国产开源模型Mol-1追平DeepMind反超Anthropic，闯入AI制药第一梯队

近日，来自中国的 AI 制药公司觅深知源（Molence Bio）发布了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令人瞩目的成果，其中：

• 抗体-抗原结构预测评估：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。在多肽、小分子、分子胶等重要药物模态的预测中，也全面领先于开源模型。
• 超大复合物组装任务：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；后者曾使用配备 8 张 B300 GPU 的节点探索超大体系预测。
• 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

抗体-抗原结构预测打平 Isomorphic Labs

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。在本次评估的多个药物模态上，Mol-1 均显著领先于其他开源模型。

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）。

为了考察结果对随机种子选择的敏感性，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%。

作为通用的生物分子基础模型，Mol-1 在小分子、多肽和分子胶等更多药物分子相关任务上的评测中，每一类均为开源模型的最优水平，尤其在分子胶预测任务上优势更为明显。

分子胶能够诱导或稳定蛋白质间的相互作用。对于这类具有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%，远高于第二名的 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。

超大复合物组装超越 Anthropic

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，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，并在内部实验室对设计分子进行了实验验证。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% 跃升至 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。

低序列一致性抗原的交叉识别

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，还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。

开源代码：github.com/molence/Mol-1
在线试用：lab.molence.com