Die molekulare Repräsentationslernung (Molecular Representation Learning, MRL) hat aufgrund ihrer zentralen Rolle beim Lernen aus begrenzten überwachten Daten für Anwendungen wie Arzneimittelentwicklung erhebliche Aufmerksamkeit erfahren. In den meisten MRL-Methoden werden Moleküle als eindimensionale Sequenztoken oder zweidimensionale Topologiegraphen behandelt, was ihre Fähigkeit einschränkt, 3D-Informationen für nachgeschaltete Aufgaben zu integrieren – insbesondere erschwert dies die Vorhersage oder Generierung von 3D-Geometrien. In dieser Arbeit präsentieren wir Uni-Mol, einen universellen MRL-Framework, der die Repräsentationsfähigkeit und Anwendungsspanne bestehender MRL-Verfahren erheblich erweitert. Uni-Mol besteht aus zwei Modellen mit derselben SE(3)-äquivarianten Transformer-Architektur: einem molekularen Vortrainingsmodell, das mit 209 Millionen molekularer Konformationen trainiert wurde, sowie einem Taschen-Vortrainingsmodell, das mit 3 Millionen Kandidaten für Protein-Taschen trainiert wurde. Die beiden Modelle werden unabhängig für getrennte Aufgaben eingesetzt und erst bei protein-liganden-Bindungsaufgaben kombiniert. Durch die sorgfältige Integration von 3D-Informationen übertrifft Uni-Mol die State-of-the-Art (SOTA)-Leistung in 14 von 15 Aufgaben zur Vorhersage molekularer Eigenschaften. Darüber hinaus erzielt Uni-Mol herausragende Ergebnisse bei 3D-raumbezogenen Aufgaben wie der Vorhersage von Protein-Liganden-Bindungsorientierungen und der Generierung molekularer Konformationen. Schließlich zeigen wir, dass Uni-Mol erfolgreich auf Aufgaben mit wenigen Beispielen, wie der Vorhersage der „Druggability“ von Taschen, angewendet werden kann. Das Modell und die zugrundeliegenden Daten werden öffentlich unter https://github.com/dptech-corp/Uni-Mol verfügbar gemacht.