← Alle Modellneuigkeiten

Molence Bio veröffentlicht Code und Gewichte von Mol-1: 75 % laut Hersteller bei Antikörper-Antigen-Struktur, sehr große Komplexe per Agent auf einer GPU assembliert

Laut Xinzhiyuan vom 31. Oktober 2026 hat das chinesische KI-Pharmaunternehmen Molence Bio das biomolekulare Grundmodell Mol-1 vorgestellt und Code sowie Gewichte auf GitHub veröffentlicht. Der Hersteller meldet eine Erfolgsquote von 75 % bei der Vorhersage von Antikörper-Antigen-Strukturen; sehr große Komplexe würden von einem lang laufenden Agenten auf einer einzelnen H20 assembliert. Die Nanobody-Design-Daten stammen aus einer noch nicht veröffentlichten frühen internen Version.

Veröffentlicht Aktualisiert

Was sich geändert hat

Mol-1 ist das erste biomolekulare Grundmodell von Molence Bio. Nach Angaben des Herstellers deckt ein einziges Modell die Strukturvorhersage für Komplexe aus Antikörper-Antigen, Protein-Peptid, Protein-Kleinmolekül und molekularen Klebern ab. Zugleich gibt es zwei Versionen: Mol-1 und Mol-1-constraint mit Epitop-Restriktion. Die im Bericht genannten Zahlen: Auf dem Antikörper-Antigen-Testset FoldBench-AB gibt der Hersteller für Mol-1 eine Erfolgsquote von 75,0 % an; als Vergleich dient IsoDDE mit 75,6 % aus einem technischen Bericht von Isomorphic Labs. Mit Epitop-Restriktion steigt der Wert auf 88,3 %. Der Hersteller hat außerdem aus 32 Zufallsstartwerten 201.376 Kombinationen aus jeweils fünf Seeds gebildet; 62,22 % davon erreichten mindestens 75 % Erfolgsquote, 17,85 % lagen über 76 %. Für Peptid-Protein-Komplexe hat der Hersteller MolBench-Peptide-26 selbst erstellt. Der Satz umfasst 172 Grenzflächencluster aus 150 PDB-Einträgen, die in den ersten drei Quartalen 2026 veröffentlicht wurden. Beim strengsten Schwellenwert DockQ > 0,80 liegt die Erfolgsquote bei 54,1 %; der laut Hersteller beste Vergleich ohne Constraint bei 52,3 %, Mol-1-constraint bei 60,2 %. In der hoch homologen Teilmenge für molekulare Kleber liegt die Erfolgsquote bei 74,6 %; der im Bericht genannte zweitbeste Wert bei 40,7 %. Bei sehr großen Komplexen bewertete ein von Mol-1 gesteuerter, lang laufender Agent auf einer einzelnen NVIDIA H20 zehn große Komplexe. Neun übertrafen die entsprechenden zuvor von Anthropic berichteten Ergebnisse, acht davon mit einem TM-score über 0,9. Das größte System hat 60.000 Reste und 120 Ketten bei einem TM-score von 0,997. Als Vergleich dient eine öffentliche Arbeit von Anthropic mit acht B300-Knoten, deren größte genaue Vorhersage bei etwa 10.000 Aminosäuren lag. Das De-novo-Design von Nanobodies stammt aus einer internen Plattform; der Bericht stellt ausdrücklich klar, dass es auf einer frühen Version von Mol-1 beruht: Für alle 17 Zielstrukturen wurden Bindungskandidaten gefunden; die höchste Trefferquote bei einem einzelnen Ziel lag bei 63 %. Von 30 VHH-Kandidaten gegen BCMA banden 12; der beste Kandidat erreichte in SPR-Messungen ein KD von 43 pM. Bei agonistischen VHH gegen 4-1BB zeigten nach einer Runde experimentellen Feedbacks in der zweiten Runde 51 von 60 Designs funktionelle Aktivität; die Trefferquote stieg von etwa 7 % auf 85 %. Für CXCR6 wurde ein antagonistischer VHH mit einem EC50 von 39 nM erhalten, der das Ligandensignal hemmen kann. Bei zwei Antigenen mit nur 54 % Sequenzidentität banden in der ersten Runde 5 von 30 Designs beide. Der Bericht gibt an, Code und Gewichte des Basismodells seien auf GitHub öffentlich zugänglich; zusätzlich gebe es einen Online-Vorhersagedienst für Mol-1 und Mol-1-constraint. Eine lokale Bereitstellung erlaube laut Bericht komplexere Vorhersage-, Design- und Agenten-Workflows.

