Molence Bio publie le code et les poids de Mol-1 : 75 % autodéclarés en prédiction anticorps–antigène, complexes géants assemblés par agent sur un seul H20
Selon un reportage de 新智元 du 31 octobre 2026, la société chinoise d'IA pharmaceutique Molence Bio (觅深知源) a publié Mol-1, un modèle de fondation biomoléculaire, avec code et poids sur GitHub. La société revendique 75 % de réussite en prédiction de structure anticorps–antigène ; les très grands complexes sont assemblés par un agent de longue durée sur une seule H20 ; les données de conception de nanobodies proviennent d'une version interne antérieure non publiée.
Ce qui change
Mol-1 est le premier modèle de fondation biomoléculaire de Molence Bio (觅深知源), qui affirme couvrir avec un seul modèle la prédiction de structures de complexes anticorps–antigène, protéine–peptide, protéine–petite molécule et molecular glue, et propose deux versions : Mol-1 et Mol-1-constraint, cette dernière avec contrainte d'épitope. Selon les chiffres rapportés : sur le jeu de test anticorps–antigène FoldBench-AB, Mol-1 atteint 75,0 % de réussite, face aux 75,6 % d'IsoDDE cités dans le rapport technique d'Isomorphic Labs ; avec contrainte d'épitope, le taux monte à 88,3 %. La société a aussi énuméré 201 376 combinaisons de cinq graines à partir de 32 graines aléatoires : 62,22 % atteignent au moins 75 % de réussite et 17,85 % dépassent 76 %. Pour les complexes peptide–protéine, la société a construit son propre jeu MolBench-Peptide-26, couvrant 172 clusters d'interface issus de 150 entrées PDB publiées dans les trois premiers trimestres de 2026 ; au seuil le plus strict DockQ>0,80, le taux de réussite est de 54,1 %, le meilleur contrôle non contraint cité par la société étant à 52,3 % et Mol-1-constraint à 60,2 %. Sur le sous-ensemble à forte homologie de molecular glue, le taux atteint 74,6 %, le deuxième résultats cité dans le reportage étant de 40,7 %. Pour les très grands complexes, un agent de longue durée piloté par Mol-1 a évalué 10 grands complexes sur une seule NVIDIA H20 : 9 font mieux que les résultats correspondants précédemment rapportés par Anthropic, et 8 affichent un TM-score supérieur à 0,9 ; le plus grand système, 60 000 résidus et 120 chaînes, atteint un TM-score de 0,997. La comparaison porte sur le travail public d'Anthropic utilisant 8 nœuds B300 et plafonnant à environ 10 000 acides aminés prédits avec précision. La conception de novo de nanobodies vient d'une plateforme interne, et le reportage précise qu'elle repose sur une version antérieure de Mol-1 : des candidats de liaison ont été obtenus pour les 17 cibles, avec un taux de réussite maximal de 63 % sur une cible ; sur BCMA, 12 des 30 candidats VHH se lient, le meilleur affichant un KD de 43 pM mesuré par SPR ; pour le VHH agoniste de 4-1BB, après un cycle de retour expérimental, 51 des 60 designs du second cycle présentent une activité fonctionnelle, le taux passant d'environ 7 % à 85 % ; sur CXCR6, un VHH antagoniste atteint un EC50 de 39 nM et inhibe la signalisation du ligand ; pour deux antigènes ne partageant que 54 % d'identité de séquence, 5 des 30 designs du premier cycle se lient aux deux. Le reportage indique que le code et les poids du modèle de fondation sont publics sur GitHub, avec en plus un service de prédiction en ligne pour Mol-1 et Mol-1-constraint, et la possibilité d'un déploiement local pour construire des pipelines de prédiction, de design et d'agents plus complexes.
Conséquences pour les développeurs
L'intégration de ce type de modèle n'a rien à voir avec un modèle de chat : l'entrée est une séquence et une structure, la sortie des coordonnées, et la validation repose sur des métriques structurales comme DockQ ou le TM-score, pas sur une note textuelle ou une impression de lecture. La question « peut-on le mettre en production » dépend donc de l'existence, chez vous, d'un jeu de validation local avec structures expérimentales. L'intérêt le plus direct de poids publics est que les séquences de cibles peuvent rester sur le réseau interne et que les exécutions par lots de complexes n'ont pas à attendre un service web ; mais des poids publics ne valent pas licence : le reportage ne précise pas la licence, et il faut vérifier le dépôt avant tout usage commercial ou toute redistribution. Deux points sont réellement informatifs pour les développeurs. D'abord, le gain apporté par le mode contraint (anticorps–antigène de 75,0 % à 88,3 %, complexes peptidiques au DockQ>0,80 de 54,1 % à 60,2 %) : la présence d'annotations d'épitope ou de résidus d'interface change directement la qualité du résultat, ce qui détermine votre préparation d'entrée plutôt que le choix du modèle. Ensuite, les très grands complexes traités par un agent de longue durée qui prédit et assemble de façon répétée, avec une seule H20 face à la comparaison rapportée, suggèrent que la couche d'ordonnancement peut être plus rentable qu'un modèle plus gros ou davantage de GPU. Ces chiffres doivent être lus avec prudence : la plupart des comparaisons du rapport viennent de jeux de données construits par la société ou de chiffres cités d'un rapport technique tiers, et non de réexécutions dans le même environnement ; les 75 % sont sensibles aux graines aléatoires, puisque 17,85 % des combinaisons de cinq graines dépassent 76 %, mais qu'environ 38 % restent sous 75 % ; la partie design provient d'une version interne antérieure et d'expériences humides internes, et rien n'indique que les poids publics reproduiraient ces taux de réussite.
