Molence Bio 发布 Mol-1-constraint：让结合位点线索参与结构预测
Molence Bio 推出基于 Mol-1 微调的 Mol-1-constraint，可在序列与分子组成之外输入 SITE、CONTACT、EXCLUSION 三类结合线索，在预测前引导复合物结构。
推荐理由：文章拆解了约束版结构预测的线索类型与评测设置，并说明有提示条件下与同类模型的比较口径。
#觅深知源
BioAIDesign精选AI 评分7474
Molence精选AI 评分6262 Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测
Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。
推荐理由：官方披露 Mol-1 在抗体-抗原预测基准上随采样与循环次数增加而提升，并给出采样效率对比。
Molence精选AI 评分7474 Molence：一轮实验反馈将4-1BB设计功能命中率从7%提升至85%
Molence报告在4-1BB靶点上用第一轮实验结果指导第二轮设计，功能命中数从第一轮2/30提升到第二轮51/60，功能命中率由7%升至85%。在0.03 nM下，51个第二轮激动剂中有48个超过Utomilumab阳性对照的平均激活水平，结果以VHH-Fc形式测得。同系列引文还称，针对BCMA的零样本设计30个中有12个结合命中，两个VHH-Fc候选的SPR KD为43 pM和1.1 nM，细胞表面BCMA结合EC50为0.19和0.16 nM，同一实验体系中belantamab生物类似药为4.1 nM。
推荐理由：材料展示了单轮实验反馈后功能命中率从7%升至85%的设计迭代结果，可作为蛋白设计干湿闭环的参照。
Molence精选AI 评分7474 Molence 的 Mol-1 流程设计 VHH 可激活 4-1BB，EC50 低于 Utomilumab
Molence 称其 Mol-1 流程设计的两个 VHH-Fc 融合分子在 6 小时报告基因实验中激活 4-1BB，EC50 分别为 0.05 和 0.22 nM，对照 Utomilumab 为 0.43 nM。VHH 01 的 SPR KD 为 3.5 nM，两个设计均表现出高单体纯度、热稳定性和低自相互作用等理化性质。作者引用的前序内容显示，借助第一轮实验结果指导第二轮设计，功能性命中率从 2/30 提升到 51/60，其中 48 个在 0.03 nM 下超过 Utomilumab 阳性对照的平均激活水平。
推荐理由：Molence 展示其 Mol-1 流程设计的 VHH-Fc 在 4-1BB 激动活性上优于 Utomilumab 对照，并给出可开发性指标。
Molence精选AI 评分7373 Molence 计算设计的 VHH 可拮抗 GPCR CXCR6 信号
Molence 报告其计算设计的 VHH 以 VHH-Fc 融合形式结合表达 CXCR6 的细胞，EC50 为 39 nM。在 cAMP 实验中，30 nM CXCL16 使响应降至仅含 forskolin 对照的 70.6%，加入 167 nM 该 VHH 后恢复至 92.6%，作者据此认为该结合剂拮抗 CXCL16 诱导的 CXCR6 信号。
推荐理由：该设计通过细胞结合与 cAMP 回复实验，给出计算设计 VHH 拮抗 CXCR6 信号的具体证据。
Molence精选AI 评分7272 Molence设计VHH实现单一结合剂识别两种细胞因子
Molence报告其设计的VHH可识别两种非直系同源细胞因子，二者无空位序列一致性为54%。30个设计以VHH-Fc融合形式测试，其中5个同时结合两种抗原，同一设计集对细胞因子A和B分别得到11个和7个命中。作者称双抗原识别可作为设计流程中的明确目标。
推荐理由：作者以双抗原识别为明确设计目标，报告30个设计中5个同时结合两种细胞因子的实验结果。
Molence精选AI 评分7070 Molence 报告 30 个设计 VHH-Fc 候选在 13 个靶点的生物物理筛选结果
Molence 对 30 个设计的 VHH-Fc 候选在 13 个靶点上做了四项生物物理筛选，23 个候选至少满足四项标准中的三项。分项通过率为 HIC 疏水性 80.0%、DSF 热稳定性 80.0%（Tm1 > 60°C）、AC-SINS 自相互作用 83.3%、BVP 非特异性结合 70.0%，13 个靶点中有 12 个至少有一个候选满足三项及以上标准。作者称这些结果可用于挑选进入后续开发的分子。
推荐理由：30 个 VHH-Fc 候选在 13 个靶点上的四项生物物理筛选通过率，为设计分子的可开发性筛选提供参照。
Molence精选AI 评分6060 Molence 设计 VHH 靶向 TNFR2 与 IL-4Rα 天然配体结合区
Molence 针对 TNFR2 和 IL-4Rα 的天然配体结合区设计 VHH，在顺序 BLI 竞争实验中，预先结合 TNFα 或 IL-4 会降低相应设计 VHH 的后续结合。作者称这些实验支持 VHH 识别预期区域，将表位定向设计目标与实验证据相连。此前该系列报告 30 个 VHH-Fc 候选跨 13 个靶点的四项生物物理筛选结果，其中 23 个至少满足四项中的三项。
