chai

Chai-1 構造予測

前提条件

要件	最小	推奨
Python	3.10+	3.11
CUDA	12.0+	12.1+
GPU VRAM	24GB	40GB (A100)
RAM	32GB	64GB

実行方法

初めてですか？ Modal と biomodals のセットアップについては、Getting started をご覧ください。

オプション 1：Modal

cd biomodals
modal run modal_chai1.py \
  --input-faa complex.fasta \
  --out-dir predictions/

GPU：A100 (40GB) | タイムアウト：デフォルトは 30min

オプション 2：Chai API（推奨）

pip install chai_lab

python -c "
import chai_lab
from chai_lab.chai1 import run_inference

# Run prediction
run_inference(
    fasta_file='complex.fasta',
    output_dir='predictions/',
    num_trunk_recycles=3
)
"

オプション 3：ローカルインストール

git clone https://github.com/chaidiscovery/chai-lab.git
cd chai-lab
pip install -e .

chai-lab predict \
  --fasta complex.fasta \
  --output predictions/

FASTA 形式

タンパク質複合体

>binder
MKTAYIAKQRQISFVKSHFSRQLE...
>target
MVLSPADKTNVKAAWGKVGAHAGE...

タンパク質 + リガンド

>protein
MKTAYIAKQRQISFVKSHFSRQLE...
>ligand|smiles
CCO

タンパク質 + DNA/RNA

>protein
MKTAYIAKQRQISFVKSHFSRQLE...
>dna
ATCGATCGATCG

主なパラメーター

パラメーター	デフォルト	範囲	説明
num_trunk_recycles	3	1-10	リサイクル回数（多いほど良好）
num_diffn_timesteps	200	50-500	拡散ステップ数
seed	0	int	ランダムシード

出力形式

predictions/
├── pred.model_idx_0.cif    # Best model (CIF format)
├── pred.model_idx_1.cif    # Second model
├── scores.json             # Confidence scores
├── pae.npy                 # PAE matrix
└── plddt.npy               # pLDDT values

注：Chai-1 の出力形式は CIF です。必要に応じて PDB に変換します。

from Bio.PDB import MMCIFParser, PDBIO
parser = MMCIFParser()
structure = parser.get_structure("pred", "pred.model_idx_0.cif")
io = PDBIO()
io.set_structure(structure)
io.save("pred.model_idx_0.pdb")

メトリクスの抽出

import numpy as np
import json

# Load scores
with open('predictions/scores.json') as f:
    scores = json.load(f)

plddt = np.load('predictions/plddt.npy')
pae = np.load('predictions/pae.npy')

print(f"pLDDT: {plddt.mean():.3f}")
print(f"pTM: {scores['ptm']:.3f}")
print(f"ipTM: {scores.get('iptm', 'N/A')}")

ユースケース

バインダーの検証

# Predict complex with Chai
chai-lab predict --fasta binder_target.fasta --output val/

# Check ipTM > 0.5
scores = json.load(open('val/scores.json'))
if scores['iptm'] > 0.5:
    print("Design passes validation")

タンパク質-リガンド複合体

# FASTA with SMILES
fasta = """
>protein
MKTA...
>ligand|smiles
CCO
"""

# Chai handles both protein and small molecules

バッチ予測

# Multiple sequences
for fasta in sequences/*.fasta; do
    chai-lab predict \
        --fasta "$fasta" \
        --output "predictions/$(basename $fasta .fasta)"
done

AF2 との比較

項目	Chai-1	AlphaFold2
MSA が必要	いいえ	はい
小分子	はい	いいえ
DNA/RNA	はい	限定的
速度	高速	低速
精度	同等	基準

出力例

正常に実行された場合

$ chai-lab predict --fasta complex.fasta --output predictions/
[INFO] Loading Chai-1 model...
[INFO] Running inference...
[INFO] Saved 5 models to predictions/

predictions/scores.json:
{
  "ptm": 0.82,
  "iptm": 0.71,
  "ranking_score": 0.76
}

良好な出力の目安：

• pTM：> 0.7（全体構造の信頼度が高い）
• ipTM：> 0.5（インターフェースの信頼度が高い。高信頼度の目安は > 0.7）
• 原子位置が妥当な CIF ファイル

判断フロー

Should I use Chai?
│
├─ What are you predicting?
│  ├─ Protein-protein complex → Chai ✓ or ColabFold
│  ├─ Protein + small molecule → Chai ✓
│  ├─ Protein + DNA/RNA → Chai ✓
│  └─ Single protein only → Use ESMFold (faster)
│
├─ Need MSA?
│  ├─ No / want speed → Chai ✓
│  └─ Yes / want accuracy → ColabFold
│
└─ Priority?
   ├─ Highest accuracy → ColabFold with MSA
   ├─ Speed / no MSA → Chai ✓
   └─ Ligand binding → Chai ✓

一般的なパフォーマンス

キャンペーン規模	所要時間 (A100)	コスト (Modal)	備考
100 複合体	30-60 min	~$10	標準的な検証
500 複合体	2-4h	~$45	大規模キャンペーン
1000 複合体	5-8h	~$90	包括的な検証

複合体あたり：一般的なバインダー-標的複合体では約 20-40 秒です。

---

検証

find predictions -name "*.cif" | wc -l  # Should match input count

---

トラブルシューティング

pLDDT が低い：num_trunk_recycles を増やします。 ipTM が低い：鎖の順序とインターフェース領域を確認します。 OOM エラー：A100-80GB を使用するか、バッチサイズを小さくします。 予測が遅い：num_diffn_timesteps を減らします。

エラーの解釈

エラー	原因	解決方法
RuntimeError: CUDA out of memory	複合体が大きすぎます	A100-80GB を使用するか、予測を分割します
KeyError: 'iptm'	単一鎖が予測されました	FASTA に複数の鎖が含まれていることを確認します
ValueError: invalid SMILES	リガンドの形式が不正です	RDKit で SMILES を検証します
torch.cuda.OutOfMemoryError	GPU のメモリを使い切りました	num_diffn_timesteps を 100 に減らします

---

次へ：フィルタリングとランキングには protein-qc を使用します。