中国AI制药公司觅深知源发布生物分子基础模型Mol-1，核心能力对标国际顶尖水平
新智元报道
近日，中国AI制药公司觅深知源（Molence Bio）正式发布其首个生物分子基础模型 Mol-1。该模型在基础结构预测、超大复合物组装及纳米抗体从头设计等关键领域取得突破，多项指标追平或超越国际前沿闭源模型。目前，Mol-1 已在 GitHub 开源代码及模型权重，并提供在线服务。
-
结构预测：在抗体–抗原结构预测中成功率达75%，与Deepmind旗下Isomorphic Labs的IsoDDE相当，远超其他开源模型；在多肽、小分子及分子胶预测上全面领先。 -
超大复合物组装：基于Mol-1的智能体仅用单张NVIDIA H20 GPU，在10个大型复合物评估中，9个案例优于Anthropic此前使用8张B300 GPU的结果。 -
抗体设计：内部平台在17个靶点上均获结合候选，最高命中率63%；BCMA靶点候选亲和力达43 pM；经实验反馈迭代，4-1BB激动抗体功能命中率从7%提升至85%。
Mol-1 资源获取：
开源代码：github.com/molence/Mol-1
在线试用：lab.molence.com
抗体–抗原结构预测性能比肩 Isomorphic Labs
Mol-1 作为通用生物分子基础模型，能够单一模型处理抗体–抗原、蛋白质–多肽、蛋白质–小分子及分子胶等多种复合物预测任务。在多个药物模态评测中，其表现显著优于其他开源模型。
在 FoldBench-AB 抗体–抗原测试集中，Mol-1 成功率为 75.0%，与 Isomorphic Labs IsoDDE 技术报告公布的 75.6% 基本持平；引入表位约束后（Mol-1 Constraint），成功率进一步提升至 88.3%。
为验证稳定性，团队分析了32个种子产生的201,376个五种子组合。结果显示，62.22%的组合成功率不低于75%，17.85%的组合超过76%，证明了模型输出的鲁棒性。
在其他药物分子任务中，Mol-1 同样表现优异。特别是在极具挑战的分子胶预测任务上，Mol-1 在高同源性子集中的预测成功率达 74.6%，远高于第二名的 40.7%。
针对蛋白质–多肽复合物，Molence Bio 构建了覆盖最新PDB条目的 MolBench-Peptide-26 数据集。在 DockQ > 0.80 的严格阈值下，Mol-1 无约束预测成功率为 54.1%，加入约束后提升至 60.2%，均优于其他开源模型，展现了对多肽结合界面的高精度建模能力。
超大复合物组装效率与精度双重突破
超大蛋白质复合物（如蛋白酶体、p97等）的结构预测因涉及数十至上百条蛋白链的正确组装，一直是领域难题。此前 Anthropic 使用8张 B300 GPU 仅能准确预测约一万氨基酸规模的体系，且在更大规模体系中失效。
Molence Bio 通过构建长时运行智能体，将生物学知识融入建模流程，实现了策略的动态调整。在10个大型复合物评估中，9个案例结果优于 Anthropic，其中8个复合物 TM-score 超过 0.9。
最显著的成果是成功预测了一个包含6万氨基酸残基、120条蛋白质链的体系，TM-score 高达 0.997，规模为 Anthropic 此前最大准确预测对象的6倍。更为关键的是，整套工作流仅需单张 NVIDIA H20 GPU，大幅降低了算力门槛。
实验验证：从纳米抗体设计到功能优化闭环
Molence Bio 基于 Mol-1 早期版本开发内部抗体设计平台，并在实验室完成了多轮实验验证。在17个测试靶点上均获得结合候选，单靶点最高结合命中率达 63%。对13个靶点的30个VHH-Fc候选进行评估，12个靶点获得至少一个满足多项生物物理性质标准的候选分子，显示出良好的开发潜力。
BCMA靶点：亲和力达43 pM
针对多发性骨髓瘤关键靶点 BCMA，团队从头设计了30个VHH候选，其中12个可结合。最优候选在SPR实验中测得 KD 为 43 pM。细胞表面识别测试显示，其 EC50 最低达 0.16 nM，显著优于对照药物 belantamab (4.1 nM)。
4-1BB靶点：实验反馈驱动命中率激增
在4-1BB激动型VHH设计中，首轮30个候选中有2个表现出低于对照药物 Utomilumab 的EC50值（0.05 nM 和 0.22 nM vs 0.43 nM）。更重要的是，经过一轮实验反馈优化，第二轮60个设计中的功能命中率从7%飙升至85%（51个活性候选）。
这一结果证实了该平台能够通过“结构预测-抗体设计-实验验证”的高效迭代闭环，持续优化设计效果。
GPCR与交叉反应性设计展示多功能性
在GPCR靶点 CXCR6 上，设计的VHH不仅结合细胞表面受体（EC50=39 nM），还能抑制天然配体诱导的信号，验证了拮抗功能设计的可行性。
此外，团队成功设计出能同时识别两种序列一致性仅为54%的细胞因子的VHH。首轮30个设计中有5个实现双靶点结合，证明了模型在预设交叉反应性抗体从头设计上的能力。
Mol-1 正式开源，赋能科研与药物研发
凭借在全模态分子结构预测、超大复合物组装及实验验证方面的卓越表现，Mol-1 展现了广阔的应用前景。目前，觅深知源已在 GitHub 公开 Mol-1 源代码及模型权重，并提供在线预测服务。研究人员既可在线直接使用，也可本地部署以构建更复杂的智能体工作流。
开源代码：github.com/molence/Mol-1
在线试用：lab.molence.com
编辑：大卫