Resumen del lanzamiento de otoño de Insilico Pharma.AI: Comprenda las últimas actualizaciones de IA para la investigación sanitaria con preguntas frecuentes respondidas

El 2 de octubre, la tercera edición del webinar trimestral de lanzamiento de Pharma.AI de Insilico Medicine—titulado "Hacia la Superinteligencia Farmacéutica"—se cerró exitosamente con alrededor de 300 registrados de todo el mundo provenientes de universidades, instituciones sanitarias, compañías farmacéuticas internacionales y la industria biotecnológica innovadora. Durante el webinar, el equipo de software de Insilico ilustró las capacidades más actualizadas de la plataforma Pharma.AI mientras presentaba demostraciones en vivo así como casos de estudio, y los aspectos destacados se resumen a continuación:

En el campo de la exploración biológica, PandaOmics, el motor de análisis de datos ómicos y textuales basado en la nube, fue actualizado desde el conjunto de datos hasta la puntuación de clasificación y el procesamiento de salida, introduciendo cuatro novedosas puntuaciones LLM centradas en la confianza, la viabilidad comercial, la capacidad de ser objeto de fármacos y la claridad del mecanismo para decisiones de priorización más integrales.

Basándose en la experiencia de PandaOmics en el descubrimiento de objetivos y la exploración de indicaciones, Insilico Medicine presentó recientemente un artículo de investigación sobre un marco sistemático de evaluación del rendimiento de modelos a un servidor de preimpresión, proponiendo TID-Pro—una plataforma que combina la identificación de objetivos mediante aprendizaje automático con una evaluación comparativa integral—y TargetBench 1.0, un sistema de evaluación comparativa de identificación de objetivos. Este enfoque integrado proporciona una vía eficiente para evaluar modelos de descubrimiento de objetivos, ayudando a optimizar y mejorar la calidad y eficiencia del descubrimiento de objetivos—un paso crítico en el descubrimiento de fármacos—a través de métodos de modelado computacional y multi-ómicos basados en IA.

Además, Generative Biologics para biomoléculas novedosas incluyendo anticuerpos y péptidos, ha optimizado aún más los procesos de entrenamiento, filtrado y validación del modelo, de modo que una comprensión estructural más detallada con modelos más predictivos podría conducir a moléculas diseñadas por IA mejor equilibradas. Además, el equipo de Insilico compartió un caso de prueba interno utilizando la plataforma para el diseño rápido de moléculas peptídicas dirigidas a GLP1R: en 72 horas, Generative Biologics generó más de 5,000 moléculas peptídicas novedosas. El equipo seleccionó 20 candidatos de alto potencial basándose en puntuaciones de afinidad predichas y energía de enlace computacional, con 14 moléculas mostrando actividad biológica, incluyendo 3 que demostraron actividad nanomolar de un solo dígito altamente efectiva.

En cuanto a la química, Chemistry42, propiedad de Insilico, ahora está compuesto por 7 aplicaciones distintivas que abarcan la generación molecular, predicción de energía libre de enlace, predicción de propiedades ADMET, predicción de selectividad de quinasas y detección de rutas de retrosíntesis, y es capaz de producir más de 2,400 candidatos moleculares en docenas de horas, uniendo la flexibilidad de la IA generativa y la precisión de los métodos basados en física. Además, MDFlow para simulación de dinámica molecular (MD) se introdujo como una aplicación completamente nueva, y Nach01, el modelo fundamental multimodal de lenguajes naturales y químicos, está actualmente disponible en AWS marketplace.

Más allá de los modelos especializados de desarrollo de fármacos, Insilico Medicine continúa expandiendo sus modelos asistentes científicos de Pharma.AI. Entre estos, Science42: DORA logra la generación automatizada de documentos a través de la integración de múltiples agentes de IA y recientemente se sometió a una actualización del modelo central de IA, trayendo capacidades de razonamiento mejoradas y características de verificación de contenido en tiempo real, permitiendo conectividad e interoperabilidad con más herramientas de IA. La serie PreciousGPT, modelo de vida propiedad de Insilico Medicine, fue presentada recientemente en dos artículos revisados por pares en la revista Aging, explorando mecanismos biológicos relacionados con el envejecimiento.

Para obtener una visión sistemática de Pharma.AI, la solución impulsada por IA generativa para el descubrimiento de fármacos y más investigación de vanguardia, consulte las siguientes respuestas proporcionadas por el equipo de IA de Insilico.