Auswirkungen für Entwickler

Diese Modelle werden ganz anders angebunden als Chatmodelle: Eingabe sind Sequenzen und Strukturen, Ausgabe sind Koordinaten. Die Abnahme erfolgt über Strukturmetriken wie DockQ und TM-score, nicht über Textbewertung oder menschliches Lesen. Ob ein Einsatz möglich ist, hängt daher davon ab, ob ein lokales Holdout-Set mit experimentellen Strukturen vorliegt. Der direkteste Wert offener Gewichte: Targetsequenzen können im Intranet bleiben, und Batchläufe müssen nicht auf den Webdienst warten. Offene Gewichte sind aber keine Lizenz. Der Bericht nennt keine Lizenz; vor kommerzieller Nutzung und Weitergabe ist das Repository zu prüfen. Für Entwickler sind zwei Punkte wirklich informativ. Erstens der berichtete Zugewinn durch den Constraint-Modus (Antikörper-Antigen 75,0 % auf 88,3 %, Peptidkomplexe DockQ > 0,80 von 54,1 % auf 60,2 %): Ob Epitop- oder Grenzflächenrest-Annotationen vorliegen, verändert die Ergebnisqualität direkt und entscheidet eher über die Eingabevorbereitung als über die Modellwahl. Zweitens übertrifft bei sehr großen Komplexen ein lang laufender Agent durch wiederholte Vorhersage und Assemblierung auf einer einzelnen H20 die im Bericht genannten Vergleichswerte. Das deutet darauf hin, dass Scheduling und Orchestrierung wirtschaftlicher sein können als ein größeres Modell oder zusätzliche GPUs. Die Zahlen sind mit Abstrichen zu lesen: Die meisten Vergleiche beruhen auf vom Hersteller selbst erstellten Datensätzen oder auf Zahlen aus technischen Berichten Dritter, nicht auf Nachläufen in identischer Umgebung. Die 75 % sind empfindlich gegenüber Zufallsstartwerten; in den Fünf-Seed-Kombinationen lagen 17,85 % über 76 %, umgekehrt rund 38 % unter 75 %. Der Design-Teil stammt aus einer frühen internen Version und internen Nasslabor-Experimenten; es gibt keine Belege, dass die offenen Gewichte diese Trefferquoten reproduzieren.

