核心观点 - AI药物研发进入临床试验阶段，Chai-2模型在全新抗体设计中实现16%的命中率，大幅提升药物研发效率 [1][4] - 分子生成平台成为行业新基础设施，将药物设计从"科学实验"转向"工程问题"，类似分子领域的Midjourney时刻 [2][20] - 技术突破推动生物学从"发现科学"向"工程学科"转型，开启全新靶点和分子设计空间 [7][8][23] 技术突破 - Chai-2模型在≤20个测试设计中实现16%的成功率，相比传统方法提升数个数量级 [4][5] - 模型测试52个抗原，50%的靶点在≤20个设计中至少有一个成功结合 [5] - 从结构预测(Chai-1)到分子生成(Chai-2)的技术跨越，实现原子级精度的分子设计 [19][20] - 模型学习到分子相互作用的底层物理化学规则，在序列相似度低至25%的靶点仍保持成功率 [22] 行业影响 - 抗体药占近年获批新药的50%，全球十大畅销药物中七种是抗体药 [4] - 将药物研发周期从数月/年缩短至天/周级别，降低发现阶段成本风险 [7][15] - 解锁传统方法无法触及的"不可成药"靶点，开拓全新治疗市场 [7][8] - 湿实验室角色转变，从初筛工具变为AI验证和优化伙伴 [9][11] 商业模式 - 开放Chai-2访问权限，推动行业合作应用 [9] - 构建从"命中物"到"候选药物"的完整解决方案 [31][32] - 开发类似Photoshop的专业工具套件，降低复杂设计任务门槛 [30][32] - 工程严谨性成为核心文化，确保平台长期迭代能力 [28][29] 未来展望 - 直接"零样本"设计完整候选药物成为可能 [32] - 双特异性抗体等复杂分子设计将更普及 [12][13] - 需要行业专家共同探索关键应用领域 [40] - 提示词设计成为生物学家新技能 [36][38]