ИИ учится проектировать антитела: как Chai Discovery строит лекарства с нуля

Ещё пять лет назад предсказать, как две молекулы белка состыкуются друг с другом, было почти неразрешимой задачей — мультимерные версии AlphaFold появились только в 2021 году. Сегодня стартап Chai Discovery показывает, что нейросети для разработки лекарств прошли путь от простого предсказания формы белка до генерации готовых кандидатов в антитела с заданной точкой связывания. Разговор сооснователей Chai с ведущими подкаста Latent Space — хороший повод разобраться, что именно изменилось и почему это не просто ещё одна ИИ-модель для биологии.

От предсказания структуры к дизайну антител ИИ

Логика Chai выстроена как последовательность моделей. Chai-1 решал классическую задачу структурного предсказания: дана последовательность аминокислот — предскажи 3D-форму. Chai-2 сделал шаг дальше и стал генеративной моделью: дана структура мишени — предложи молекулу-связку, которая к ней подойдёт. Это принципиальная разница между «узнать кота на фотографии» и «нарисовать кота в заданном фоне так, чтобы сцена была согласована». Дизайн антител ИИ здесь означает совместную генерацию последовательности и структуры: модель должна одновременно придумать аминокислотную цепочку и убедиться, что она физически сворачивается в нужную форму.

Архитектура: не языковая модель и не чат-бот

Технически Chai — это токенизатор атомов, трансформер поверх токенов и диффузионная часть, которая возвращает 3D-координаты, — по сути гибрид языковой модели и диффузионной модели изображений. Между итерациями диффузии структура и последовательность «подгоняются» друг под друга, пока не сойдутся в самосогласованный результат — авторы сравнивают это с EM-алгоритмом. Для валидации команда прогоняет получившуюся последовательность через независимую модель предсказания структуры: если чужая модель тоже видит нужную форму — это сильный сигнал, что дизайн не случаен.

Почему точность стала ключевой метрикой

Главный сдвиг — не в том, что модель вообще умеет что-то генерировать, а в том, насколько точно. В одном из экспериментов Chai расхождение предсказанной и реально измеренной криоэлектронной микроскопией структуры составило 0,33 ангстрема — треть ширины атома, настолько мало, что команда сначала решила, что лаборатория просто прислала обратно их же чертёж. Именно такая точность превращает предсказание структуры белка нейросетью из вспомогательного инструмента в основу для реального инженерного контроля: можно целиться в конкретный эпитоп, избегать нежелательного связывания с похожим, но безопасным белком, и проектировать селективность, а не перебирать миллиарды случайных вариантов в надежде на удачу — именно так антитела искали раньше, иммунизируя мышей или используя дрожжевой дисплей.

Дизайн-сьют вместо диалогового окна

Показательное решение Chai — отказ от чат-интерфейса. Вместо этого команда построила продукт, похожий на Figma или Autodesk для молекул: инструмент «покраски» эпитопа, аналог content-aware fill для генерации связывающих участков, визуальный слой поверх структурных данных. Это осознанный выбор: для промптинга такой модели пользователю нужно задать пространственные ограничения — не просто «свяжись с этим белком», а «свяжись здесь, но не задень клеточную мембрану и не тронь здоровый вариант белка». Такую спецификацию неудобно формулировать текстом, зато удобно — визуально, кликом по 3D-структуре.

Что это значит для индустрии

Ключевая метафора, которую использует команда, — переход от waterfall-модели разработки лекарств, где каждый этап занимает месяцы или годы, к итеративному циклу, похожему на agile в разработке софта. Пока это верно не для всей цепочки — лабораторная валидация связывания измеряется неделями, а не часами, как в случае с LLM-эвалюациями, — но уже достаточно быстро, чтобы модели можно было дообучать по обратной связи. Для фарминдустрии это означает более дешёвые ранние итерации и возможность отказаться от части полных циклов «мышь → дрожжевой дисплей → скрининг миллиардов вариантов». Для разработчиков ИИ-инструментов — наглядный пример того, что не каждая генеративная модель нуждается в чат-интерфейсе: иногда правильный UI ближе к CAD-системе, чем к диалогу.