Chai DiscoveryとGSKの契約、製薬分野で急速に拡大も次は臨床的な証明

Chai Discoveryは、成功したラボ評価を経てGSKと契約を締結した。これにより、このAIスタートアップにとって過去9カ月で6社目の大手製薬パートナーが加わった。Chai DiscoveryとGSKの契約は、同社のタンパク質モデルを実演の段階から、GSKの研究パイプライン全体にわたる創薬業務へと進めるものだ。

重要なのは、単なる新たな企業間契約ではない。GSKはコンピューター生成の設計を複数の生物学的標的に対して試験し、評価したすべての標的でバインダーを得たと報告した。バインダーとは標的タンパク質に結合する分子であり、多くの場合、設計を有用な治療法へ転換するための最初の条件となる。

この結果は、好意的なソフトウェアベンチマーク以上に、Chaiにとって強力な商業的根拠を与える。ただし、これは管理されたラボ作業から得られた初期段階の証拠であり、AI設計の医薬品が動物や患者で成功することの証明ではない。現在の中心的な争点は、迅速な初期設計と、分子が医薬品になるかを決めるより遅い生物学的検証との間にある。

Chai DiscoveryとGSKの契約はラボ試験から始まった

GSKは、自社ラボでChaiが生成した分子を試験した後にのみ関係を拡大した。

両社は2026年10月9日に協業を発表した。この契約に基づき、GSKは医薬品メーカーのパイプライン全体にわたるプログラムで、タンパク質フォールディングおよび分子設計モデルを含むChaiのプラットフォームを利用できるようになる。

両社は金銭的条件、標的名、疾患領域、プログラム数、所有権の取り決めを公表していない。この情報不足により、契約が持つ潜在的な商業価値を判断することには限界がある。また、技術が初期導入段階にとどまる間、両社が柔軟性を確保したいことも示唆している。

最も有用な詳細は、契約に先立つ評価に関するものだ。Chaiは標的固有のトレーニングを受けずに、さまざまなGSKの標的に向けた分子設計を生成した。その後、GSKがこれらの設計を社内で試験し、評価対象となったすべての標的に対してバインダーを見いだしたと報告した。

この手法はゼロショット設計として知られる。モデルは、その標的のために特別に作成された例で学習することなく、新たな課題に取り組む。分子創薬において説得力のあるゼロショットの結果は、モデルが異なるタンパク質間で転用可能なパターンを学習したことを示唆する。

GSKは標的の数や名称を明らかにしていない。また、研究者が試験した設計数、バインダーとなった数、既存の創薬手法との比較も開示していない。各標的で少なくとも1つのバインダーが見つかったことは有望だが、実験の効率性までは分からない。

結合親和性は、さらに別の証拠層を加える。この測定値は、ある分子が別の分子にどれほど強く結合するかを示し、より強い結合はその後の開発を後押しすることが多い。GSKのR&Dテクノロジー担当シニアバイスプレジデントであるChristopher Austinは、この評価によって多様な標的に対して高い結合親和性を持つ設計が得られたと述べた。

Austinはまた、ChaiのシステムをGSKの社内モデルを補完するものと位置付けた。GSKはこれらのモデルを自社のラボデータで継続的に再学習させている。この発言は、外部の基盤モデルが設計を生成し、独自の実験によって選択と検証を洗練させるハイブリッドな運用モデルを示している。

ChaiのGSKとの協業に関する発表によれば、GSKがウェットラボ評価を実施する前に、同社のモデルが設計を生成したという。ウェットラボとは、コンピューターシミュレーションだけに依存するのではなく、研究者が生物学的材料を試験する物理的な実験室を指す。

この順序は重要だ。GSKは公表済みのベンチマークを確認した後に単にモデルをライセンスしたわけではない。科学者たちが実証的な試験を行い、その結果を見てから取り組みを拡大した。

したがって、この契約は評価から導入への転換を意味する。この転換こそが、本件で最も明確な商業的シグナルである。ただし、治療法としての下流段階での成功について読者に伝える情報はほとんどない。

Chaiは2024年、Joshua Meier、Jack Dent、Matthew McPartlon、Jacques Boitreaudによってサンフランシスコで設立された。創業者らはOpenAI、Meta、Stripe、分子工学、学術研究での経験を持ち寄った。

