🔬Biology Is Turning Into Software — Matt McPartlon and Neil Patil, Chai Discovery
Latent Space · 2026-08-12
Chai Discovery 用自研 AI 设计抗体，50 个目标蛋白里有一半实验成功，结构预测误差仅 0.33 埃，已签 Eli Lilly、Pfizer 等大药厂。
制药不再靠筛鼠，开始像软件迭代
Matt McPartlon 是 Chai Discovery 联合创始人，在 AI biology 领域做了约 8 年研究，亲历了 AlphaFold 1 到 AlphaFold 2 把蛋白结构预测从“有点意思”推到可用的过程。Neil Patil 负责 Chai 的平台和产品，做过自动驾驶、合规 SaaS 公司 Vanta 的早期员工，也创办过安全公司。一个人盯模型能不能真正设计分子，一个人盯这些能力怎样变成药企敢放进研发流程的产品。
这场对话的重点不在“AI 能帮药企少花多少钱”，而在另一件更具体的事：过去靠小鼠免疫、酵母展示和海量筛选碰运气的药物发现，能否变成一套可以指定目标、约束风险、反复迭代的工程系统。
这期回答了 7 个问题：
- 为什么 AI 做药的最大价值不是省一点研发费，而是解锁原本不可能的分子形式？
- 怎样让一个抗体既精准结合目标，又主动避开会带来副作用的相似蛋白？
- 药物研发如何从数年一关的瀑布流程，变成实验与模型互相喂数据的闭环？
- 为什么生物科学家需要的不是聊天机器人，而是一套分子版 Figma？
- 不自己开发药物的 Chai，凭什么能获得大型药企的长期信任？
- 模型预测已接近原子级精度，为什么湿实验验证仍是最大瓶颈？
- 当模型越来越能“一次生成好药”，人类使用产品的方式会如何上移？
被问到：如果抗体发现环节省下的可能只是几百万美元，为何药企会为结构模型投入巨大价值时，Matt 先泼了盆冷水：若只是给一个相对简单的靶点找抗体，AI 的确可能只是把已有流程做快一点。传统做法通常是给小鼠免疫，看看它的免疫系统自然产生什么抗体；或者用酵母展示，把海量候选分子拿去逐个筛。一次针对单一靶点的搜索，起点往往就是数十亿个候选，最后只留下 1 个、2 个，运气好也许十几个 hit，也就是初步确认能结合靶点的分子。
问题在于，药物形式一复杂，搜索空间就不是“大”而已，而是开始相乘。双特异性抗体有两只“臂”，每只臂都要各自抓住不同靶点。若两边各自都是十亿分之一的概率找到合适 binder，传统筛选不是把难度加倍，而是把两个稀有事件硬乘在一起。"this just isn't going to work with the traditional approach."（这用传统方法根本行不通。）
这意味着，AI 的主要账本不该只算“少做几轮筛选”。它真正打开的是高度工程化的分子形式：双特异性分子、多弹头结构、抗体药物偶联物 ADC，或需要极精确地“按下”细胞某个开关的激动剂。传统免疫无法直接长出这类按规格拼装的东西。反过来说，简单靶点上，模型带来的仍可能主要是效率提升；越是传统方法根本覆盖不到的复杂分子，算法的杠杆才越明显。
被问到平台如何处理选择性和交叉反应时，Chai 给出的定义很直白：药物不是只要“能粘住”目标就够了。所谓 selectivity，也就是选择性，是它该结合的只结合该结合的；所谓 cross-reactivity，交叉反应，则是它会不会顺手粘到别的相似蛋白上。后者往往是副作用和毒性的来源。
一个实际场景是动物实验。候选药物通常不能直接进人体，可能先要在猴子中测试。可猴子和人类的同一种蛋白并不完全相同。于是设计者希望抗体既能结合人类版本，也能结合猴子版本，就得找出两个版本中变化较少、相对保守的区域，再把结合位点定在那里。另一个场景恰好相反：人体内有一种与目标蛋白高度相似、却本身无害的蛋白。若候选药物误结合它，可能造成严重副作用。此时要求就变成：必须击中 A，但必须躲开 B、C、D。
"you can be very specific about what you care about binding versus what you care about avoiding."（你可以非常具体地规定：哪些东西必须结合，哪些东西必须避开。） 这意味着筛选标准从单一的“是否结合”变成组合约束：跨物种可用、对目标有结合力、避开近似蛋白、尽量降低安全风险，要同时成立。最容易粘住靶点的分子，不一定最有药用价值；更重要的是它是否落在一组边界内。Matt 也强调这件事“很 nuanced”，也就是有大量细节和例外：部分案例已能直接尝试做到，并不等于所有选择性问题都已被可靠解决。
