Chai-1：复合物结构预测工具部署指南

Chai-1 是 Chai Discovery 发布的生物分子结构预测模型，能力对标 AlphaFold3，可预测蛋白、核酸、小分子配体及其复合物。它最有辨识度的功能是支持注入实验约束——能把交联质谱、突变实验等已知接触信息作为条件喂给模型。

部署

pip install chai_lab

# 也可直接用官方网页版（无需本地 GPU）
python - <<'PY'
from pathlib import Path
from chai_lab.chai1 import run_inference
run_inference(
    fasta_file=Path("input.fasta"),
    output_dir=Path("outputs"),
    num_trunk_recycles=3,
    num_diffn_timesteps=200,
    use_esm_embeddings=True,   # 无 MSA 模式
)
PY

FASTA 用特殊头部标记实体类型：

>protein|name=receptor
MVTPEGNVSLVDESLLVGVTDEDRAVRSAHQFYERLIG
>ligand|name=inhibitor
CC(=O)Oc1ccccc1C(=O)O
>rna|name=aptamer
GGCUAGCUACGAUC

两个实际有用的特性

• 无 MSA 模式：use_esm_embeddings=True 时用蛋白语言模型嵌入替代多序列比对。精度会有损失，但省掉了几百 GB 数据库和漫长的检索时间，对快速迭代或缺乏同源序列的蛋白（如人工设计序列、孤儿蛋白）很实用。
• 实验约束注入：可以把已知的残基接触、交联质谱结果、突变扫描证据作为约束传入，引导预测。当你手上已有部分实验证据、想补全整体结构时，这个功能是同类工具里少见的。

许可要看清楚

Chai-1 的代码与权重按特定条款发布：学术与内部研究用途通常允许，但商业用途（尤其是用于药物发现服务）可能受限或需单独授权。不要因为能 pip install 就假定可以商用。需要完全无限制的商业许可时，Boltz（见 192《Boltz》，MIT）更稳妥。使用前逐条核对当前版本的 LICENSE。

怎么用好

• 同样看 pLDDT / PAE / ipTM 判断可信度，界面预测重点看 ipTM。
• 多次采样取共识：不同随机种子给出一致结构，才说明预测稳定。
• 配体姿势仍需与对接交叉验证并做物理检查，这是所有 AF3 类模型的共同注意事项。

延伸资源

• 教程：021《Chai-1 教程》；对照实现：192《Boltz》、191《OpenFold》、190《HelixFold3》；
• 蛋白语言模型：194《ESM》、195《ESMFold》；
• 结构预测的局限与判读见「结构与模拟」模块。