IA y biocomputación aplicadas al mRNA. Nuestra línea principal: optimización de mRNA terapéutico desde el eje termodinámico de apilamiento (ΔG) que LinearDesign y el MFE no usan — un optimizador dual que supera a las vacunas comerciales. Junto a un conjunto de herramientas abiertas de análisis de variantes. Los datos sensibles nunca salen de tu infraestructura.
Diseño de secuencias de mRNA desde el eje termodinámico de apilamiento nearest-neighbor (ΔG) — una dimensión física que LinearDesign y la energía de estructura (MFE) no capturan. El optimizador dual mejora ambas a la vez.
El optimizador dual (ΔG + MFE) supera simultáneamente a BNT162b2 y mRNA-1273 en ambas métricas; el eje de apilamiento aporta una dimensión propia — el 78 % de su varianza no es ni composición local ni estructura secundaria (13 secuencias, resolución de nucleótido) — información que los métodos actuales no usan. Además, con parámetros de RNA el diseño sale con el CpG al nivel de mRNA-1273 (o/e 0,70), relevante para inmunogenicidad.
Método cubierto por la patente P202630522; el optimizador es tecnología propietaria. Abierto a colaboración y licencia con pharma/biotech de mRNA.
Nuestro trabajo abierto. Cada línea de análisis de variantes destila un observable físico interpretable en una herramienta que corre entera en tu equipo — sin registro, sin GPU, sin que los datos salgan de ahí.
Un modelo interpretable de 2 variables físicas (σ = ΔΔG con signo + sesgo G>A) para variantes sinónimas — glass-box y auditable. 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. Un motor biofísico compartido —ΔG de apilamiento nearest-neighbor— alimenta tres frentes: optimización de mRNA terapéutico (la línea principal), clasificación de variantes y enfermedades de expansión de repeticiones. Opera sobre un eje físico que el MFE y los predictores a nivel de proteína no usan.
Nuestra apuesta: cada línea destila un observable físico interpretable, no una caja negra. Modelos auditables que corren en local — la base para uso clínico y regulatorio.
Evidencia científica revisable: tres preprints y un informe técnico de benchmark. Una trilogía en construcción, con revisión por pares en curso.
Línea principal. El ΔG de apilamiento como dimensión propia frente al MFE (78 % de varianza no compartida con composición ni estructura). Optimizador dual que supera a las vacunas comerciales.
CNN 1D multicanal, 42 genes validados, AUC 0,87–0,99. Gradiente de transferibilidad zero-shot.
Comparativa formal en 7 genes. EF supera a CADD en SCN1A (0,913 vs 0,832). Valor aditivo demostrado.
AUC 0,709 en ClinVar. La CNN se reduce a 2 observables físicos interpretables (ΔΔG con signo + sesgo G>A) — glass-box.
Preprints con DOI, código open-source y dos paquetes en PyPI. Glass-box, sin registro.