QMetrika Labs [ investigación ] [ preprints ] [ herramientas ] [ blog ] es/en
// bio-ia termodinámica

Energía que se transforma en conocimiento

IA y biocomputación aplicadas al mRNA. Un motor biofísico compartido —ΔG de apilamiento nearest-neighbor— opera sobre un eje físico que el MFE y los predictores a nivel de proteína no usan. Cada línea destila un observable físico interpretable, no una caja negra: modelos auditables que corren en local.

§ 01líneas de investigación
3 frentes
  1. L2línea principal

    Optimización de mRNA terapéutico

    Diseño de secuencias desde el eje de apilamiento (ΔG), que LinearDesign y el MFE no capturan. Como prueba de concepto computacional, sin validación experimental, el optimizador dual (ΔG + MFE) obtiene valores de ΔG y MFE más favorables que los de BNT162b2 y mRNA-1273; el 78 % de la varianza del eje de apilamiento no es ni composición local ni estructura secundaria. Código no público; abierto a colaboración y licencia.

    P-L2 →
  2. L1variantes

    Clasificación de variantes

    Perfiles termodinámicos de apilamiento para variantes missense y sinónimas. En sinónimas, la señal se reduce a 2 observables físicos interpretables (ΔΔG con signo + sesgo G>A).

    P-L1 →P1 →
  3. —repeticiones

    Enfermedades de expansión de repeticiones

    Observable físico de la arquitectura de las interrupciones de repetición (tipo y posición) en DM1, Huntington, SCA1 y X-frágil.

    energorna →
§ 02preprints y notas técnicas
sin revisión por pares · DOI en Zenodo
  1. P-L2preprint

    mRNA Stacking Optimization: Codon design guided by nearest-neighbor thermodynamics

    El ΔG de apilamiento como dimensión propia frente al MFE. Optimizador dual: prueba de concepto computacional en ΔG y MFE, sin validación experimental.

    10.5281/zenodo.20228979
  2. P-L1preprint

    EnergyFingerprint: Thermodynamic stacking profiles for missense variant classification

    CNN 1D multicanal. 8 genes en el preprint, AUC intra-gen 0,72–0,99†; panel de 42 genes, resultados no publicados. Gradiente de transferibilidad zero-shot.

    10.5281/zenodo.19831154
  3. TECH-2informe técnico

    Benchmark: EnergyFingerprint vs CADD, REVEL, AlphaMissense

    Comparativa en 7 genes. En conjunto, EF queda por debajo de CADD (ΔAUC −0,024, p = 0,048), REVEL (−0,028) y AlphaMissense (−0,040)†; en SCN1A supera a CADD (0,913 frente a 0,832, 5 folds). Que EF aporte valor añadido a estos predictores es una hipótesis por probar.

    10.5281/zenodo.21309529
  4. P1preprint

    Synonymous variants alter mRNA thermodynamic profiles: a CNN-based pathogenicity signal

    AUC 0,683 ± 0,018 en ClinVar†, sin superar a SpliceAI. La CNN se reduce a 2 observables físicos interpretables (ΔΔG con signo + sesgo G>A).

    10.5281/zenodo.20275792

† AUC calculado sobre ClinVar: puede reflejar la identidad del gen o la posición de la variante más que el efecto de la propia variante.

§ 03herramientas abiertas
sin registro · sin GPU · en local
  1. L1sinónimas

    ef-synonymous

    Modelo interpretable de 2 variables físicas para variantes sinónimas. Web, CLI y plugin VEP. pip install ef-synonymous

    webpypigithub
  2. —repeticiones

    energorna

    Arquitectura de las interrupciones de repetición; glass-box y model-free. pip install energorna

    webpypigithub