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

Generar miles de secuencias proteicas ya lo sabe hacer casi cualquiera. MoleculeMind (分子之心 en chino) propone medir otra cosa: cuántas moléculas hay que enviar a verificación experimental y con qué frecuencia un proyecto termina con un candidato funcional. En su nuevo informe técnico sobre la plataforma de diseño con IA MMDesign, la compañía presenta un 94,7% de proyectos exitosos en 18 dianas. Las seis dianas GPCR del conjunto dieron resultado positivo.

Por qué el indicador clave es el filtrado y no la generación

En el desarrollo de biofármacos con IA, el cuello de botella hace tiempo que se desplazó. El modelo puede generar tantas variantes como se quiera, pero cada ciclo experimental cuesta dinero y semanas de trabajo: síntesis, expresión, medición de afinidad. Si de mil moléculas enviadas solo unas pocas funcionan, la economía del proyecto se derrumba, por bonita que parezca la generación.

Por eso MoleculeMind traslada el foco a la "entrada al laboratorio": cuantos menos candidatos haya que verificar para lograr el éxito, más barato resulta cada proyecto. La cifra del 94,7% calculada por proyectos, y no por moléculas individuales, refleja precisamente esta 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 tiene que ver con los GPCR. Se trata de receptores acoplados a proteínas G, sobre los que recae una parte significativa de los medicamentos aprobados. Para los biofármacos siguen siendo un objetivo complejo. El receptor está incrustado en la membrana, sus regiones extracelulares son pequeñas y móviles, y la proteína purificada suele ser inestable. Los anticuerpos contra estas dianas se obtienen de forma irregular.

Por eso, un conjunto de seis dianas GPCR, en cada una de las cuales la plataforma logró un acierto, resulta más convincente que el éxito en proteínas solubles "cómodas". Es un paso de las demostraciones puntuales a la verificación sistemática, tal como indica el propio título del informe.

Qué se evaluó exactamente

Parámetros clave del informe:

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

La combinación de las dos modalidades también es significativa. Los VHH son anticuerpos de dominio único, más compactos que las inmunoglobulinas clásicas, y penetran bien en regiones de difícil acceso de las dianas. Los macrociclos ocupan una posición intermedia entre las moléculas pequeñas y los biofármacos. Una sola plataforma capaz de manejar tanto estructuras proteicas como cíclicas reduce la dependencia de un formato concreto.

Cómo interpretar este tipo de afirmaciones

El informe lo ha publicado la propia compañía y todavía no existe verificación independiente. Por eso, para el mercado son importantes los detalles que determinan el valor real 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 verificar por cada diana;
• cuán novedosas son las dianas respecto a los datos de entrenamiento y a los anticuerpos ya conocidos;
• si existen resultados más allá de los "aciertos": selectividad, estabilidad, idoneidad para el desarrollo posterior.

Para las farmacéuticas y los inversores, esto constituye una lista de verificación práctica. Si las respuestas a estas preguntas resultan sólidas, MMDesign se convertirá en un argumento a favor de que el diseño de biofármacos con IA está pasando de las demostraciones a un proceso predecible. Para los equipos que construyen plataformas similares, la referencia ya está clara: hay que comparar el porcentaje de proyectos exitosos y el número de moléculas que llegan a la fase experimental, no el volumen de generación.