觅深知源公开 Mol-1 代码与权重:抗体结构预测自报 75%,超大复合物改用单卡智能体组装
据新智元 2026 年 10 月 31 日报道,中国 AI 制药公司觅深知源发布生物分子基础模型 Mol-1,并在 GitHub 公开代码与权重。厂商自报抗体–抗原结构预测成功率 75%,超大复合物由单张 H20 上的长时智能体组装;纳米抗体设计数据来自尚未放出的内部早期版本。
发生了什么
Mol-1 是觅深知源(Molence Bio)的首个生物分子基础模型,厂商称用单个模型覆盖抗体–抗原、蛋白质–多肽、蛋白质–小分子与分子胶等复合物结构预测,并同时提供 Mol-1 与带表位约束的 Mol-1-constraint 两个版本。按报道给出的数据: 在 FoldBench-AB 抗体–抗原测试集上,Mol-1 成功率 75.0%,对照对象是 Isomorphic Labs 技术报告中 IsoDDE 的 75.6%;加表位约束后升至 88.3%。厂商还从 32 个随机种子枚举了 201,376 个五种子组合,其中 62.22% 达到至少 75% 成功率,17.85% 超过 76%。 肽与蛋白复合物方面,厂商自建了 MolBench-Peptide-26,覆盖 2026 年前三季度公布的 150 个 PDB 条目中的 172 个界面簇;在最严格的 DockQ>0.80 阈值下成功率 54.1%,厂商称表现最好的无约束对照为 52.3%,Mol-1-constraint 为 60.2%。分子胶高同源子集成功率 74.6%,报道中的第二名是 40.7%。 超大复合物部分,Mol-1 驱动的长时运行智能体在单张 NVIDIA H20 上评估 10 个大型复合物,9 个优于 Anthropic 此前报告的对应结果,其中 8 个 TM-score 在 0.9 以上;最大体系 6 万残基、120 条链,TM-score 0.997。对照是 Anthropic 用 8 张 B300 节点、最大准确预测约 1 万氨基酸的公开工作。 纳米抗体从头设计来自内部平台,报道明确其基于 Mol-1 早期版本:17 个靶点均获得结合候选,单靶点命中率最高 63%;BCMA 的 30 个 VHH 候选中 12 个可结合,最优候选 SPR 测得 KD 43 pM;4-1BB 激动型 VHH 经一轮实验反馈后,第二轮 60 个设计有 51 个具备功能活性,命中率从约 7% 升至 85%;CXCR6 上获得 EC50 39 nM 且能抑制配体信号的拮抗 VHH;针对序列一致性仅 54% 的两个抗原,首轮 30 个设计中 5 个可双结合。 报道称代码与基础模型权重已在 GitHub 公开,另提供 Mol-1 与 Mol-1-constraint 的在线预测服务,可本地部署以搭建更复杂的预测、设计与智能体流程。
对开发者的影响
这类模型接入方式与聊天模型完全不同:输入是序列与结构,输出是坐标,验收靠 DockQ、TM-score 这类结构指标,而不是文本打分或人工读感,所以“能不能上线”取决于你有没有带实验结构的本地留出集。权重公开最直接的价值是靶点序列可以留在内网,批量跑复合物也不必排队等网页服务;但权重公开不等于许可证授权,报道未交代许可证,商用与再分发前必须去仓库确认。 对开发者真正有信息量的是两点。一是约束模式带来的稳定增益(抗体–抗原 75.0% 到 88.3%,肽复合物 DockQ>0.80 从 54.1% 到 60.2%),说明有没有表位或界面残基标注会直接改变结果质量,这会决定你的输入准备流程而不是模型选型。二是超大复合物靠长时智能体反复预测与组装、单张 H20 拿下报道中的对比,提示调度与编排层可能比换更大模型或加卡更划算。 这些数字需要打折扣看:多数组内对比是厂商自建数据集或引用他方技术报告数字,不是同环境重跑;75% 对随机种子敏感,五种子组合里有 17.85% 超过 76%,反过来约 38% 不到 75%;设计部分来自内部早期版本和内部湿实验,公开权重能否复现那些命中率没有证据。
接入与评估建议
以下为条件性建议,不是报道中的事实。 第一,先决定自建还是先用在线服务。报道的变化是代码与基础权重公开、同时保留网页服务。若靶点序列不能出内网,或需要批量跑复合物、自己串智能体,自建是唯一选项;若只是偶尔核对一两个结构,网页服务更省事。判断标准建议用自己的留出集:挑 20 至 50 个已有实验结构的抗体–抗原或肽–蛋白复合物,按 DockQ 或厂商口径统计成功率并与 75% 对比,同时记录单复合物的显存占用与耗时。复现明显偏低时,先怀疑版本、输入预处理与评价脚本差异,而不是直接否定模型。 第二,把约束模式当成有前置条件的开关,而不是默认项。报道的增益是 FoldBench-AB 75.0% 到 88.3%、肽复合物 DockQ>0.80 从 54.1% 到 60.2%,前提是你手上有表位或界面残基标注;没有标注时这条路径用不上,硬套等于引入错误先验。可操作的验收是:在自有肽–蛋白集合上比较约束与无约束的 DockQ>0.80 通过率,若差距远小于报道值,就别把约束设成流水线硬门槛。 第三,超大复合物先试编排,再考虑加卡。报道的对照是 8 张 B300 对单张 H20,差距来自智能体反复预测与组装,而非模型规模;触发条件是体系达到上万残基、几十条链以上。验收指标可定为:在你关心的 5 至 10 个大型复合物上统计 TM-score 达到 0.9 的个数与总墙钟时间,并与一次性直接预测对比;若直接预测已够用,智能体只是增加成本。前提是先确认仓库是否包含这套编排代码,报道只说明代码与权重公开,没有逐项列出智能体部分。 第四,别把纳米抗体设计当作已交付能力。命中率与亲和力数据来自内部平台和早期模型版本,公开的是结构预测模型。若你的路线依赖 de novo VHH 设计,可先把 Mol-1 当作结构校验组件,在已知亲和力梯度的候选集上看预测结构能否排出正确顺序,再决定是否接入设计循环。
限制与待确认事项
Mol-1 目前不在 KimiSeek 的模型目录中,报道提到的在线服务与权重下载均指觅深知源方面,本站不提供该模型的调用。报道没有给出参数量、显存下限、推理依赖与许可证,因此“能否在自有 GPU 上跑起来”和“能否商用”这两个问题目前都无法回答,只能以仓库与官方页面为准。 所有精度数字均为厂商自报:部分对照引自他方技术报告而非同环境重跑,MolBench-Peptide-26 由厂商自建,超大复合物的比较对象是 Anthropic 此前公开发表的结果,不是同一批体系上的并行评测。纳米抗体部分为厂商内部实验室的湿实验结果,且明确基于 Mol-1 早期版本,与公开权重不是同一对象,不能据此推断公开版本的设计能力。报道日期为 2026 年 10 月 31 日,仓库内容、许可条款与服务可用性此后都可能变化。