Chai Discovery

chaidiscovery.com ist die Website von Chai Discovery, einem KI-Unternehmen für die Molekülentwicklung, dessen Modell Chai-1 die Struktur von Proteinen, kleinen Molekülen, DNA und RNA vorhersagt und als offenes Modell sowie im Browser nutzbar ist.

🛡️ Datenschutz: Das Sitzland des Anbieters ist auf den abgerufenen Seiten nicht angegeben und daher nicht belegt. Eine Datenschutzerklärung und Nutzungsbedingungen sind verlinkt; EU-Hosting, AVV/DPA und Zertifizierungen sind nicht öffentlich dokumentiert. Bei lokaler Ausführung der offenen Gewichte verbleiben die Daten auf der eigenen Hardware; bei Nutzung der Weboberfläche sollte vorab geprüft werden, ob für vertrauliche oder personenbezogene Daten ein AVV nötig ist.

Das Tool richtet sich an Forschende und Entwicklungsteams in Wirkstoffforschung und Strukturbiologie, die Molekülstrukturen berechnen wollen.

Tool-Details & Features

💰 Preise: Open Source (Apache-2.0-Lizenz, auch kommerziell nutzbar) für Chai-1; für Pharmapartner bestehen laut Webseite Lizenzvereinbarungen, Konditionen nicht öffentlich.

⚙️ Technik: Multimodales Foundation-Modell für Strukturvorhersage; Installation per pip, Modellgewichte werden beim ersten Start geladen, empfohlen wird eine GPU mit CUDA-Unterstützung.

👥 Zielgruppe: Forschungsgruppen, Biotech- und Pharmaunternehmen sowie Entwickler im Bereich Computational Biology.

🔗 Integrationen: Python-Paket (pip) und Weboberfläche unter lab.chaidiscovery.com; weitere Anbindungen sind nicht dokumentiert.

📊 Funktionen: Strukturvorhersage für Proteine, kleine Moleküle, DNA, RNA und Glykosylierungen, lokale Ausführung der Modellgewichte, Browser-Oberfläche ohne eigene Einrichtung, Forschung zu Antikörperdesign.

Vor- & Nachteile

✅ Vorteile: Offene Lizenz mit kommerzieller Nutzung und Zugang per Code oder Browser; Modell lässt sich lokal auf eigener Hardware betreiben.

❌ Nachteile: Lokale Nutzung erfordert Linux und eine leistungsfähige GPU; Zugang zum neueren Modell Chai-2 ist auf den abgerufenen Seiten nicht dokumentiert.

Für wen geeignet?

Perfekt für Forschende und Biotech-Teams, die Molekülstrukturen mit einem offenen KI-Modell vorhersagen und selbst betreiben wollen.