Jack Dent 与 Chai Discovery 联合创始人的深度对话——从 AlphaFold 的继承者到 Eli Lilly 的战略合作伙伴，一家公司如何在 18 个月内将蛋白质结构预测推进到药物设计的最前沿。
Chai-2 不只是 AlphaFold 的升级版——它是第一个将蛋白质结构预测与药物分子设计统一在同一框架内的模型。
2024 年 10 月，Chai Discovery 发布了 Chai-1——一个能够同时预测蛋白质、DNA、RNA、小分子和共价修饰复合物结构的多模态模型。与 AlphaFold 3 不同，Chai-1 从第一天起就完全开源，任何研究者都可以免费使用。
但真正让业界震动的是 2025 年发布的 Chai-2。这个模型不仅在结构预测精度上超越了所有公开基准，更重要的是，它将"预测结构"和"设计分子"统一在了同一个生成框架内——这意味着研究者可以直接告诉模型"我需要一个能结合这个口袋的分子"，而不是先预测结构、再手动设计。
我们不是在做一个更好的 AlphaFold。我们在做的是：给定一个靶点，直接输出一个可以进入临床的候选分子。
— Jack Dent，Chai Discovery CEO
AlphaFold 2（2021）解决了蛋白质单链折叠问题，被誉为"50 年难题的终结"。AlphaFold 3（2024）扩展到了复合物预测，但仅对学术用途开放。Chai-1 和 Chai-2 的核心差异化在于：完全开源 + 多模态生成（不只是预测，还能设计）+ 针对药物发现场景的专项优化。
2022 年 ChatGPT 的发布让公众意识到大语言模型的潜力。Chai Discovery 的创始人们认为，蛋白质结构预测正在经历类似的"GPT 时刻"——从专业工具变成通用基础设施。就像 OpenAI 的 Sam Altman 和 Anthropic 的 Daniela Amodei 在 NLP 领域所做的，Chai 正在将这种范式转变带入生命科学。
Chai Discovery 的四位创始人来自 Meta AI Research——他们是 ESMFold 的核心开发者，在加入 Meta 之前，他们在学术界已经积累了十年的蛋白质语言模型研究经验。
四位创始人的共同背景是 Meta AI Research 的蛋白质团队——他们在那里开发了 ESM（Evolutionary Scale Modeling）系列模型，这是目前最广泛使用的蛋白质语言模型之一。ESMFold 在 2022 年发布时，能够在几秒内预测蛋白质结构，比 AlphaFold 2 快 60 倍。
但他们意识到，在大公司里，研究成果很难直接转化为药物。"我们想要的不是发论文，而是真正改变药物发现的方式。" 这是他们离开 Meta 创立 Chai Discovery 的核心动机。
在 Meta，我们有无限的计算资源，但我们没有办法直接和制药公司合作，没有办法看到我们的模型真正被用于药物发现。这种距离感让我们决定出来创业。
— Jack Dent
大多数 AI 药物发现公司面临的最大挑战不是技术，而是如何与大型制药公司建立信任。Dolsten 在辉瑞的 14 年经历意味着他了解大型制药公司的决策流程、风险偏好和合作模式。他的背书大幅降低了 Chai 与潜在合作伙伴谈判的摩擦。
在所有药物模态中，抗体是最复杂、也是市场规模最大的。Chai 选择从抗体设计切入，是一个高风险高回报的赌注。
抗体药物（单克隆抗体、双特异性抗体、ADC）占全球生物制药市场的 40% 以上，年销售额超过 $2000 亿。但传统的抗体发现过程极其耗时：从靶点确认到候选抗体筛选，通常需要 2-4 年，成本超过 $5000 万。
Chai-2 的抗体设计模块能够在给定靶蛋白结构和结合表位（epitope）的情况下，直接生成具有高亲和力和特异性的抗体序列。在内部测试中，Chai-2 生成的候选抗体中，约 30% 在实验验证中表现出可测量的结合活性——这个比例比传统随机筛选高出 10-20 倍。
CDR（互补决定区）：抗体上直接与抗原接触的 6 个环状区域，决定结合特异性。Chai-2 的生成模型专门针对 CDR 区域进行了优化，能够在保持抗体整体稳定性的同时，精确设计 CDR 序列。
Epitope（表位）：抗原上被抗体识别的特定区域。Chai-2 支持"表位引导设计"——用户可以指定希望抗体结合的表位，模型会生成针对该表位的最优抗体序列。
| 方法 | 时间 | 成本 | 成功率 | 可控性 |
|---|---|---|---|---|
| 传统杂交瘤筛选 | 12-24 个月 | $2000-5000 万 | ~2-5% | 低（随机） |