 

¿Por qué recomendamos a los investigadores usar PandaOmics?

Reúne datos multi-ómicos, minería de literatura, contexto de enfermedades e información sobre biomarcadores, todo clasificado y puntuado por modelos de IA entrenados en conjuntos de datos del mundo real y experimentales. Reduce drásticamente el tiempo de I+D temprano y le permite generar y probar hipótesis novedosas rápidamente, incluso con un soporte bioinformático mínimo.

 

¿Cómo se implementa la IA en PandaOmics?

Como el volumen de datos biomédicos es demasiado masivo para los humanos solos, la IA ayuda a priorizar lo que importa más rápido para que los científicos puedan concentrarse en los objetivos farmacológicos más prometedores y reducir las conjeturas de I+D.

La IA impulsa cuatro áreas clave en Pandaomics:

• Lectura de literatura científica: La IA escanea artículos para extraer genes, enfermedades y sus relaciones.
• Clasificación de objetivos: Los modelos de IA basados en grafos clasifican objetivos farmacológicos potenciales según sus conexiones en biología.
• Detección de tendencias: La IA detecta señales tempranas, como un aumento en el interés o nuevos ensayos para un par objetivo-enfermedad.
• Generación de informes: Los modelos de lenguaje grandes crean resúmenes de nivel experto sobre genes y su potencial farmacológico.

¿Cuáles son las ventajas distintivas de PandaOmics?

• Profundidad de Integración Ómica: Combina transcriptómica, proteómica, epigenética, ensayos clínicos y evidencia del mundo real para priorizar objetivos con puntuaciones de confianza específicas de la enfermedad.
• Grafo de Conocimiento Centrado en Enfermedades: Ontologías preconstruidas que vinculan genes, vías e indicaciones permiten la generación de hipótesis "de un clic".
• Bibliomics y Análisis de Patentes: Rastrea la novedad y el panorama competitivo dentro de la misma interfaz; pocos rivales integran datos de propiedad intelectual tan profundamente.
• Transparencia de IA: Proporciona mapas de calor de contribución que muestran qué capas de datos impulsaron la clasificación de objetivos, ayudando a la confianza de los científicos.
• Velocidad: La inferencia en la nube devuelve listas de objetivos clasificados en minutos, superando los flujos de trabajo bioinformáticos manuales que toman días.

¿Cuál es el futuro de PandaOmics?

Evolucionará de una plataforma de descubrimiento a un sistema completo de objetivo a candidato, estrechamente integrado con herramientas de diseño químico y modelos de estratificación de pacientes. Con más datos del mundo real, ofrecerá información aún más personalizada y específica de la enfermedad, haciendo que el desarrollo de fármacos sea más rápido, más barato y más preciso.

 

¿Por qué recomendamos a los investigadores usar Generative Biologics?

No es solo otro generador de secuencias. Le permite generar, puntuar y optimizar candidatos con pipelines de IA multi-modelo, e incluso reentrenarlos con sus propios datos. Está construido para uso en el mundo real: rápido, flexible y personalizable.

¿Cómo se implementa la IA en Generative Biologics?

Generative Biologics utiliza un sistema de IA multi-modelo donde cada modelo tiene capacidades únicas:

• Los modelos de lenguaje grandes (LLMs) generan y optimizan secuencias utilizando la comprensión del lenguaje de proteínas obtenida del análisis de cientos de millones de proteínas.
• Las Redes Neuronales de Grafos (GNNs) aprenden relaciones estructurales 3D para tareas como modelar interacciones proteína-proteína.
• Los modelos de difusión se utilizan para comprender formas de proteínas y diseñar estructuras de unión que puedan interactuar con el objetivo deseado.
• Los predictores de IA se basan en modelos complejos pero resuelven tareas altamente específicas como predecir la afinidad del candidato o propiedades de desarrollo.
• En Generative Biologics, la IA es entrenable, lo que significa que los modelos pueden evolucionar y mejorar su rendimiento al recibir retroalimentación de datos de laboratorio húmedo.

¿Cuáles son las ventajas distintivas de Generative Biologics?

