科研 Skill

Chai-1 复合物结构预测

chai1

使用 Chai-1 基础模型(Chai Discovery,2024,github.com/chaidiscovery/chai-lab)预测蛋白质、核酸和小分子复合物结构。适用于从单个 FASTA 预测抗体—抗原或蛋白质—配体复合物、将设计的结合蛋白重新折叠并作为 AlphaFold-Multimer 的替代方案,或通过 Python 在 GPU 上执行批量共折叠任务。

官方收录发布者 Codar安全审核通过v0.1.0更新于 2026-08-28

SKILL.md

Chai-1

Chai-1 是与 Boltz-2 和 AlphaFold3 同属一类的全原子扩散共折叠模型:输入包含多个实体的 FASTA,输出 mmCIF 以及 pTM、ipTM 和 pLDDT 置信度;蛋白质、RNA、DNA 和 SMILES 配体链都是一等输入类型。它与 boltz 覆盖相同的应用范围;同时运行二者并保留通过任一模型的设计,是一种常见的共识筛选方式。Chai 的 Python 入口使它比二者中的另一个更容易嵌入循环。代码和权重均采用 Apache-2.0 许可证,并明确允许包括药物发现程序在内的商业用途(github.com/chaidiscovery/chai-lab)。

运行方法

from pathlib import Path
from chai_lab.chai1 import run_inference

Path("complex.fasta").write_text("""
>protein|name=target
MVTPEGNVSLVDESLLVGVTDEDRAVRS...
>protein|name=binder
AIQRTPKIQVYSRHPAENG...
>ligand|name=cofactor
CCCCCCCCCCCCCC(=O)O
""".strip())

candidates = run_inference(
    fasta_file=Path("complex.fasta"),
    output_dir=Path("out/"),
    num_trunk_recycles=3,
    num_diffn_timesteps=200,
    seed=42,
    device="cuda:0",
    use_esm_embeddings=True,
)
print([rd.aggregate_score.item() for rd in candidates.ranking_data])

FASTA 标题格式为 >{entity_type}|name={id},其中 entity_type ∈ {protein, rna, dna, ligand};配体记录以 SMILES 字符串作为序列正文,修饰残基以内联形式表示,例如 ...AAK(SEP)AAG...。在命令行中,同一任务可写为 chai-lab fold complex.fasta out/ --use-msa-server。如果没有启用 --use-msa-server(Python 中对应 use_msa_server=True),模型将仅依赖 ESM 嵌入运行;这种方式更快,但其 ipTM 通常比使用 MSA 的运行低几个点。

output_dir 中会生成 pred.model_idx_{0..4}.cif,并为每个样本生成相应的 scores.model_idx_{N}.npz,其中包含 aggregate_score、ptm、iptm、per_chain_ptm 和碰撞标志。按 aggregate_score 排序;可将 iptm > 0.5 视为界面通过的宽松标准。函数会拒绝非空的 output_dir,因此每次调用之间必须清空该目录或将其轮换到新路径。

未设置 CHAI_DOWNLOADS_DIR 时,只读镜像会在运行中途因 PermissionError 失败

Chai 会在第一次推理调用时下载约 5 GB 内容,而不是在安装时下载;其中包括嵌入路径所需、由 Chai 自己提供的跟踪版 ESM2-3B。如果没有设置 CHAI_DOWNLOADS_DIR,默认路径位于 site-packages 内:在只读镜像中,会在运行中途因令人困惑的 PermissionError 失败;在可写镜像中,则会在每次冷启动时静默地把约 5 GB 内容重新下载到容器。应将该变量导出到持久化卷,使下载只发生一次。

无 MSA 模式仍会加载 30 亿参数 ESM——显存相同,并不会更少

在不使用 MSA 的情况下设置 use_esm_embeddings=True,仍会把一个 30 亿参数的语言模型与主干模型一同加载到 GPU 显存中;它消除的是往返 MSA 服务器的过程,而不是显存成本。如果出现 OOM,应降低 num_diffn_timesteps,或在每次调用中折叠更少的链,不要期望无 MSA 模式能够适配显存更小的 GPU。

值得识别的错误

看到的错误含义及处理方法
site-packages/chai_lab/... 下出现 PermissionError在只读镜像上没有设置 CHAI_DOWNLOADS_DIR——将其导出到可写路径或预填充的挂载点。
ESM 嵌入阶段出现 RuntimeError: CUDA out of memory跟踪版 ESM2-3B 正与主干模型一同加载——使用 80 GB 级 GPU,或把不同链拆分到多次调用中。

下一步: 根据置信度和碰撞指标筛选通过的结构,或将其送回 proteinmpnn 开始下一轮设计。

详细信息

作者

Anthropic

许可证

Apache-2.0

第三方软件、内容、条款和信息

权重——Chai-1 · Chai Discovery(Apache-2.0)——条款

向以下服务发送数据——ColabFold MSA server(api.colabfold.com)· Steinegger Lab——信息

所属插件

Codar 生物医学基础能力集成生物分子结构预测、蛋白质设计、基因组与单细胞分析、生信数据库检索、组学研究规划、医学文献与 Codar 生信论文写作能力。

安装该插件会一并获得同领域的 31 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

Chai-1 复合物结构预测能做什么?

使用 Chai-1 基础模型(Chai Discovery,2024,github.com/chaidiscovery/chai-lab)预测蛋白质、核酸和小分子复合物结构。适用于从单个 FASTA 预测抗体—抗原或蛋白质—配体复合物、将设计的结合蛋白重新折叠并作为 AlphaFold-Multimer 的替代方案,或通过 Python 在 GPU 上执行批量共折叠任务。

如何安装Chai-1 复合物结构预测?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「Chai-1 复合物结构预测」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

Chai-1 复合物结构预测需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

Chai-1 复合物结构预测经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。