的に向上させることができる柔軟性を備えています。 実際のバイオテクノロジーおよび製薬研究現場では、Chai-1は新規医薬品の標的タンパク質と有機小分子化合物間の結合親和性（Binding Affinity）および立体結合ポーズ（Pose）の予測分析に広く活用されています。研究者は、標的タンパク質配列と低分子医薬品候補のSMILES構造を入力として設定し、高性能GPU上でChai-1 Python APIを呼び出して、薬物-標的複合体の3D構造を導き出すことで、バーチャルスクリーニング（Virtual Screening）の速度を従来の10倍以上に短縮できます。さらに、免疫抗体設計の分野では、目的の抗原部位の配列と特定の抗原エピトープ残基（Residue）の制約条件を同時に入力して、抗体-抗原結合構造を超高速でシミュレーションし、計算されたRMSD（平均二乗誤差）およびLDDT（Local Distance Difference Test）スコアに基づいて、有効な結合候補を効率的に選別するパイプラインを構築できます。 その結果、Chai-1は構造生物学研究を、シミュレーションベースの仮想探索から、予測と完全に制御可能な設計の領域へと拡張しています。多鎖複合体構造解析から高分子RNA構造シミュレーションまで、研究者はわずかなPythonコードで構造生物学データセットの生成と構造最適化を実行できます。このようなオープンソースの構造ファウンデーションモデルは、今後、自動化された新規医薬品開発プラットフォームおよびオンプレミスAI新規医薬品スクリーニングパイプラインの主要なエンジンとして、グローバルな生命科学研究エコシステムの革新を主導するでしょう。

Chai-1は、Chai Discoveryが2024年秋に発表した分子構造予測のファウンデーションモデルであり、タンパク質だけでなく、小分子、DNA、RNAなど、さまざまな生体分子複合体の3次元立体構造を高精度で予測する次世代のAIベースのバイオツールです。大規模言語モデル（LLM）が文脈に応じて単語の意味と関係を理解し、テキストを生成するように、Chai-1は入力されたアミノ酸およびヌクレオチド配列と分子グラフ構造情報を精密に合成し、個々の原子レベルの3次元構造を予測します。

事例1: 標的タンパク質と低分子リガンド複合体の3D立体構造予測と、薬物結合ポーズのバーチャルスクリーニング