こうした背景は、Chaiが主要投資家と技術的な注目を急速に集める助けとなった。しかし、同社の決定的な主張は、医療における人工知能全般への期待よりも狭い。製薬科学者が特定の標的に向けた分子を作り出すために使える、コンピューター支援設計システムの提供を目指している。

GSKの評価は、その主張を試す一つの試験だ。より広範な協業は今後、結合をはるかに超える要件が求められる実際の創薬プログラム全体で、同じ手法が有用であり続けるかをChaiが示す機会となる。

ゼロショットタンパク質設計がGSKにとって重要な理由

戦略的価値は、実用的な出発分子を生み出すまでに必要なラボサイクルの数を減らせる点にある。

従来の創薬チームは、多くの場合、既存分子の大規模なライブラリーを探索し、実験的に試験し、有望な候補を繰り返し改変する。各サイクルでは、材料、科学者の労力、ラボの設備能力が消費されうる。

生成AIタンパク質モデルは、このワークフローの一部を逆転させる。研究者がすでに保有しているものだけをスクリーニングする代わりに、望ましい生物学的相互作用に基づいて新たな分子構造を提案する。科学者はその後、より少数の設計を合成して試験できる。

Chaiによれば、同社のモデルは生物学的構造と相互作用を予測し、選択された標的に結合し得る分子を生成する。分子設計プラットフォームは、抗体やより小型のタンパク質バインダーを含むタンパク質に焦点を当てている。

抗体は、特定の分子的特徴を認識できる免疫タンパク質だ。治療用抗体は、この選択性を応用して、疾患関連標的を阻害、活性化、または治療を運搬する。

その設計には、結合する構造を見つける以上のことが求められる。有用な候補は安定性を保ち、望ましくない免疫反応を避け、製造に適し、体内で予測可能に振る舞わなければならない。

ゼロショット性能が重要なのは、製薬チームが実験データの乏しい標的に常に直面するからだ。新たな標的ごとに対応する前に大規模なカスタムデータセットを必要とするモデルでは、既存の準備負担の多くが残ることになる。

一方、転用可能なモデルであれば、研究者が広範な標的固有のトレーニングデータを蓄積する前に、初期候補のセットを生成できる。このプロセスにより、プログラムをより迅速に実験的学習へ進められる可能性がある。

GSKの結果は、このより限定的な主張を支持している。Chaiのモデルは標的固有のトレーニングなしに試験可能な設計を生み出したとみられ、GSKは試験パネル全体でバインダーを見つけた。ただし、すべての標的が同様に反応することを立証するものではない。

非開示のサンプルサイズはとりわけ重要だ。慎重に選定された小規模パネルでの成功と、多数の無関係かつ難易度の高い標的での成功とでは意味が異なる。この発表では、読者が両者を区別することはできない。

また、各プログラムにおいて「高い」親和性が何を意味するのかも説明されていない。結合要件は、標的、治療メカニズム、分子タイプによって異なる。次の創薬ラウンドを正当化する結果であっても、開発候補には届かない可能性がある。

それでも、この協業はAI創薬におけるより広範な変化に合致している。モデルは公開された構造ベンチマークから、実際の開発判断につながる実験へと移行している。

2026年の創薬レビューは、有用な評価には、明確に定義されたプロジェクトの文脈や意思決定ポイントとモデルを結び付ける必要があると論じた。生物学的データは実験条件に大きく依存するため、一般的なモデル性能だけでは臨床的関連性を確立できない。

GSKの評価は、このプロジェクト中心のパターンに従っている。同社の研究者は標的を選び、生成された分子を試験し、その結果を用いて関係を深めるかどうかを判断した。

GSKにとって、このプラットフォームは分子仮説の新たな供給源となる。社内モデルは、外部ベンダーが利用できない独自の実験データから学習できるため、依然として大きな優位性を持つ。

Chaiは補完的な基盤レイヤーを提供する。GSKはその提案を社内システムと比較し、自社データと組み合わせ、どの候補にラボ資源を割くべきかを判断できる。

この構造は、GSKを単一のAIサプライヤーへの依存からも守る。医薬品メーカーは科学的判断を外部委託するのではなく、既存の研究プロセス内の構成要素として外部システムを扱える。

Chaiにとって、この取り決めは難しい標的と厳格な製薬基準に繰り返し触れる機会を生む。機密データがパートナーの環境内にとどまる場合でも、成功した各プログラムは他の買い手に対するプラットフォームの信頼性を高められる。

