Molence Bio publica código e pesos do Mol-1: 75% autorrelatado na predição de estruturas de anticorpo–antígeno e montagem de complexos enormes por agente em uma única H20
Segundo o Xinzhiyuan, em 31 de outubro de 2026, a empresa chinesa de IA farmacêutica Molence Bio divulgou o modelo fundacional de biomoléculas Mol-1 e publicou código e pesos no GitHub. A empresa relata 75% de sucesso na predição de estruturas de anticorpo–antígeno; complexos muito grandes são montados por um agente de longa duração em uma única H20; os dados de design de nanobodies vêm de uma versão interna inicial ainda não divulgada.
O que mudou
Mol-1 é o primeiro modelo fundacional de biomoléculas da Molence Bio, que afirma cobrir com um único modelo a predição de estruturas de complexos anticorpo–antígeno, proteína–peptídeo, proteína–pequena molécula e de molecular glue, e oferece as versões Mol-1 e Mol-1-constraint, esta com restrição de epítopo. Segundo os dados divulgados na reportagem: No conjunto de teste FoldBench-AB de anticorpo–antígeno, o Mol-1 teve taxa de sucesso de 75,0%, em comparação com os 75,6% do IsoDDE no relatório técnico da Isomorphic Labs; com restrição de epítopo, sobe para 88,3%. A empresa também enumerou 201.376 combinações de cinco sementes a partir de 32 sementes aleatórias, das quais 62,22% atingiram pelo menos 75% de sucesso e 17,85% superaram 76%. Em complexos peptídeo–proteína, a empresa criou o MolBench-Peptide-26, cobrindo 172 clusters de interface em 150 entradas PDB publicadas nos três primeiros trimestres de 2026; no limiar mais rigoroso DockQ>0,80, a taxa de sucesso foi 54,1%, e a empresa afirma que o melhor controle sem restrição teve 52,3%, enquanto o Mol-1-constraint teve 60,2%. No subconjunto de alta homologia de molecular glue, a taxa de sucesso foi 74,6%, e o segundo colocado citado na reportagem teve 40,7%. Na parte de complexos muito grandes, um agente de longa duração movido pelo Mol-1 avaliou 10 grandes complexos em uma única NVIDIA H20; 9 superaram os resultados correspondentes relatados anteriormente pela Anthropic, e 8 tiveram TM-score acima de 0,9; o maior sistema tinha 60 mil resíduos e 120 cadeias, com TM-score 0,997. A comparação é com o trabalho público da Anthropic, que usou 8 placas B300 e cuja maior predição precisa envolveu cerca de 10 mil aminoácidos. O design de novo de nanobodies vem da plataforma interna, e a reportagem explicita que se baseia em uma versão inicial do Mol-1: 17 alvos produziram candidatos de ligação, com a maior taxa de acerto por alvo em 63%; dos 30 candidatos VHH para BCMA, 12 se ligaram, e o melhor candidato teve KD de 43 pM medido por SPR; após uma rodada de feedback experimental, 51 dos 60 designs da segunda rodada de VHH agonistas de 4-1BB apresentaram atividade funcional, e a taxa de acerto subiu de cerca de 7% para 85%; para CXCR6, obteve-se um VHH antagonista com EC50 de 39 nM capaz de inibir o sinal do ligante; para dois antígenos com apenas 54% de identidade de sequência, 5 dos 30 designs da primeira rodada se ligaram a ambos. A reportagem diz que o código e os pesos do modelo base já estão públicos no GitHub, e há também um serviço online de predição para Mol-1 e Mol-1-constraint, com implantação local possível para montar fluxos mais complexos de predição, design e agentes.
Impacto para desenvolvedores
A forma de integrar esse tipo de modelo é bem diferente da de um modelo de chat: as entradas são sequências e estruturas, as saídas são coordenadas, e a validação depende de métricas estruturais como DockQ e TM-score, não de uma nota de texto ou de leitura humana; portanto, “poder entrar em produção” depende de você ter um conjunto de validação local com estruturas experimentais. O valor mais direto da publicação dos pesos é que sequências dos alvos podem permanecer na rede interna, e execuções em lote de complexos não precisam esperar fila de um serviço web; mas pesos públicos não equivalem a licença de uso, a reportagem não informa a licença, e é preciso confirmar no repositório antes de uso comercial ou redistribuição. Há dois pontos que realmente trazem informação útil para desenvolvedores. Primeiro, o ganho consistente do modo com restrição (anticorpo–antígeno de 75,0% para 88,3%; complexos peptídicos com DockQ>0,80 de 54,1% para 60,2%) mostra que ter ou não anotações de epítopo ou resíduos de interface muda diretamente a qualidade do resultado, o que determina seu processo de preparação de entrada, não a escolha do modelo. Segundo, os complexos muito grandes dependem de um agente de longa duração que prediz e monta repetidamente, e uma única H20 obtém o resultado da comparação relatada, sugerindo que a camada de orquestração e escalonamento pode valer mais do que trocar por um modelo maior ou adicionar GPUs. Esses números devem ser tomados com desconto: a maioria das comparações feitas pela própria empresa usa conjuntos de dados criados por ela ou números citados de relatórios técnicos de terceiros, não uma reexecução no mesmo ambiente; os 75% são sensíveis à semente aleatória, e entre as combinações de cinco sementes 17,85% superaram 76%, enquanto cerca de 38% ficaram abaixo de 75%; a parte de design vem de uma versão interna inicial e de experimentos de bancada internos, e não há evidência de que os pesos públicos reproduzam aquelas taxas de acerto.
