国产开源模型Mol-1追平DeepMind

近日，来自中国的AI制药公司觅深知源（Molence Bio）发布其首个生物分子基础模型Mol-1，在基础结构预测、超大复合物组装和纳米抗体从头设计等方面取得了振奋人心的成果。 在抗体–抗原结构预测评估中，Molence Bio发布的Mol-1追平了前沿闭源模型，达到75%，与Deepmind孵化公司Isomorphic Labs的闭源模型IsoDDE的成功率相当，远超其他开源模型。 在其他重要的药物模态，如多肽、小分子、分子胶的预测中，也全面领先于开源模型。

在超大复合物组装任务中，基于Mol-1的长时运行智能体使用单张NVIDIA H20 GPU，在评估的10个大型复合物中，有9个案例优于Anthropic此前报告的对应结果。 针对纳米抗体从头设计任务，基于Mol-1早期版本开发的内部抗体设计平台，在包括4个GPCR在内的17个靶点上均获得结合候选，单个靶点的结合命中率最高达到63%，针对BCMA的30个候选中，最高亲和力达到43 pM； 单轮实验反馈后，4-1BB激动抗体设计的第二轮功能命中率达到85%； 成功设计出GPCR拮抗抗体；

并按需设计出可交叉结合序列一致性仅为54%的蛋白抗原的VHH。 Mol-1目前已经在GitHub上公开了源代码和模型权重，并提供了在线网页服务：开源代码：github.com/molence/Mol-1 在线试用：lab.molence.com。 Mol-1使用单个模型，即可预测抗体–抗原、蛋白质–多肽、蛋白质–小分子及分子胶等多种复合物。 在FoldBench-AB抗体–抗原测试集上，Mol-1的成功率达到75.0%，与Isomorphic Labs开发的IsoDDE技术报告公布的75.6%相当；

加入表位约束后，进一步提升至88.3%（Mol-1 Constraint）。 Molence还分析了从32个种子中选取的全部201,376个五种子组合，其中62.22%的组合达到至少75%的成功率，17.85%的组合超过76%。 Mol-1在每一类评测中均为开源模型的最优水平。 在分子胶预测任务上，Mol-1的优势尤为明显。 分子胶能够诱导或稳定蛋白质间的相互作用； 对于这类挑战性的三元复合物体系，Mol-1在高同源性子集上的预测成功率达到74.6%，高于第二名的40.7%。

在蛋白质–多肽复合物预测任务上，Molence Bio构建了MolBench-Peptide-26，覆盖2026年前三季度公布的150个PDB条目中的172个相互作用界面簇。 在DockQ>0.23、>0.49和>0.80三个阈值下，Mol-1的预测成功率分别达到88.8%、77.3%和54.1%，均超过了其他开源模型。 在最严格的DockQ>0.80阈值下，Mol-1的成功率为54.1%，表现最好的无约束对照模型为52.3%；

Mol-1-constraint则将成功率进一步提升至60.2%，展现出对多肽结合界面的高精度建模能力。 超大蛋白质复合物的结构预测，是当前结构预测模型最具挑战性的任务之一。 这类复合物通常由几十甚至上百条蛋白质链组成，包括蛋白酶体、p97等与肿瘤研究密切相关的重要分子机器。 随着复合物规模增加，模型不仅需要准确预测局部相互作用，还需要保证数百条链在三维空间中的正确组装，对结构预测能力提出了极高要求。

在Anthropic此前发布的工作中，曾使用8张B300 GPU来预测大型分子复合物，最大准确预测规模为大约一万个氨基酸。 但当体系扩大至约3.1万至7万残基时，在这7个体系中，均未能准确预测整体结构。 针对这一挑战，Molence Bio构建了一套长时运行的智能体，将生物学知识带入建模过程，组织Mol-1结构预测与自动化组装，并根据中间结果持续调整策略。 在10个大型复合物的评估中，有9个预测结果超越Anthropic此前报告的结果，其中8个复合物的TM-score达到0.9以上。

最大的成功预测体系达到6万氨基酸残基、120条蛋白质链，TM-score高达0.997（最高为1），规模为Anthropic此前最大准确预测对象的6倍。 更重要的是，整套工作流仅使用单张NVIDIA H20 GPU，使得算力需求大幅降低，研究者不需要最先进的GPU即可完成相关工作。 基于Mol-1的功能纳米抗体从头设计Molence Bio使用Mol-1的早期模型版本，开发了内部的抗体从头设计平台，并在内部实验室进行了设计分子的实验验证，在测试的17个靶点上均获得结合候选，单个靶点的结合命中率最高达到63%。

针对来自13个靶点的30个VHH-Fc候选，系统评估了疏水性、热稳定性、自相互作用及非特异性结合等关键生物物理性质。 其中23个候选满足了至少三项筛选标准，13个靶点中有12个获得至少一个满足要求的候选分子，显示出优良的后续开发潜力。 BCMA：30个候选中获得亲和力达43 pM的VHH BCMA是多发性骨髓瘤治疗中的重要靶点，已广泛应用于TCE和CAR-T的开发。

Molence Bio从头设计了30个VHH候选，其中12个可与BCMA结合，最优候选在SPR实验中测得的KD为43 pM，团队还进一步测试了设计的VHH对细胞表面BCMA的识别能力，EC50最低达到0.16 nM，显著低于对照belantamab的4.1 nM。 4-1BB：实验反馈，让功能命中率从7%到85%利用Mol-1，Molence Bio还设计了针对4-1BB的激动型VHH，希望通过抗体结合激活这一重要的免疫共刺激受体。

在首轮设计中，30个候选中有2个表现出激动活性，其细胞激活EC50分别为0.05 nM和0.22 nM，均低于同一实验中Utomilumab对照的0.43 nM，显示出较强的受体激活活性。 更值得关注的是，团队仅经过一轮实验反馈，第二轮60个设计中有51个表现出功能活性，功能命中率从首轮的约7%大幅提升至85%。 这一结果表明，Molence Bio的抗体设计平台，可以通过实验反馈持续优化，将结构预测、抗体设计与实验验证结合成高效的迭代闭环。

靶向GPCR的功能抗体设计在GPCR靶点CXCR6上，设计的VHH不仅能够结合细胞表面的CXCR6，EC50值为39 nM，还能够抑制其天然配体CXCL16诱导的下游信号，展示了利用该平台设计具有特定拮抗功能的抗体的可行性。 低序列一致性的抗原交叉识别Molence Bio进一步尝试了设计具有预设交叉反应性的抗体，以结合两种序列一致性仅为54%的细胞因子为目标，希望设计出能够同时识别两种抗原的VHH。 在首轮30个设计中，有5个候选成功结合两种抗原，证明模型能够根据预先指定的多靶点识别要求进行从头设计。

这一结果展示了从头设计能够同时识别两种非直系同源抗原的VHH的可行性。 Mol-1正式开源，结构预测能力全面开放从精度领先的全模态分子结构预测，到上百条蛋白质链的超大复合物组装，再到VHH按需从头设计的全面实验验证，Mol-1展示了结构预测基础模型在药物研发场景下的广泛应用潜力。 目前，Molence Bio已在GitHub上公开Mol-1的源代码和基础模型权重，同时提供Mol-1和Mol-1-constraint的在线预测服务。

科研人员不仅可以直接通过网页使用模型，而且可以在自己的计算环境中部署Mol-1，构建更复杂的预测、设计和智能体工作流。