この違いこそ、契約がソフトウェアのサブスクリプション以上に重要である理由を説明する。製品は、モデル生成と物理的実験の間にあるフィードバックループへ入っていく。

企業が有用な実験シグナルを受け取れば、このループは意思決定を改善できる。一方で、計算上の確信が生物学的挙動を予測できない場面も明らかにし得る。

6社の製薬パートナーがモデルを商業ネットワークへ変える

Chaiの急速なパートナー拡大は、臨床検証が得られる前でも製薬企業が同社のモデルを試す意向を持つことを示している。

報道によれば、GSKとの契約により、2026年初頭以降でChaiにとって6社目の大手製薬パートナーとなる。発表済みの顔ぶれには、Eli Lilly、Pfizer、Novartis、argenx、Bristol Myers Squibb、GSKが含まれる。

これらの関係はすべて同一ではないようだ。一部はChaiのソフトウェアへのアクセスを提供し、他は抗体創薬や特定の研究プログラムに焦点を当てる。共通するテーマは、確立された製薬組織内での生成分子設計の利用だ。

2024年設立の企業として、このペースは際立っている。Chaiが一つの導入障壁、すなわちプラットフォームが社内の科学的評価に値すると大手製薬企業を説得する障壁を下げたことを示唆している。

Eli Lillyは、最も早くから目に見える形で導入した企業の一つだった。同社はChaiの生成モデルを、自社のバイオ医薬品に関する専門知識と独自データと組み合わせる計画だと述べた。

この提携は、製薬研究向けAIインフラへの投資が広がる中で実現した。LillyはNvidiaと別のAIラボ構想も進めており、製薬企業が複数のテクノロジープロバイダーと同時に協業できることを示している。

したがって、Chaiの商業戦略は、製薬企業の研究スタック全体を置き換えることに依存しない。既存のデータ、ラボ、開発チームと接続する専門的な設計能力を販売できる。

この位置付けは、社内の医薬品パイプラインを開発・保有するAIネイティブのバイオテクノロジー企業とは異なる。プラットフォーム提供企業は技術を多くのパートナーに展開できる一方、医薬品開発企業は成功した医薬品からより大きな価値を得るが、より大きな資本および臨床リスクを負う。

Chaiは両戦略の要素を組み合わせているようだが、現在の公の勢いはパートナーシップから生まれている。アクセス契約や協業は、完全所有の医薬品が治験を完了するまで何年も待つより早く、市場からの検証をもたらす。

このモデルは、9カ月間で急速に拡大した背景も説明する。製薬企業は、大きな投資判断を下す前に、対象を限定して設計ソフトウェアを評価できる。創薬オペレーション全体を再編する必要はない。

ChaiとLillyとの提携に関する先行報道では、同社のモデルは汎用言語モデルを転用したものではなく、独自設計のアーキテクチャだと説明されていた。この違いは重要だ。分子の幾何構造や生化学的相互作用には、物理的構造に適した表現が求められるためである。

Chaiの資金調達は、拡大するこのネットワークを支える資源を同社にもたらす。2025年12月にSeries Bを調達し、その後2026年に追加資金の調達を発表した。

ただし、資金調達が科学的性能を裏付けるわけではない。より大規模なモデル学習、ラボ作業、採用、顧客支援を可能にするものだ。製薬パートナーは依然として、各プログラムについて実験的な証拠を必要とする。

提携によってChaiが多様な標的クラスや設計上の課題に触れるなら、このネットワーク自体が強みになる可能性がある。より多くのプログラムでの経験は、繰り返し現れる失敗パターンを明らかにし、科学者によるシステムの活用方法を改善し得る。

データへのアクセスは依然として複雑だ。製薬企業は実験結果や化合物情報を厳重に管理しているため、プラットフォームベンダーが、すべてのパートナーの独自データによって共有モデルが改善されると想定することはできない。

契約では、モデルをどこで実行するのか、どの情報がChaiに戻るのか、生成された分子の所有権が誰に帰属するのかを定める必要がある。GSKとの提携について、こうした取り決めは明らかにされていない。

そのため、形成される商業ネットワークは、パートナー数が示唆するほど一体的ではない可能性がある。6つのロゴは、それぞれ異なるルール、目的、技術統合の水準で運用される6つの独立した導入事例を表しているかもしれない。

それでも、繰り返し契約に至ることには意味がある。大手製薬企業は外部ツールに対し、セキュリティ、法務、科学、調達の審査を課す。複数の契約を確保したことは、Chaiがこうした要件を乗り越えられることを示している。

