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。
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
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
- AlphaFold2 蛋白质结构预测使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。
- 生信论文写作助手按钮审批、本机R优先与生信论文质控交付
- BioServices 生信数据库助手统一访问生物信息数据库
- Boltz 生物分子共折叠使用 Boltz-2 预测蛋白质、核酸和小分子复合物结构(Passaro、Wohlwend 等,2025)。适用于针对靶标验证设计的结合蛋白、将蛋白质与 SMILES 或 CCD 配体共同折叠,或使用可选的结合亲和力预测功能获得开源 AlphaFold3 替代方案。
- Borzoi 基因组调控预测使用 Borzoi 根据 DNA 序列预测全基因组功能轨迹(RNA-seq、CAGE、DNase、ChIP)。适用于评估变异对表达或染色质可及性的调控效应、生成某个基因组位点的预测覆盖轨迹,或根据预测轨迹差值确定非编码变异的优先级。
- bulk RNA-seq 分析助手复现 bulk RNA-seq 分析流程
- 肿瘤枢纽基因课题规划规划传统肿瘤生信课题
- deepTools NGS 信号分析生成 NGS 质控和信号图
- DiffDock 小分子对接使用 DiffDock-L(Corso 等,2023/2024)预测小分子结合姿势。它通过盲扩散对接,在无需预定义搜索框的情况下将配体放入蛋白质口袋,并使用学习得到的置信度模型对样本排序。适用于将 SMILES 或 SDF 对接至 PDB、为小型片段库生成排序后的三维姿势,或为后续重打分生成起始姿势。DiffDock 预测几何构象,而非亲和力。
- ESMFold2 全原子共折叠使用 Biohub ESMFold2/ESMFold2-Fast 进行全原子共折叠,支持单序列和 MSA 模式以及蛋白质、DNA、RNA、配体(CCD/SMILES)和修饰残基;FoldBench 抗体–抗原 DockQ 通过率为 50–55%,PPI 为 70–77%。也覆盖同一版本的 ESMC-{300M,600M,6B} 蛋白质语言模型,包括掩码语言模型 logits、隐藏状态、突变评分、接触预测和 SAE 可解释性预测头。适用于预测单序列输入的复合物结构、使用 ESMFold2-Fast 验证设计结合蛋白、运行 MSA 输入、获取 ESMC 嵌入或逐残基突变分数,以及选择符合论文吞吐设置的内核后端和采样步数。
- Evo 2 基因组基础模型使用长上下文基因组基础模型 Evo 2 对 DNA 序列进行评分、嵌入和生成。适用于计算逐核苷酸或逐序列似然以评估变异效应、嵌入基因组窗口供下游分类使用、根据前缀生成 DNA,以及跨物种评估调控区或编码区。
- ESM-2 蛋白质语言模型使用 Meta AI 的 ESM-2(`fair-esm` 软件包)生成蛋白质嵌入。适用于提取残基级或序列级嵌入供下游机器学习使用、进行掩码语言模型似然或突变效应评分,以及根据序列预测接触图。
- gget 生信检索助手跨生信数据库检索基因蛋白信息
- 治疗适应症研究档案生成治疗适应症档案,覆盖患者人群、流行病学、疾病生物学、标准治疗、监管先例和里程碑式临床试验。
- LigandMPNN 配体环境蛋白设计使用 LigandMPNN(Dauparas 等,2023)在配体、核酸和金属环境下对蛋白质骨架进行逆折叠。适用于重新设计结合口袋中围绕已结合小分子或辅因子的残基、设计必须保持几何构型的金属配位位点,或从任意 MPNN 运行中获得穿线了设计序列的 PDB。
- 科学文献综述查找、核验并综合科学文献——从“X 领域的奠基性论文是哪篇”到完整的多来源综述。涵盖以真实检索到的来源支撑论断、避免伪造引文、处理撤稿,以及根据证据强度校准置信程度。
- 医学文献精读助手精读医学文献并提取关键信息
- Methods 段落写作助手改写可投稿的 Methods 段落
- 科研晨间简报将用户的晨间简报渲染为有样式的 HTML 产物,或将其设置为工作日循环任务。仅当用户明确要求运行、查看或设置晨间简报,或明确调用 /morning 时使用;仅询问当天安排、日程或日历并不构成晨间简报请求,应直接回答。
- OpenFold3 复合物结构预测使用 OpenFold3 进行结构预测。OpenFold3 是 AlQuraishi 实验室开发的 AlphaFold3 开放权重 PyTorch 复现。适用于使用 Apache-2.0 许可的 AF3 复现模型预测蛋白质、核酸和配体复合物结构。
- 通路富集分析助手执行通路和基因集富集分析
- ProteinMPNN 蛋白质序列设计使用 ProteinMPNN(Dauparas 等,2022,github.com/dauparas/ProteinMPNN)将蛋白质骨架(PDB 结构)逆折叠为氨基酸序列。适用于对 RFdiffusion 骨架进行序列设计、在固定界面残基的同时重新设计 PDB 中的一条链,或生成跨温度采样的序列集合供下游折叠使用。
- PyDESeq2 差异表达分析分析 bulk RNA-seq 差异表达
- QTL 共定位研究规划设计 QTL 与 GWAS 共定位分析
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。