Molence Bio publica código y pesos de Mol-1: reporta un 75 % en predicción de estructuras de anticuerpos y ensambla complejos gigantes con un agente en una H20
Según un reportaje de Xinzhiyuan del 31 de octubre de 2026, la empresa china de IA para el sector farmacéutico Molence Bio presentó Mol-1, un modelo fundacional de biomoléculas, y publicó el código y los pesos en GitHub. La empresa reporta un 75 % de éxito en la predicción de estructuras anticuerpo-antígeno; los complejos gigantes se ensamblan con un agente de ejecución prolongada en una sola H20; los datos de diseño de nanobodies proceden de una versión interna temprana aún no publicada.
Qué ha cambiado
Mol-1 es el primer modelo fundacional de biomoléculas de Molence Bio. La empresa afirma que un solo modelo cubre la predicción de estructuras de complejos como anticuerpo-antígeno, proteína-péptido, proteína-molécula pequeña y pegamentos moleculares; además, ofrece dos versiones: Mol-1 y Mol-1-constraint, esta última con restricciones de epítopo. Según los datos del reportaje: En el conjunto de prueba de anticuerpo-antígeno FoldBench-AB, Mol-1 alcanza un 75,0 % de éxito, frente al 75,6 % de IsoDDE en el informe técnico de Isomorphic Labs; con restricciones de epítopo sube al 88,3 %. La empresa también enumeró 201.376 combinaciones de cinco semillas a partir de 32 semillas aleatorias; el 62,22 % alcanzó al menos un 75 % de éxito y el 17,85 % superó el 76 %. En complejos de péptidos y proteínas, la empresa creó MolBench-Peptide-26, que cubre 172 clústeres de interfaz de 150 entradas PDB publicadas en los primeros tres trimestres de 2026; con el umbral más estricto DockQ>0,80, el éxito es del 54,1 %, y la empresa señala que el mejor control sin restricciones logra el 52,3 %, mientras que Mol-1-constraint llega al 60,2 %. En el subconjunto de alta homología de pegamentos moleculares, el éxito es del 74,6 %, y el segundo puesto reportado es del 40,7 %. En complejos gigantes, un agente de ejecución prolongada impulsado por Mol-1 evaluó 10 complejos grandes en una sola NVIDIA H20; 9 superaron los resultados correspondientes reportados antes por Anthropic, y 8 de ellos tuvieron TM-score superior a 0,9. El sistema más grande tiene 60.000 residuos y 120 cadenas, con un TM-score de 0,997. La comparación es con el trabajo público de Anthropic con 8 nodos B300 y un máximo de predicción precisa de unos 10.000 aminoácidos. El diseño de novo de nanobodies procede de una plataforma interna; el reportaje especifica que se basa en una versión temprana de Mol-1: las 17 dianas obtuvieron candidatos de unión, con una tasa de acierto máxima para una sola diana del 63 %; de 30 candidatos VHH para BCMA, 12 se unen, y el mejor candidato tiene una KD de 43 pM medida por SPR; tras una ronda de retroalimentación experimental, en la segunda ronda 51 de 60 diseños VHH agonistas de 4-1BB mostraron actividad funcional, y la tasa de acierto pasó de alrededor del 7 % al 85 %; en CXCR6 se obtuvo un VHH antagonista con EC50 de 39 nM que inhibe la señalización del ligando; para dos antígenos con solo un 54 % de identidad de secuencia, 5 de 30 diseños de la primera ronda se unieron a ambos. El reportaje indica que el código y los pesos del modelo base ya están públicos en GitHub, y que además se ofrecen servicios de predicción en línea para Mol-1 y Mol-1-constraint. El código y los pesos del modelo base permiten el despliegue local, de modo que se pueden construir flujos más complejos de predicción, diseño y agentes.
Impacto para desarrolladores
Este tipo de modelo se integra de forma muy distinta a un modelo de chat: la entrada son secuencias y estructuras, la salida son coordenadas, y la validación depende de métricas estructurales como DockQ o TM-score, no de puntuaciones de texto ni de impresiones humanas. Por eso, “si se puede poner en producción” depende de si se tiene un conjunto de retención local con estructuras experimentales. El valor más directo de que los pesos sean públicos es que las secuencias de las dianas pueden quedarse en la red interna y que ejecutar complejos por lotes no obliga a esperar turno en un servicio web; pero pesos públicos no equivalen a licencia de uso, el reportaje no aclara la licencia y antes de usarlo comercialmente o redistribuirlo hay que confirmarlo en el repositorio. Para los desarrolladores, lo realmente informativo son dos puntos. Primero, la ganancia estable del modo con restricciones (anticuerpo-antígeno del 75,0 % al 88,3 %; complejos de péptidos con DockQ>0,80 del 54,1 % al 60,2 %) indica que disponer o no de anotaciones de epítopos o residuos de interfaz cambia directamente la calidad del resultado, lo que determina el flujo de preparación de entradas más que la elección del modelo. Segundo, que los complejos gigantes se resuelvan con un agente de ejecución prolongada que predice y ensambla repetidamente, y que una sola H20 logre la comparación reportada, sugiere que la capa de programación y orquestación puede ser más rentable que cambiar a un modelo más grande o añadir tarjetas. Estas cifras deben leerse con reservas: la mayoría de las comparaciones se hacen con conjuntos de datos creados por la empresa o citan cifras de informes técnicos de terceros, no repeticiones en el mismo entorno; el 75 % es sensible a las semillas aleatorias, y en las combinaciones de cinco semillas un 17,85 % supera el 76 %, mientras que alrededor del 38 % no llega al 75 %; la parte de diseño procede de una versión interna temprana y de experimentos húmedos internos, y no hay evidencia de que los pesos públicos puedan reproducir esas tasas de acierto.