GSKとの契約は、次に何が求められるかの基準を引き上げる。既存プログラムから開発候補化合物が選定されたという証拠に比べれば、新たなパートナー発表がもたらす情報は少ない。

これが市場の関心と治療上の進展の違いである。Chaiは前者を異例の速さで積み上げてきた。次の課題は、後者の証拠を生み出すことだ。

この契約が競合AI創薬プラットフォームに与える圧力

Chaiが争っているのは、単にタンパク質ベンチマークで最高スコアを得ることではなく、製薬企業のラボの中で居場所を得ることである。

市場には、AIネイティブの創薬企業、ソフトウェアプラットフォーム、研究組織、分子モデルを持つテクノロジー企業が存在する。競合にはIsomorphic Labs、Generate Biomedicines、Absci、EvolutionaryScale、その他のタンパク質設計の専門企業が含まれる。

Google DeepMindのAlphaFoldは、タンパク質構造予測に対する期待を変えた。Isomorphic Labsは、関連する手法を商業的な創薬と社内の治療プログラムへと拡張している。

Chaiが狙うのは次の実務段階、すなわち製薬チームが合成・試験できる分子の設計だ。このため、生成AIを活用した抗体・タンパク質プラットフォームを構築する企業と領域が重なる。

競争の単位はモデルのリリースではない。製薬開発の基準を満たす分子を生み出す、検証済みの創薬プログラムである。

Chaiの6社連続のパートナー獲得は、流通経路をもたらすため圧力となる。導入のたびに、同社のシステムは独自モデル、スクリーニング工程、既存ベンダーと並んで使われることになる。

製薬研究者は、生成された分子を測定可能な結果で比較する。有用な指標には、ヒット率、結合親和性、選択性、安定性、製造容易性、必要な実験ラウンド数が含まれる。

Chaiは自社モデルの強い成果を公表しているが、直接比較はなお難しい。企業は異なるラボ条件下で異なる標的セットを試験し、方法論の詳細を限って選別した結果を報告することが多い。

この断片化によって、パートナーの行動が有益な情報となる。GSKが独自評価の後に関係を拡大する決定は、ベンダーが単独で選定・実施したベンチマークよりも重みがある。

それでも、Chaiがすべての代替手段を上回ったことを証明するものではない。GSKはこの技術を、社内システムの代替ではなく補完的なものとして説明している。

この表現は、競争における中心的な緊張関係を示す。外部の基盤モデルは広範な分子知識を約束する一方、製薬企業の社内モデルは独自の実験データとプログラムの文脈から恩恵を受ける。

広範なモデルは、未知の標的をまたいでアイデアを生成できる。社内モデルは、企業固有の分子、設備、科学的優先事項に基づいて設計されたアッセイから学習できる。

勝者となるのは、単一のモデルタイプではない可能性が高い。実験の追跡可能性を維持しながら、両方の情報源を結び付ける運用システムである。

これは、ラボのワークフローに容易に統合できるベンダーに有利に働く。魅力的な構造を生み出しても、パートナーのデータガバナンスや検証プロセスに適合できないモデルは、評価段階を超えるのに苦労するだろう。

また、強力な社内AIチームを持つ製薬企業にも有利だ。外部出力を検証し、有益な実験を設計し、独自の結果を使ってモデルを再学習できる。

小規模なバイオテクノロジー企業は、大規模な計算チームを構築せずに高度な設計システムを利用できる可能性がある。しかし、データ利用、独占性、下流の所有権に関する交渉力は弱いかもしれない。

したがってChaiのAI創薬戦略は、外部ベンダーと社内研究グループの双方に競争圧力を高める。ベンダーは将来性のある結果を示す必要があり、社内チームは外部モデルがどのような場合に価値を加えるのかを説明しなければならない。

また、単一のAIラボが創薬を支配するという広く語られる物語も複雑にする。主要な製薬企業は、分子フォーマットや標的ごとに各プラットフォームの性能が異なり得るため、通常は複数の技術関係を維持する。

GSKの表現は、この複数併用のアプローチを補強している。同社の研究者は、Chaiのモデルが社内のウェットラボデータで学習したシステムと並行して機能することを期待している。

これはChaiにとって厳しい市場を生む。初期の性能は導入機会を得る助けになるが、継続的な比較によって弱点がすぐに露呈する可能性もある。

競合は、あらゆる科学的課題でChaiを上回る必要はない。より優れた統合、より強力な独自データセット、より明確な知的財産条件、あるいは特定の治療モダリティにおける深い専門性を通じて競争できる。