Integration und Bewertung

Die folgenden Hinweise sind konditional und keine Fakten aus dem Bericht. Erstens: Zuerst entscheiden, ob Selbsthosting oder Webdienst. Die im Bericht beschriebene Änderung: Code und Basisgewichte sind offen, der Webdienst bleibt bestehen. Wenn Targetsequenzen das Intranet nicht verlassen dürfen oder Batchläufe und eigene Agentenketten nötig sind, ist Selbsthosting die einzige Option; für die gelegentliche Prüfung ein oder zwei Strukturen ist der Webdienst einfacher. Als Kriterium ein eigenes Holdout-Set verwenden: 20 bis 50 Antikörper-Antigen- oder Peptid-Protein-Komplexe mit bekannten experimentellen Strukturen auswählen, die Erfolgsquote nach DockQ oder nach der Definition des Herstellers messen und mit 75 % vergleichen; zugleich VRAM-Bedarf und Laufzeit pro Komplex erfassen. Bei deutlich niedrigerer Reproduktion zuerst Versions-, Eingabevorverarbeitungs- und Bewertungsskript-Unterschiede prüfen, statt das Modell sofort zu verwerfen. Zweitens: Den Constraint-Modus als Schalter mit Vorbedingung behandeln, nicht als Standard. Der berichtete Zugewinn von FoldBench-AB 75,0 % auf 88,3 % und bei Peptidkomplexen DockQ > 0,80 von 54,1 % auf 60,2 % setzt voraus, dass Epitop- oder Grenzflächenrest-Annotationen vorliegen. Ohne Annotation ist dieser Pfad nicht nutzbar; ein erzwungener Einsatz käme einem falschen Prior gleich. Praktische Abnahme: Auf der eigenen Peptid-Protein-Menge die Passrate für DockQ > 0,80 mit und ohne Constraint vergleichen; ist der Unterschied viel kleiner als berichtet, sollte der Constraint keine harte Pipeline-Schwelle sein. Drittens: Bei sehr großen Komplexen zuerst die Orchestrierung testen, dann zusätzliche GPUs erwägen. Der Vergleich im Bericht: acht B300 gegen eine H20; der Unterschied kommt aus wiederholter Vorhersage und Assemblierung durch den Agenten, nicht aus der Modellgröße. Auslöser sind Systeme mit mehr als 10.000 Resten und Dutzenden Ketten. Abnahmekriterien: Bei 5 bis 10 großen Komplexen die Anzahl mit TM-score ≥ 0,9 und die gesamte Wanduhrzeit erfassen und mit einer einmaligen direkten Vorhersage vergleichen; reicht die direkte Vorhersage, erhöht der Agent nur die Kosten. Voraussetzung: prüfen, ob das Repository diese Orchestrierung enthält; der Bericht nennt nur Code und Gewichte als öffentlich und führt den Agententeil nicht einzeln auf. Viertens: Nanobody-Design nicht als bereits gelieferte Fähigkeit betrachten. Trefferquoten und Affinitätsdaten stammen aus einer internen Plattform und einer frühen Modellversion; veröffentlicht ist das Strukturvorhersagemodell. Wenn die eigene Route auf De-novo-VHH-Design angewiesen ist, kann Mol-1 zunächst als Komponente zur Strukturprüfung dienen: Auf einem Kandidatensatz mit bekanntem Affinitätsgradienten prüfen, ob die vorhergesagten Strukturen die richtige Reihenfolge ergeben, und dann entscheiden, ob es in die Designschleife kommt.

Grenzen und offene Fragen

Mol-1 ist derzeit nicht im Modellkatalog von KimiSeek. Der im Bericht erwähnte Online-Dienst und der Gewichtsdownload beziehen sich auf Molence Bio; diese Website bietet keinen Zugriff auf das Modell. Der Bericht nennt weder Parameterzahl noch minimale VRAM, Inferenzabhängigkeiten oder Lizenz. Daher lassen sich „Läuft es auf eigener GPU?“ und „Ist es kommerziell nutzbar?“ derzeit nicht beantworten; maßgeblich sind Repository und offizielle Seite. Alle Genauigkeitszahlen sind Herstellerangaben: Einige Vergleiche stammen aus technischen Berichten Dritter, nicht aus Nachläufen in identischer Umgebung. MolBench-Peptide-26 wurde vom Hersteller selbst erstellt. Bei den sehr großen Komplexen sind die Vergleichsobjekte zuvor von Anthropic veröffentlichte Ergebnisse, keine parallele Auswertung auf denselben Systemen. Der Nanobody-Teil besteht aus Nasslaborergebnissen aus dem internen Labor des Herstellers und basiert ausdrücklich auf einer frühen Mol-1-Version, nicht auf denselben offenen Gewichten; daraus lässt sich keine Designfähigkeit der öffentlichen Version ableiten. Der Bericht datiert vom 31. Oktober 2026; Repository-Inhalte, Lizenzbedingungen und Dienstverfügbarkeit können sich danach ändern.

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

追平DeepMind、反超Anthropic!国产开源模型闯入AI制药第一梯队

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.