Integración y evaluación
Las siguientes son recomendaciones condicionales, no hechos del reportaje. Primero, decidir entre despliegue local y servicio en línea. El cambio que reporta la noticia es que el código y los pesos base son públicos y, al mismo tiempo, se mantiene el servicio web. Si las secuencias de las dianas no pueden salir de la red interna, o si se necesitan ejecuciones por lotes de complejos y encadenar agentes propios, el despliegue local es la única opción; si solo se van a revisar una o dos estructuras de vez en cuando, el servicio web es más cómodo. Como criterio, se recomienda usar un conjunto de retención propio: elegir entre 20 y 50 complejos anticuerpo-antígeno o péptido-proteína con estructuras experimentales, calcular la tasa de éxito con DockQ o con el criterio de la empresa y compararla con el 75 %, registrando además el uso de VRAM y el tiempo por complejo. Si la reproducción queda claramente por debajo, conviene sospechar primero de diferencias de versión, preprocesamiento de entradas y scripts de evaluación, en lugar de descartar el modelo de inmediato. Segundo, tratar el modo con restricciones como un interruptor con condiciones previas, no como una opción por defecto. La ganancia reportada es de 75,0 % a 88,3 % en FoldBench-AB y de 54,1 % a 60,2 % en complejos de péptidos con DockQ>0,80, pero exige tener anotaciones de epítopos o residuos de interfaz; sin anotaciones, esa vía no sirve y forzarla equivale a introducir un prior erróneo. Una validación práctica consiste en comparar, en un conjunto propio de péptido-proteína, la tasa de superación de DockQ>0,80 con y sin restricciones; si la diferencia es muy inferior a la reportada, no conviene convertir la restricción en un umbral rígido del pipeline. Tercero, para complejos gigantes, probar primero la orquestación y luego considerar añadir tarjetas. La comparación reportada es de 8 nodos B300 frente a una sola H20, y la diferencia proviene de que el agente predice y ensambla repetidamente, no del tamaño del modelo; la condición para activarlo es llegar a más de diez mil residuos y decenas de cadenas. Una métrica de validación puede ser contar, en los 5 a 10 complejos grandes que interesen, cuántos alcanzan TM-score 0,9 y cuál es el tiempo total de ejecución, y compararlo con una predicción directa de una sola pasada; si la predicción directa ya basta, el agente solo añade costo. El requisito previo es confirmar si el repositorio incluye este código de orquestación, porque el reportaje solo dice que el código y los pesos son públicos y no detalla la parte del agente. Cuarto, no considerar el diseño de nanobodies como una capacidad ya entregada. Los datos de tasa de acierto y afinidad proceden de una plataforma interna y de versiones tempranas del modelo; lo público es el modelo de predicción estructural. Si la ruta depende del diseño de novo de VHH, se puede usar Mol-1 primero como componente de validación estructural: comprobar si las estructuras predichas permiten ordenar correctamente un conjunto de candidatos con un gradiente de afinidad conocido y, después, decidir si se integra en el ciclo de diseño.
Límites y cuestiones pendientes
Mol-1 no está actualmente en el catálogo de modelos de KimiSeek; el servicio en línea y la descarga de pesos mencionados en el reportaje corresponden a Molence Bio, y este sitio no permite invocar este modelo. El reportaje no proporciona la cantidad de parámetros, el mínimo de VRAM, las dependencias de inferencia ni la licencia, así que por ahora no se puede responder si se puede ejecutar en GPU propias ni si se puede usar comercialmente; solo cabe atenerse al repositorio y a las páginas oficiales. Todas las cifras de precisión son declaradas por la empresa: algunas comparaciones se citan de informes técnicos de terceros y no de repeticiones en el mismo entorno, MolBench-Peptide-26 fue creado por la empresa, y la comparación de complejos gigantes se hace contra resultados publicados antes por Anthropic, no mediante una evaluación paralela sobre los mismos sistemas. La parte de nanobodies corresponde a resultados de experimentos húmedos del laboratorio interno de la empresa y se basa explícitamente en una versión temprana de Mol-1, que no es el mismo objeto que los pesos públicos; no se puede inferir de ahí la capacidad de diseño de la versión pública. La fecha del reportaje es el 31 de octubre de 2026; el contenido del repositorio, los términos de licencia y la disponibilidad del servicio pueden cambiar después.