したがって製薬パートナー数は、先行指標であって最終的なスコアボードではない。持続的な優位性は、過度な実験的救済を必要とせずに前進するプログラムから生まれる。

ウェットラボの結果が証明しないこと

初期アッセイで結合する分子は、安全で有効な医薬品にはまだほど遠い。

Chai DiscoveryとGSKの契約は、分子創出における一段階を検証するものだ。創薬開発プロセス全体を検証するものではない。

結合は多くの治療メカニズムで必要条件だが、十分条件であることはほとんどない。分子は強く結合しても、誤ったタンパク質と相互作用したり、すぐに分解されたり、免疫反応を引き起こしたり、関連する組織に到達できなかったりする可能性がある。

研究者は、効力、選択性、溶解性、安定性、薬物動態、毒性、製造容易性も調べなければならない。これらの性質は相反することがあり、チームはより実用的な開発プロファイルを得るために親和性を犠牲にする必要がある。

抗体プログラムには固有の制約も加わる。有望な抗体は、有用な濃度で挙動を維持し、生産、保管、投与の条件に耐えなければならない。

十分に設計された候補であっても、基礎となる生物学的標的が想定どおりに疾患へ影響しないために失敗することがある。分子設計によって、人間の生物学に関する不確実性をなくすことはできない。

これが、臨床検証がAI創薬における中心的な試験であり続ける理由だ。初期モデルは探索空間を狭められるが、選ばれた仮説が意味のある利益をもたらすかどうかを決めるのは患者である。

最近の独立分析は、この隔たりを強調している。臨床現実の検証では、AIは業界の熱狂が示唆する規模では依然として創薬開発を牽引していないと指摘された。

懸念は、計算ツールに価値がないということではない。初期創薬の改善が、開発における最も遅く、最もリスクの高い段階を自動的に解決するわけではないということだ。

臨床試験では、安全性、投与量、有効性、既存治療との比較における性能を検証する。また、患者募集、規制当局との調整、製造、長年にわたる観察も必要となる。

AIプラットフォームは、より良い出発分子の生成を支援できる。しかし、後続のあらゆる要件を同じ割合で短縮できるわけではない。

この区別は、読者がGSKの結果をどう解釈するかを左右すべきである。試験したすべての標的に対するバインダーは、Chaiが生物活性を持つ候補を生成したことを示唆する。この結果は、安全性や臨床的有用性について公に何も示していない。

欠けている分母も重要だ。ChaiとGSKは、何件の候補が生成、合成、あるいは却下されたのかを明らかにしていない。

仮に、モデルがすべての標的に対してバインダーを生み出したものの、標的ごとに数百回の試験を要したとする。この結果がもたらす生産性向上は、少数の設計だけで同じ網羅性を達成した場合とは異なる。

両社は、ネガティブコントロール、ベースライン手法、標的の難易度についても説明していない。こうした詳細がなければ、外部の人間は、このモデルがGSKの既存ワークフローをどれほど改善したのかを評価できない。

競争の激しい創薬研究では、この不透明性は理解できる。標的の正体や実験手順は、価値あるプログラム情報を明らかにしかねない。しかし、機密性は独立した検証を制限する。

したがって現時点で最も強い証拠は行動にある。GSKは、関係を拡大し、より多くの創薬業務にChaiのプラットフォームを投入するのに十分な社内データを得た。

この決定は、科学的・財務的な信頼性の一部をChaiへ移す。ただし、GSKの評判が、スタートアップが行ってきたあらゆる技術的主張に移転するわけではない。

別のリスクは汎化に関するものだ。ゼロショット設計は標的間での転移を目指すが、生物学的システムは大きく異なる。可溶性タンパク質での性能は、膜タンパク質、柔軟な複合体、安定構造を欠く標的での成功を予測しない可能性がある。

ラボからのフィードバックは、こうした弱点の一部に対処できる。科学者はバッチを試験し、失敗モードを特定し、修正した設計を求めることができる。

効率性に関する主張は最終的に、こうしたサイクルがどれだけ不要になるかにかかっている。最初のモデル生成バインダーの後も広範な最適化が必要なら、そのプラットフォームはアイデア創出を改善しても、開発経済を変革することにはならない。