| 噬菌体展示 | 6-12 个月 | $500-2000 万 | ~5-15% | 中 |
| 计算设计（传统） | 3-6 个月 | $200-500 万 | ~10-20% | 中高 |
| Chai-2 生成设计 | 数天-数周 | $10-50 万 | ~25-35% | 高（表位引导） |
2026 年摩根大通医疗健康大会上，AI 药物发现成为最热门的话题。Chai Discovery 的 Eli Lilly 合作被反复引用为"AI 与大型制药公司深度整合"的标志性案例。
在 JPM 2026 上，几乎每一场关于药物发现的演讲都提到了 AI。但与往年不同的是，今年的讨论已经从"AI 能做什么"转向了"AI 已经做了什么"。Eli Lilly 的 CEO David Ricks 在主题演讲中专门提到了与 Chai Discovery 的合作，称其为"我们加速下一代 GLP-1 药物开发的核心工具之一"。
这个信号的重要性不可低估。Lilly 是全球市值最高的制药公司之一，其 Mounjaro（tirzepatide）和 Zepbound 的成功让公司市值一度突破 $1 万亿。当这样一家公司公开背书一个 AI 工具，整个行业都会跟进。
JPM 2026 是一个分水岭。在那之前，AI 药物发现是一个"有趣的实验"；在那之后，它变成了"必须做的事"。
— 行业观察者
Eli Lilly 选择 Chai Discovery 而非其他 AI 药物发现公司，有几个关键原因：
1. 开源信誉：Chai-1 的开源发布让 Lilly 的科学家能够在签署合同之前就验证模型的能力。
2. 抗体专长：Lilly 的下一代 GLP-1 药物很可能是双特异性抗体或抗体-多肽偶联物，这正是 Chai-2 的核心能力。
3. 团队背景：Chai 团队的 Meta AI 背景让 Lilly 相信他们有能力扩展模型规模。
Mounjaro 和 Ozempic 证明了代谢疾病药物的巨大市场潜力。但 GLP-1 只是开始——Chai 押注的是整个蛋白质药物设计的范式转变。
GLP-1 受体激动剂（Ozempic、Mounjaro、Wegovy、Zepbound）的成功是近十年制药行业最重要的事件之一。这类药物不仅能有效控制 2 型糖尿病，还能显著减重，并且在心血管保护方面显示出意想不到的效果。
但现有的 GLP-1 药物都是多肽类药物，需要注射给药，且价格昂贵（每月 $1000+）。下一代 GLP-1 药物的竞争焦点是：口服制剂、更长效的注射剂型、以及针对更多代谢靶点的多靶点药物。这正是 Chai 与 Lilly 合作的核心方向。
传统的多肽药物优化依赖于大量的化学合成和体外测试，每轮迭代需要数月。Chai-2 的多肽设计模块能够在计算层面预测多肽序列的稳定性、受体结合亲和力和口服生物利用度，将迭代周期从数月压缩到数天。对于 Lilly 这样需要在竞争激烈的市场中保持领先的公司，这种速度优势是决定性的。
Jack Dent 相信，在未来十年内，药物发现的主要瓶颈将从"能不能找到候选分子"转变为"能不能快速完成临床验证"。AI 将彻底改变前者，但后者仍然是人类的领域。
在访谈的最后，Jack 分享了他对未来十年的判断：AI 将使药物发现的前期阶段（靶点识别、候选分子生成、先导化合物优化）的成本降低 90%，时间缩短 80%。这不是渐进式改进，而是范式转变。
但他也坦承，AI 无法解决药物开发的所有问题。临床试验的失败率（约 90%）主要来自于毒性、脱靶效应和患者异质性——这些问题需要更好的临床设计和生物标志物，而不仅仅是更好的分子设计。
我们正在把药物发现变成一个软件问题。这不意味着生物学变得不重要——恰恰相反，它意味着生物学家可以把更多时间花在真正重要的问题上，而不是在实验室里重复筛选。
— Jack DentChai Discovery 的整个商业逻辑建立在一个核心假设上：蛋白质结构预测的精度已经足够高，可以用于指导真实的药物设计决策。如果这个假设是正确的（Chai-2 的数据支持这一点），那么整个药物发现行业的工作流程都需要重写。如果这个假设是错误的，那么 AI 药物发现将继续是一个"有趣但不实用"的领域。
1. 开源作为护城河：通过开源 Chai-1 建立社区信任和数据飞轮，而不是通过专有技术建立壁垒。
2. 平台 + 管线双轨：既向制药公司提供工具，也自己开发候选药物，在两个价值链上同时捕获价值。
3. 抗体优先：在所有药物模态中，抗体的市场规模最大、AI 的改进空间最大、Chai 团队的技术优势最明显。