IA, biocomputación y ciencia de datos aplicadas al mRNA: clasificación de variantes y diseño terapéutico desde su factor de forma termodinámico — el eje físico que ningún predictor usa. Los datos sensibles nunca salen de tu infraestructura.
Sin registro. Cada línea destila un observable físico interpretable en una herramienta que corre entera en tu equipo — sin GPU, sin que los datos salgan de ahí.
La señal termodinámica σ + G>A que iguala a la red profunda. Disponible como web, CLI y plugin VEP.
pip install ef-synonymous
del dato crudo al resultado aplicable
algoritmos que hablan biología molecular
cnn · llm · multi-agente gobernado
el factor de forma del mRNA que otros no ven
Primera vertical del laboratorio. Una plataforma biofísica que opera donde REVEL y AlphaMissense son ciegos: el perfil termodinámico del mRNA y, en particular, las variantes sinónimas — un nicho sin competidor. Un motor compartido, ΔG nearest-neighbor, alimenta tres frentes: clasificación de variantes, diseño de mRNA y enfermedades de expansión de repeticiones.
El hallazgo core: la señal se reduce a un modelo interpretable de 2 variables físicas que iguala a la red profunda — auditable como evidencia ACMG.
Evidencia científica revisable: tres preprints y un informe técnico de benchmark. Una trilogía en construcción, con revisión por pares en curso.
CNN 1D multicanal, 42 genes validados, AUC 0,87–0,99. Gradiente de transferibilidad zero-shot.
ΔG como eje ortogonal a MFE (R²=0,144). Optimizador dual que supera vacunas comerciales.
AUC 0,683. Marco Λ = S ⊗ Φ. La CNN se reduce a 2 observables físicos (ΔΔG con signo + sesgo G>A), auditable como evidencia ACMG (PP3/BP4).
Comparativa formal en 7 genes. EF supera a CADD en SCN1A (0,913 vs 0,832). Valor aditivo demostrado.
Preprints con DOI, código open-source y dos paquetes en PyPI. Glass-box, sin registro.