Integração e avaliação
As sugestões a seguir são condicionais e não são fatos da reportagem. Primeiro, decida entre implantação própria e serviço online. A mudança relatada é a publicação de código e pesos base, mantendo também o serviço web. Se as sequências dos alvos não podem sair da rede interna, ou se você precisa rodar complexos em lote e encadear seus próprios agentes, a implantação própria é a única opção; se for apenas conferir uma ou duas estruturas ocasionalmente, o serviço web dá menos trabalho. Como critério, use seu próprio conjunto de validação: escolha de 20 a 50 complexos anticorpo–antígeno ou peptídeo–proteína com estruturas experimentais, calcule a taxa de sucesso por DockQ ou pelo critério da empresa e compare com 75%, registrando também o uso de memória de GPU e o tempo por complexo. Se a reprodução ficar claramente abaixo, suspeite primeiro de diferenças de versão, pré-processamento de entrada e script de avaliação, em vez de descartar o modelo de imediato. Segundo, trate o modo com restrição como um interruptor com pré-condições, não como padrão. Os ganhos relatados são FoldBench-AB de 75,0% para 88,3% e complexos peptídicos com DockQ>0,80 de 54,1% para 60,2%, mas pressupõem que você tenha anotações de epítopo ou resíduos de interface; sem anotação, esse caminho não se aplica, e forçá-lo equivale a introduzir um prior errado. Uma validação prática é comparar, no seu conjunto peptídeo–proteína, a taxa de aprovação com DockQ>0,80 com e sem restrição; se a diferença for muito menor que a relatada, não transforme a restrição em critério obrigatório do pipeline. Terceiro, para complexos muito grandes, teste primeiro a orquestração e só depois considere adicionar GPUs. A comparação relatada é de 8 B300 contra uma única H20, e a diferença vem da predição e montagem repetidas pelo agente, não do tamanho do modelo; o gatilho é um sistema com mais de 10 mil resíduos e dezenas de cadeias ou mais. Como métrica de aceitação, conte quantos dos seus 5 a 10 grandes complexos de interesse atingem TM-score de 0,9 e o tempo total decorrido, comparando com uma predição direta em uma única passada; se a predição direta já basta, o agente só adiciona custo. O pré-requisito é confirmar se o repositório inclui esse código de orquestração, pois a reportagem apenas diz que código e pesos estão públicos, sem listar o componente de agente item por item. Quarto, não trate o design de nanobodies como capacidade já entregue. Os dados de taxa de acerto e afinidade vêm da plataforma interna e de uma versão inicial do modelo, enquanto o que é público é o modelo de predição de estrutura. Se sua abordagem depende de design de novo de VHH, use primeiro o Mol-1 como componente de verificação estrutural: em um conjunto de candidatos com gradiente de afinidade conhecido, veja se as estruturas previstas ordenam corretamente os candidatos, e só então decida se o inclui no ciclo de design.
Limites e pontos a confirmar
O Mol-1 não está atualmente no catálogo de modelos do KimiSeek, e o serviço online e o download de pesos mencionados na reportagem referem-se à Molence Bio; este site não oferece chamadas a esse modelo. A reportagem não informa número de parâmetros, requisito mínimo de memória de GPU, dependências de inferência nem licença, portanto, por ora, as questões “dá para rodar na minha GPU” e “posso usar comercialmente” só podem ser respondidas com base no repositório e na página oficial. Todos os números de precisão são autorrelatados pela empresa: parte das comparações é citada de relatórios técnicos de terceiros, não de reexecuções no mesmo ambiente; o MolBench-Peptide-26 foi criado pela empresa; os objetos de comparação dos complexos muito grandes são resultados publicados anteriormente pela Anthropic, e não uma avaliação paralela nos mesmos sistemas. Os dados de nanobodies são resultados de experimentos de bancada do laboratório interno da empresa e se baseiam explicitamente em uma versão inicial do Mol-1, que não é o mesmo objeto dos pesos públicos, portanto não permitem inferir a capacidade de design da versão pública. A data da reportagem é 31 de outubro de 2026, e o conteúdo do repositório, os termos de licença e a disponibilidade do serviço podem mudar depois disso.