MoleculeMind afirma haber logrado un 94,7% de proyectos exitosos en diseño de proteínas con IA

Hoy muchos actores saben generar miles de secuencias de proteínas. MoleculeMind (分子之心 en chino) propone medir otra cosa: cuántas moléculas hay que enviar a validación experimental y con qué frecuencia un proyecto termina en un candidato funcional. En el nuevo informe técnico sobre su plataforma de diseño con IA MMDesign, la compañía cita un 94,7% de proyectos exitosos en 18 dianas. Las seis dianas GPCR del conjunto dieron un acierto.

Por qué la métrica clave es la criba y no la generación

En el desarrollo de biofármacos con IA, el cuello de botella se desplazó hace tiempo. El modelo genera tantas variantes como se le pidan, pero cada ciclo experimental cuesta dinero y semanas de trabajo: síntesis, expresión, medición de afinidad. Si de mil moléculas enviadas solo funcionan unas pocas, la economía del proyecto se desmorona, por muy vistosa que sea la generación.

Por eso MoleculeMind pone el acento en la «entrada al laboratorio»: cuantos menos candidatos haya que probar para tener éxito, más barato resulta cada proyecto. La cifra de 94,7%, calculada por proyectos y no por moléculas individuales, responde precisamente a esa lógica. La plataforma se evalúa como una cadena de producción, no como un generador.

Seis GPCR como prueba de estrés

La parte más llamativa del informe es la de los GPCR. Son receptores acoplados a proteínas G y concentran una parte considerable de los fármacos aprobados. Para los fármacos biológicos, sin embargo, siguen siendo una diana difícil. El receptor está anclado en la membrana, sus regiones extracelulares son pequeñas y flexibles, y la proteína purificada suele ser inestable. Obtener anticuerpos contra estas dianas es una tarea irregular.

Por eso un conjunto de seis dianas GPCR, en cada una de las cuales la plataforma logró un acierto, resulta más convincente que un éxito con proteínas solubles «cómodas». Supone pasar de demostraciones aisladas a una validación sistemática, como indica el propio título del informe.

Qué se evaluó exactamente

Parámetros clave del informe:

• plataforma: MMDesign, un sistema de IA para el diseño de moléculas desde cero (de novo);
• desarrollador: MoleculeMind (分子之心);
• alcance: 18 dianas;
• modalidades: nanocuerpos (VHH) y macrociclos;
• proporción de proyectos exitosos: 94,7%;
• dianas GPCR: las seis dieron un acierto;
• fecha de publicación del informe: 27 de octubre de 2026.

La combinación de dos modalidades también es reveladora. Los VHH son anticuerpos de dominio único: más compactos que las inmunoglobulinas clásicas, llegan bien a zonas de la diana de difícil acceso. Los macrociclos ocupan un lugar intermedio entre las moléculas pequeñas y los fármacos biológicos. Una sola plataforma capaz de manejar tanto estructuras proteicas como cíclicas reduce la dependencia de un formato concreto.

Cómo leer este tipo de afirmaciones

El informe lo ha publicado la propia compañía y todavía no hay verificación independiente. Por eso, para el mercado importan los detalles que determinan el valor del 94,7%:

• cómo se define el «éxito de un proyecto»: unión a nivel de varios candidatos, actividad funcional o afinidad dentro del rango deseado;
• cuántas moléculas hubo que sintetizar y probar por cada diana;
• hasta qué punto las dianas son nuevas respecto a los datos de entrenamiento y a los anticuerpos conocidos;
• si hay resultados más allá de los «aciertos»: selectividad, estabilidad, idoneidad para el desarrollo posterior.

Para las farmacéuticas y los inversores, esta es una lista de comprobación práctica. Si las respuestas a estas preguntas resultan sólidas, MMDesign será un argumento a favor de que el diseño de biofármacos con IA pasa de las demostraciones a un proceso predecible. Para los equipos que construyen plataformas similares, la referencia es ahora clara: lo que hay que comparar es la proporción de proyectos exitosos y el número de moléculas enviadas a experimento, no el volumen de generación.