从 0.1% 到约 15%：Chai Discovery 为什么把药物设计当成 scaling problem
Training Data 对谈 Chai Discovery 联合创始人 Josh Meier 与 Matt McPartlon，解释 antibody design 如何用 scaling、实验验证和数据飞轮把 drug discovery 推向可迭代的 engineering。
单集信息
| 字段 | 内容 |
|---|---|
| 播客 | Training Data 1 |
| 主持人 | Pat Grady、Sonali Singh，Sequoia Capital 1 |
| 嘉宾 | Josh Meier、Matt McPartlon，Chai Discovery 联合创始人 2 |
| 集标题 | Chai Discovery's Bitter Lesson: Drug Design Is Another Scaling Problem |
| 发布日期 | 2026 年 8 月 4 日 1 |
| 原集链接 | 完整原始音频 |
| RSS GUID | 00198340-89dd-11f1-8519-5f4366a34437 1 |
这集真正要改变的，是问题的形状
Chai Discovery 想让 drug discovery 更像 engineering。传统流程像在 haystack 里筛 millions 或 billions of molecules，找到一个能工作的 needle；他们想让研究者先描述目标分子的形状、结合方式和 developability，再让模型生成可以拿去实验的候选。2
这不是「AI 让 wet lab 消失」的故事。嘉宾反而提出，模型提高实验 ROI 后，实验可能会变多，就像 software engineers 变得更高效后，市场对软件工程的需求未必减少。真正被压缩的是从 idea 到 testable hypothesis 的等待时间，实验室仍然负责验证模型有没有做对。
这也是整集最重要的判断标准：能不能验证，决定了模型能不能继续 hill climb。 如果实验读数能告诉团队哪些设计有效、哪些属性失败，模型、数据和实验就形成反馈回路。biology 的约束并没有消失，只是很多读数要在实验室里花几天或几周才能拿到，而不是像 unit test 那样几秒返回。2
从 protein folding 到带约束的生成
节目把过去十年的进展看成一条能力链：2018 年和 2020 年前后，蛋白质折叠竞赛出现明显跃迁；deep learning 先让模型从 amino acid sequence 推断结构，随后问题变成给定结构反推 sequence，再进一步设计具有特定功能的 protein。2
diffusion models 带来的变化，不只是「生成能力更强」。嘉宾的直觉是，模型不必一步从噪声跳到答案，而是反复执行「把一个稍微坏一点的 protein 变好一点」。把困难任务拆成许多局部修正后，模型可以同时生成 structure 和 sequence，并加入目标形状、binding site 等约束。
Chai 在 2024 年创业，也和 antibody 这个长期被认为太难的对象开始出现可行信号有关。过去的疑问是 antibody 数据不够，无法稳定预测 antibody-antigen structure，更谈不上设计具有 therapeutic function 的 antibody。团队的判断是，随着 architecture、compute 和训练方法变化，这可以被表示成另一类 amino acid sequence prompt，而不必继续当作神秘的独立领域。
0.1% 到约 15%，改变的是反馈质量
节目给出的 baseline 是：当时 antibody design 的 state of the art 约为 0.1% binding rate，即一千个设计里大约一个能在实验室结合目标。这不仅意味着要筛很多分子，也意味着反馈很弱：许多 target 没有 hit，偶尔出现的 hit 又不足以判断其他 drug-like properties。
Chai-2 在访谈中的口述结果是约 15% success rate；Training Data 官方 RSS 摘要写成 16%。两者都来自节目及其官方简介，不是本集提供的统一、独立复现实验 benchmark。即便按较低的 15% 计算，1,000 个设计也能产生足够样本，去观察 developability、manufacturability 等属性，再把结果反馈给模型。12
嘉宾说，他们原本以为三四年才能达到 20%，创业初期甚至把 1% 视为 groundbreaking。结果来得更快，但他们没有因此宣布所有 hard target 已被解决。wet lab 的误差条可能很大，单个任务上的漂亮结果也不等于在更广泛的 target class 上泛化。
一份相关的 Chai Discovery 团队 bioRxiv preprint 报告称，完整长度 monoclonal antibodies 中超过 86% 具有 strong developability profiles，实验测得的结构也与 in silico prediction 接近。这是相关研究材料，不是对本集 15% 或 16% 数字的独立复核。3
scaling 的前提是简单
Chai 的方法论很接近 bitter lesson：扩大 data、models 和 compute，寻找真正存在的 scaling laws，而不是把每个失败都修补成新分支。嘉宾举的反例是 Chai-1 有 23 个 distinct submodules。系统越复杂，研究者越需要分别理解每个模块及其相互作用，下一轮迭代的变量就越多。
因此他们把 simplicity 当成工程原则，拒绝轻易添加只为解决眼前 target 的 module。节目里有一句值得记住的话：「We don't add module 25 to make the next thing work.」 每个新增部件都要回答：它是在修补一个 case，还是在带来可复用、可累积的能力？2
团队构成也随模型变化：早期主要是 AI researchers；到了 Chai-2，才引入 antibody engineers、scientists、product 和 infrastructure 人员。模型从论文结果变成 software 后，GPU cluster 稳定性、product interface、security 和 regression testing 都成了模型能力的一部分。
为什么选择给 pharma 做基础设施
Chai 采用 partnership model，为 Eli Lilly、Novartis、Orgenix、Pfizer 等 pharma company 提供模型和工具，而不是自己做完整 drug pipeline。理由不是平台更轻松，恰恰相反：合作方会验证每个主张，模型不能只生成一个漂亮、最后还要靠 chemist 手工修好的 molecule。
合作模式还是 generalization 检查。只在少数 target 上做出 exquisite molecule，可能让团队误以为模型已经普适；面对不同合作方和真实 target，模型必须持续交付价值。模型变好，合作方使用增加，新实验数据再回到训练与评估流程，形成 data flywheel。2
「九个月到九天」是未来 computer-aided design suite 的目标，不是节目中已被统一验证的加速指标。嘉宾真正想缩短的是 idea 到 testable hypothesis 的循环；循环越短，rare disease、personalized medicine 和 difficult targets 才越可能进入可行区间。12
适合谁，哪些可以跳过
- 适合：做 computational biology、protein design、AI for science、模型训练基础设施或 pharma innovation 的读者。
- 核心增量：理解命中率如何改变实验反馈质量，以及 verification、数据飞轮和产品化约束如何共同决定模型能否继续进步。
- 可以跳过：如果你只关心药物上市结果、临床阶段或 Chai 的商业估值，可以跳过团队文化和未来展望；本集最值得听的是 drug design、hit rate、scaling、验证与 partnership model。
「The lab is a very important part of this.」「We might actually do even more lab testing because the ROI will increase.」「We are a very bitter lesson pilled company.」以上原话均来自本集完整原始音频，中文解释保留了上下文中的限定。2
References
- 1官方 RSS
feeds.megaphone.fm
- 2完整原始音频
pscrb.fm
- 3Chai Discovery 团队 bioRxiv preprint
biorxiv.org
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.