推荐理由：该工作把表位定向设计目标与BLI竞争实验证据相连，展示了设计VHH结合位点可被实验检验的路径。
Molence精选AI 评分6060 Molence 称 Mol-1 在 Runs N' Poses 八个相似度分箱均领先基线
Molence 称其 Mol-1 在 Runs N' Poses 配体预测评测中于全部八个相似度分箱领先所评估基线，成功标准为配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。在相似度最低的 0–20 分箱，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%；通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Molence 公布 Mol-1 在 Runs N' Poses 各相似度分箱的配体预测结果，可与 AlphaFold 3 直接对照。
Molence精选AI 评分5858 Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果
Molence 公布 Mol-1 在 MolBench-Peptide-26 蛋白-肽复合物预测基准上的成绩：DockQ > 0.23 为 88.8%，DockQ > 0.49 为 77.3%，DockQ > 0.80 为 54.1%。加入结合位点信息后，Mol-1-constraint 在相同阈值下分别提升至 92.2%、85.0% 和 60.2%。作者称生物位点信息在每个评测精度阈值上都改善了肽复合物预测。
推荐理由：Mol-1 在肽复合物预测上按 DockQ 阈值分层报告成绩，并对比加入结合位点约束后的变化。
Molence精选AI 评分6060 Molence 发布 Mol-1-constraint：表位信息提升抗体-抗原复合物预测
Molence 公布 Mol-1-constraint，在提供表位信息时，四个抗体-抗原基准上 DockQ > 0.23 的成功率均高于基础模型：FoldBench-AB 从 75.0% 升至 88.3%，AF3-AB 从 62.7% 升至 84.2%，PXMeter-AB 从 58.3% 升至 77.5%，MolBench-AB-26 从 57.3% 升至 79.4%。作者称表位可作为预测输入，基础模型与 Mol-1-constraint 均可在 lab.molence.com 获取。该帖为系列第 14 条，引用内容另报告 Mol-1 在 MolBench-Peptide-26 上的肽-蛋白预测结果。
推荐理由：Molence 公布 Mol-1-constraint 在四个抗体-抗原基准上的表位条件预测结果，可与基础模型逐项对照。
Molence精选AI 评分6060 Molence 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装
Molence 发布 Mol-1 agent，称可在单张 NVIDIA H20 上完成大型蛋白组装预测，在 10 例评测（8,000–60,120 残基）中 8 例 TM-score ≥0.9。
推荐理由：Molence 公布 Mol-1 在大型蛋白组装上的自评结果，并主动说明与 Anthropic 结果并非受控对比。
Molence精选AI 评分7373 Molence 用 Mol-1 早期检查点构建 VHH 设计流程，17 个靶点命中率 6%–63%
Molence 基于 Mol-1 的早期检查点构建了从头 VHH 设计工作流，在 17 个多样化靶点上取得 6% 至 63% 的靶点层面初始命中率。靶点覆盖可溶性蛋白、受体胞外域和 GPCR，包括 BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6 与 CCR5，作者称这是经过实验测试的设计结果。
推荐理由：作者公开了基于 Mol-1 早期检查点的 VHH 设计流程在 17 个靶点上的实验命中率区间，可作为从头结合剂设计的实测参照。
下一分子精选AI 评分7474 Molence开源生物分子基础模型Mol-1，VHH单靶点结合命中率最高63%
前字节跳动Protenix核心成员创立的Molence Bio于10月28日发布开源生物分子基础模型Mol-1，公开39页技术报告，代码以Apache 2.0开放、基础版权重可下载，约束版权重未同样开放。
推荐理由：报道梳理了Mol-1的结构预测与VHH设计数据，并逐项标注队列不匹配与早期checkpoint等证据边界。
Molence精选AI 评分7474 Molence 发布开源生物分子智能模型 Mol-1
Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上取得 75.0%，接近其引用的 IsoDDE 报告的 75.58%。该模型可在单张 H20 上完成 6 万 token 的组装，公司称其在 10 项对比中 8 项优于 Anthropic；VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。代码已在 GitHub 开放，并提供在线试用入口。
推荐理由：Molence 发布开源生物分子模型 Mol-1，并给出结构基准、长序列组装与 VHH 结合筛选的对比数据。
已经到底了