Chai-1: जैविक अणुओं की पारस्परिक क्रियाओं का विश्लेषण

• Chai Discovery ने दवा खोज में उपयोग होने वाला molecular structure prediction मॉडल Chai-1 पेश किया है, जो protein, small molecule, DNA, RNA और covalent modifications तक को एक ही मॉडल में संभालता है
• सार्वजनिक benchmark में इसने PoseBusters में 77% success rate और CASP15 Cα LDDT 0.849 दर्ज किया, और इसकी सीधी तुलना AlphaFold3, ESM3-98B से की गई
• जहाँ मौजूदा tools मुख्य रूप से multiple sequence alignment (MSA) पर निर्भर करते हैं, वहीं Chai-1 single-sequence mode में भी अपनी अधिकांश performance बनाए रखता है
• multimer prediction में इसने DockQ acceptable prediction rate 69.8% हासिल की, जो MSA-आधारित AlphaFold-Multimer के 67.7% से अधिक थी
• इसका मुफ्त web interface commercial use के लिए भी खुला है, और model weights व inference code Apache 2.0 लाइसेंस के तहत जारी किए गए हैं

---

Chai-1 की घोषणा और उपयोग का तरीका

• Chai-1 दवा खोज से जुड़े कार्यों के लिए बनाया गया एक multimodal molecular structure prediction मॉडल है
• यह protein, small molecule, DNA, RNA और covalent modifications सहित कई तरह के targets को predict कर सकता है
• इसे मुफ्त web interface पर इस्तेमाल किया जा सकता है, और drug discovery जैसी commercial applications में भी इसकी अनुमति है
• model weights और inference code Apache 2.0 लाइसेंस के तहत chai-lab software library के रूप में उपलब्ध हैं

Benchmark नतीजे और MSA पर कम निर्भरता

• प्रमुख benchmark नतीजे मौजूदा बड़े मॉडलों के बराबर या उनसे बेहतर बताए गए हैं
  • PoseBusters: success rate 77%, जबकि AlphaFold3 का 76%
  • CASP15 protein monomer structure prediction set: Cα LDDT 0.849, जबकि ESM3-98B का 0.801
• जहाँ कई मौजूदा structure prediction tools को multiple sequence alignment (MSA) की आवश्यकता होती है, Chai-1 single-sequence mode में भी चल सकता है और अपनी अधिकांश performance बनाए रखता है
• multimer folding prediction में इसने DockQ acceptable prediction rate के आधार पर 69.8% दर्ज किया, जबकि MSA-आधारित AlphaFold-Multimer का 67.7% था
• Chai Discovery के अनुसार, Chai-1 पहला मॉडल है जो MSA search के बिना सिर्फ single sequence से AlphaFold-Multimer स्तर की गुणवत्ता वाले multimer structures predict कर सकता है
• यदि lab से मिले constraints जैसे नए data को prompt के रूप में दिया जाए, तो performance में दो अंकों के percentage points तक सुधार हो सकता है
  • एक उदाहरण epitope conditioning है, जहाँ थोड़े से contact या pocket residue का उपयोग करके भी antibody-antigen structure prediction accuracy दोगुनी हो जाती है
  • ऐसे inputs lab experiments से आ सकते हैं, जिससे AI-आधारित antibody engineering अधिक व्यावहारिक बन सकती है
• मॉडल का विस्तृत विश्लेषण technical report में देखा जा सकता है

टीम और आगे की दिशा

• Chai Discovery टीम में OpenAI, Meta FAIR, Stripe और Google X जैसी research और applied AI कंपनियों के पूर्व सदस्य शामिल हैं
• टीम के कई सदस्यों ने अग्रणी drug discovery कंपनियों में Head of AI की भूमिका निभाई है, और कुल मिलाकर 12 से अधिक drug programs में योगदान दिया है
• Chai-1 कई महीनों के केंद्रित काम का परिणाम है, और Chai Discovery का व्यापक लक्ष्य biology को science से engineering में बदलना है
• आगे चलकर कंपनी biochemical molecules के बीच interactions को predict और reprogram करने वाले और AI-आधारित मॉडल बनाने की योजना रखती है