被问到 Chai 只做 hit discovery，还是也会进入 lead optimization，即从初步命中分子继续优化成候选药物的阶段时，两人先挑战了这种切段方式。传统研发常被拆成靶点发现、hit 发现、优化等关卡。每一关都可能花数月到数年，上一关没过，下一关无法开始。这是典型瀑布流程：前期试一次很贵，因此团队倾向于把一个阶段做得很久、很慎重，再往下交接。
Chai 的研究北极星则更激进：从模型中 de novo，也就是从头生成，尽量 one-shot，一次就给出接近下一阶段要求的药物候选物。它不是先拿到一堆“能粘的”，再慢慢挑出药性更好的，而是希望模型一开始就同时考虑结合强度、可开发性等条件。Chai 2 曾针对 50 个靶点设计抗体，约一半拿到 binder，这种结果让药企开始愿意拿自己的问题来试。
但产品现实不会等待 one-shot 完美实现。用户可以把实验室里得到的 binder 结果重新喂给模型，作为下一次生成的条件：先拿候选物，做湿实验，再带着结果重新运行模型。"It's it's akin to like becoming more agile in software development."（这很像软件开发开始变得更敏捷。）
这意味着湿实验的角色会变。它不再只是项目末尾的验收章，而会成为下一轮设计的输入数据。不过，两条路线不能混为一谈：一次生成接近成药分子是研究愿景；依赖实验反馈不断修正，仍是眼下必须能跑通的产品工作流。
被问到模型跨过“有用阈值”后，如何把它交给药企科学家使用时，Neil 讲了一个很现实的转折：Chai 2 发布后，大量 pharma 和 biotech 主动来问，模型能不能拿来用。团队才意识到，光有论文和模型不够，还得紧急搭建一套让客户能操作、能检查、能把约束表达清楚的产品。
他们没有把答案做成 ChatGPT 式聊天框，而是把它做成更接近 Autodesk、SolidWorks 或 Figma 的分子 CAD。CAD 是计算机辅助设计，核心不是“问一句、回一句”，而是把对象摆在画布上，直接修改、观察、校验。在 Chai 的设计套件里，科学家可以载入分子三维结构，在蛋白表面标记 epitope。epitope 是表位，简单说就是抗体希望贴上去的那一小块表面。"You have this equivalent of a paint tool to kind of paint your epitope."（你有一种相当于画笔的工具，可以在表位上“涂画”。）
产品还提供类似 Photoshop 内容识别填充的能力：用户指定要处理的位置，模型生成 binder；同时配有科学分析和绘图，供用户理解模型给出的结构和结果。这意味着竞争不只发生在模型分数上，也发生在复杂约束能否被看见、被操作、被检查。团队提到一个难点是防止用户“shoot yourself in the foot”——约束下错了，模型可能非常认真地帮你做出一个错误答案。可视化降低了操作门槛，却没有消除生物学本身的复杂性。
被问到为什么 Eli Lilly、Pfizer、Novartis 和 Genentech 等大型药企会找 Chai，而不是找别的结构生物学公司时，Matt 和 Neil 的答案首先不是模型多强，而是站位不同。Chai 不把自己定义为一家拥有自研管线、最终要和药企争同一款药的 biotech；它把自己放在药企研发组合背后，提供模型、设计工具和工作流。
Neil 的说法是："we see ourselves as almost a a neutral software factory for making medicines."（我们把自己看作一个近乎中立的“制药软件工厂”。） 这里的“中立”不是姿态，而是利益关系。若 Chai 自己推进药物项目，合作伙伴就会担心：我今天拿去设计的靶点、数据和方向，会不会在明天成为平台方的竞争资产。反过来，若 Chai 的成功直接取决于伙伴项目成功，它就能服务多个药企的多个项目，而不是押注少数内部管线。