Intégration et évaluation
Les points suivants sont des recommandations conditionnelles, pas des faits rapportés. Premièrement, décidez d'abord entre auto-hébergement et service en ligne. Le changement rapporté est la publication du code et des poids de base, avec maintien du service web. Si les séquences de cibles ne peuvent pas sortir du réseau interne, ou s'il faut traiter des lots de complexes et enchaîner soi-même des agents, l'auto-hébergement est la seule option ; pour vérifier occasionnellement une ou deux structures, le service web est plus simple. Le critère proposé est votre propre jeu de validation : choisissez 20 à 50 complexes anticorps–antigène ou peptide–protéine dont la structure expérimentale existe, calculez le taux de réussite au sens de DockQ ou de la définition de la société, comparez-le à 75 %, et notez l'empreinte mémoire GPU et le temps par complexe. Si la reproduction est nettement inférieure, soupçonnez d'abord un écart de version, de prétraitement d'entrée ou de script d'évaluation, plutôt que de rejeter le modèle. Deuxièmement, traitez le mode contraint comme un interrupteur avec prérequis, pas comme une option par défaut. Les gains rapportés sont 75,0 % → 88,3 % sur FoldBench-AB et 54,1 % → 60,2 % au DockQ>0,80 sur les complexes peptidiques, à condition de disposer d'annotations d'épitope ou de résidus d'interface ; sans annotation, cette voie est inutilisable et l'imposer revient à injecter un a priori erroné. Un test d'acceptation praticable : sur votre propre ensemble peptide–protéine, comparer le taux de passage DockQ>0,80 avec et sans contrainte ; si l'écart est très inférieur à celui du rapport, ne faites pas de la contrainte un seuil obligatoire du pipeline. Troisièmement, pour les très grands complexes, essayez d'abord l'orchestration avant d'ajouter des GPU. La comparaison rapportée oppose 8 B300 à une seule H20, et l'écart vient de la prédiction et de l'assemblage répétés par l'agent, non de la taille du modèle ; le cas déclencheur est un système de plus de dix mille résidus et de plusieurs dizaines de chaînes. Critères d'acceptation possibles : sur les 5 à 10 grands complexes qui vous intéressent, compter combien atteignent un TM-score de 0,9 et mesurer le temps mural total, en comparant à une prédiction directe en une passe ; si la prédiction directe suffit, l'agent ne fait qu'ajouter du coût. Condition préalable : vérifier si le dépôt contient bien ce code d'orchestration, le reportage ne mentionnant que la publication du code et des poids sans détailler la partie agent. Quatrièmement, ne considérez pas la conception de nanobodies comme une capacité livrée. Les données de taux de réussite et d'affinité viennent d'une plateforme interne et d'une version antérieure du modèle ; ce qui est public est le modèle de prédiction de structure. Si votre approche repose sur le design de novo de VHH, utilisez d'abord Mol-1 comme composant de vérification structurale : sur un ensemble de candidats dont le gradient d'affinité est connu, regardez si les structures prédites retrouvent le bon ordre, puis décidez d'intégrer ou non le modèle à la boucle de design.
Limites et points à confirmer
Mol-1 ne figure pas actuellement dans le catalogue de modèles de KimiSeek ; le service en ligne et le téléchargement des poids mentionnés concernent Molence Bio, et KimiSeek ne propose pas d'accès à ce modèle. Le reportage ne donne ni le nombre de paramètres, ni le minimum de mémoire GPU, ni les dépendances d'inférence, ni la licence : les questions « peut-il tourner sur mes GPU » et « puis-je l'utiliser commercialement » restent donc sans réponse, et seuls le dépôt et les pages officielles font foi. Tous les chiffres de précision sont autodéclarés par la société : certaines comparaisons sont citées d'un rapport technique tiers plutôt que réexécutées dans le même environnement, MolBench-Peptide-26 est construit par la société, et la comparaison sur les très grands complexes porte sur des résultats publiés antérieurement par Anthropic, non sur une évaluation parallèle des mêmes systèmes. La partie nanobodies relève d'expériences humides du laboratoire interne de la société et repose explicitement sur une version antérieure de Mol-1, qui n'est pas le même objet que les poids publics ; on ne peut donc pas en déduire la capacité de design de la version publique. Le reportage date du 31 octobre 2026 ; le contenu du dépôt, les termes de licence et la disponibilité du service peuvent avoir changé depuis.