強力な将来の開示では、定義されたパネルにわたる前向きな性能が報告されるだろう。そこには、設計数、実験ヒット率、親和性の範囲、最適化サイクル、関連するベースラインが含まれるはずだ。

さらに強力な臨床に関する開示では、Chaiが設計した開発候補がヒト試験に入ることが示される。そのマイルストーンも承認を保証するものではないが、モデル出力を規制下の開発プロセスと結び付けることになる。

現時点でGSKによる評価に意味があるのは、計算から実験へと踏み出したからだ。その限界にも同じだけ意味がある。創薬には、さらに多くの関門が存在するためである。

この提携の重要性を示す3つのシグナル

次に必要な証拠は、パートナーの蓄積から、測定可能なプログラム進展へ移行しなければならない。

最初のシグナルは、GSKがChai生成分子を正式な候補開発へ進めるかどうかだ。その指定は、結合だけではない、より広範な要件パッケージを設計が満たしたことを示す。

開発候補は通常、活性、選択性、安定性、製造可能性、初期安全性に関する試験をクリアする必要がある。GSKは、この種のマイルストーンを有益なものにするために標的を開示する必要はない。

候補が前進すれば、Chai AIによる創薬という主張はより強固になる。協業が評価段階にとどまれば、商業面での勢いはパイプラインの進展との結び付きが弱く見えるだろう。

2つ目のシグナルは、Chai-3またはその後継モデルに関する将来の性能データだ。有用な報告には、研究者が何件の設計を行い、何件を試験し、そのプロセスが適切な分子をどの程度の頻度で生み出したかを含めるべきである。

難易度の高い標的における結果は、特に価値が高い。モデルが、既存の作業を単に高速化するだけでなく、チームが取り組める生物学的課題の範囲を広げるかどうかを示せる可能性がある。

独立した研究やパートナー主導の研究は、企業単独のベンチマークよりも重みを持つ。また、現実的な条件下で、購入者がGSKのタンパク質設計モデル、Chaiのプラットフォーム、競合システムを比較する助けにもなる。

3つ目のシグナルは、既存の製薬パートナーがどのようにコミットメントを深めるかだ。契約更新、プログラム数の拡大、追加の開発マイルストーンは、初期評価が継続的な利用へと転換しているかを明らかにする。

企業が契約内容を開示する際には、その契約構造が重要になる。前払い金はコミットメントを示し、研究資金は継続的な取り組みを支える。マイルストーン条項とロイヤルティ条項は、パートナーが時間の経過とともにどのように価値が生まれると見込んでいるかを示す。

6社のパートナー数は、Chaiに説得力のある導入ストーリーをもたらした。次の段階では、定着と進展のストーリーが必要になる。

読者は、安易な2つの結論を避けるべきだ。1つ目は、GSKの実験室での結果が、AI設計薬がより早く患者に届くことを証明したという見方である。2つ目は、臨床的な証拠がないため、この結果には意味がないという見方だ。

より妥当な判断は、その中間にある。Chaiは世界最大級の製薬研究組織の1つで意味のある初期試験を通過し、その結果をより広範な利用機会へと結び付けた。

同社のモデルは今後、機密性の高いプログラム、難しい標的、厳格な開発基準にわたり、繰り返し成果を出さなければならない。この課題はベンチマークで勝つより難しく、新たなロゴを発表するより価値が高い。

科学者やエンタープライズ技術の購入者にとって、より広い教訓は評価に関するものだ。特定領域向けAIは、購入者自身の条件下で実際の意思決定を改善するときに信頼を得る。

GSKはChaiの主張だけに依存しなかった。関係を拡大する前に、自社で実験室の証拠を生み出した。この評価パターンは、専門AIシステムを導入する他社にとって実用的な基準となる。

チームは対象を限定したタスクを定義し、既存のワークフローと比較して結果を測定し、人間の専門知識が不可欠であり続ける領域を記録すべきだ。検索可能なAIナレッジベースは、研究グループが長期プロジェクト全体にわたり、前提、実験上の判断、相反する知見を保持する助けとなる。

Chai DiscoveryとGSKの契約は、若いAI企業が本格的な製薬ワークフローに迅速に参入できることをすでに示した。しかし、迅速な分子生成がより良い医薬品へとつながるかどうかは、まだ示されていない。

次の問いは具体的だ。GSKまたは別のパートナーは、モデルの性能と治療上の進展を結び付けるのに十分な開示証拠とともに、Chaiが設計した候補をヒト試験へ向けて前進させるのだろうか。