另一个门槛是知识产权。药企对靶点、实验结果、候选结构极其敏感，平台若不能处理数据隔离，模型再好也很难进核心流程。Chai 采用 single tenancy 的思路，为每个客户近似部署独立产品版本或账户，避免数据在客户间混用。这意味着它的护城河不只是模型效果，还包括安全隔离和从真实项目中学到的工作流。代价也清楚：不自研药，便没有一条自有管线兜底，Chai 必须持续交付更强的模型和产品价值，伙伴才会把更重要的项目交给它。
被问到生成出的蛋白序列和结构，怎样确认不是模型内部自洽的幻觉，而是真的能在实验里工作时，Matt 把问题指向整个领域最慢的一道闸门。早期研究常用一个独立的结构预测模型来检查设计：如果生成模型给出一段序列和结构，另一个模型也认为这段序列会折叠成类似结构，就更有把握。
但这种“自一致性”有漏洞。若模型总生成长得差不多的蛋白，预测器可能也会持续给出一致答案；模型看似稳定，实际只是在一个狭窄角落打转。因此还要看生成结果是否多样、预测器对不同部分是否有可信的置信度，更要做真正的湿实验。Chai 曾拿一个设计做 cryo-EM，也就是把蛋白冷冻后用电子束成像，结果测得结构误差仅 0.33 埃，约为一个原子宽度的三分之一。团队看到预测结构和实验电子云几乎重合，起初甚至怀疑实验室把原始设计文件误发回来了。
这很惊人，却没有消掉瓶颈。结构验证可能要等数月；与湿实验室网络合作后，某些 assay 已能压到数周，但仍无法像语言模型实验那样几小时回结果。"if you're waiting months to figure out hey was my model correct? Like it's just it's hard to iterate in a research environment that way."（如果要等上几个月才知道模型到底对不对，这种速度很难让研究环境有效迭代。） 这意味着下一轮竞争不只是生成更多候选物，而是谁能更快拿到可信实验标签。模型速度已经很快，验证吞吐量才是决定它能以多快速度改进的阀门。
被问到一个略显残酷的问题时，Neil 坦白说，自己曾担心 Chai 4 出来后，团队刚投入大量时间做好的分子查看、操作和可视化能力，会不会全得推倒重来。传统软件团队常假设一个产品可以稳定使用 20 年；在快速演进的科学模型面前，Chai 的假设变成：它或许只需要有效一年。
"Now it's supposed to last maybe one year, but it is the bridge to deliver value and kind of enable the research that then gets you to the next thing."（如今它可能只需要存在一年；它是交付价值、并推动研究走向下一步的桥梁。） 这不是对短命产品的浪漫化，而是对产品层级的重新安排。今天，用户还得像在 Cursor 中检查代码一样，检查分子、键的形成方式和生成物的属性，因为模型输出仍需要人仔细核验。
可随着结构预测、结合预测和分子设计这些底层能力变得更稳，产品的抽象层会逐步上移。下一层可能是围绕一个靶点，编排多种表位选择和多组设计假设；再下一层，则是围绕同一条生物通路中的多个靶点，协调整个研发活动。也就是说，人不必永远盯着每一个原子，界面会把注意力推向更高层的决策。边界是，模型进步越快，产品路线图越难按传统软件周期规划，团队必须接受主动淘汰刚做完的东西。
“AI 的价值不是把旧药做便宜，而是让传统筛选做不到的分子成为选项”，和“研发流水线会被模型候选压缩成实验—再设计闭环”，其实都在说同一件事：药物发现正从依赖自然搜索和阶段闯关，变成可以声明要求、生成方案、验证后再修改的工程系统。
但这个系统还没有像软件编译那样确定。第 2 条里的“规定该粘谁、避谁”，说明真正困难的不是找到一个 binder，而是在跨物种、选择性和安全性之间同时满足约束；第 6 条“模型再准，也绕不过湿实验验证这个慢闸门”，则说明计算能力再快，生物世界仍要用实验给出最终判决。第 7 条进一步提醒，连产品本身也不能被当作固定成品，它只是把当前模型能力接到下一轮研究上的桥。
对读者而言，关键不在于把每个药物术语背下来，而在于看清一个变化：当模型能够处理更多约束时，人类工作的重心会从“手工筛出一个答案”，转向“定义问题、检查边界、组织反馈”。在生物学里，这条路比软件慢得多，因为每个答案都要穿过湿实验；但也正因如此，谁能把模型、实验和产品真正接成闭环，谁才可能让药物研发不再只是更快地摸黑。