A diferencia de muchas herramientas que solo generan secuencias, Generative Biologics va más allá. Puntúa y clasifica las moléculas generadas utilizando tanto métodos clásicos basados en física como métodos impulsados por IA. Le permite reentrenar modelos con sus datos propietarios para obtener un poder predictivo aún mejor para sus proyectos. Soporta múltiples tipos de biológicos, ofrece optimización de múltiples parámetros y no requiere datos estructurales para cada caso de uso. Además, está diseñado para flexibilidad y escalabilidad, haciéndolo utilizable por equipos con diferentes niveles de experiencia.

¿Cuál es el futuro de Generative Biologics?

Hoy en día, soporta péptidos, anticuerpos y nanocuerpos. Pronto, se expandirá a modalidades más complejas como biespecíficos, conjugados anticuerpo-fármaco, enzimas y proteínas terapéuticas generales, ampliando su impacto en el descubrimiento de fármacos.

También estamos construyendo modelos fundamentales que requieren datos de entrada mínimos, permitiendo a los usuarios comenzar a optimizar desde una sola secuencia, sin necesidad de preentrenamiento. La integración de mapeo de epítopos, agrupamiento y selección de candidatos diversos acelerará aún más el descubrimiento en etapa temprana.

A largo plazo, Generative Biologics podría potencialmente convertirse en un asistente de IA central para I+D de biológicos: uno que no solo genera y clasifica candidatos, sino que también aprende continuamente de los datos del usuario, se integra con sistemas de laboratorio húmedo y guía a los equipos desde el descubrimiento de aciertos hasta el desarrollo preclínico en tiempo récord.

 

¿Por qué recomendamos a los investigadores usar Chemistry42?

Va más allá de la generación básica de moléculas, ofreciendo un conjunto integral de IA con potentes modelos generativos para diseño de novo, optimización de múltiples parámetros, perfilado ADMET, retrosíntesis y simulaciones basadas en física. También puede entrenar modelos con sus datos propietarios para flujos de trabajo personalizados. Ha logrado éxitos notables, como avanzar inhibidores de TNIK a etapas clínicas en solo 18 meses, y es altamente adaptable para equipos farmacéuticos o biotecnológicos que buscan reducir plazos y mejorar la innovación.

¿Cómo se implementa la IA en Chemistry42?

Chemistry42 implementa la IA a través de un sistema multi-modelo diseñado para el descubrimiento de fármacos de moléculas pequeñas, donde cada componente aborda aspectos específicos del diseño y optimización molecular.

• Los modelos generativos crean moléculas novedosas basadas en criterios definidos por el usuario, entrenados para sobresalir en diversos quimiotipos para resultados experimentales confiables.
• Los modelos de retrosíntesis, entrenados en plantillas de reacción anotadas por expertos, predicen rutas sintéticas con consideraciones para quimio-, regio- y estereoselectividad, integradas con vastas bibliotecas de bloques de construcción.
• El perfilado de propiedades aprovecha predictores de IA para pronosticar y optimizar parámetros DMPK, perfiles de toxicidad y propiedades relacionadas con la potencia, disponibles como herramienta independiente o integrada en flujos de trabajo generativos.
• Golden Cubes utiliza mapas auto-organizados para estimar la selectividad del quinoma fuera del objetivo, trabajando con estructuras 2D y 3D.
• La plataforma es entrenable, permitiendo a los usuarios ajustar modelos con datos propietarios como actividad in vitro o simulaciones para un rendimiento personalizado.
• Chemistry42 GPT, un asistente basado en LLM, navega a los usuarios por la plataforma, ayudando en la configuración del flujo de trabajo y el manejo de consultas.

¿Cuáles son las ventajas distintivas de Chemistry42?

• Conjunto Generativo con IA Primero: Chemistry42 presenta un amplio conjunto de modelos de IA generativa acoplados con aprendizaje por refuerzo para refinar diseños basados en criterios de usuario predefinidos, asegurando confianza experimental confiable y permitiendo la creación de moléculas de novo.
• Integración de Algoritmos Basados en Física: Combina sin problemas la IA con métodos centrales basados en física para una precisión y velocidad superiores, abordando limitaciones en sistemas de IA puros como la dependencia de datos y el manejo de la diversidad química infinita.
• Entrenamiento de Modelos Personalizados con Datos del Usuario: Permite a los usuarios entrenar modelos predictivos utilizando sus propios datos propietarios, creando soluciones altamente personalizadas que se adaptan a proyectos específicos, conjuntos de datos y objetivos terapéuticos para una relevancia y precisión mejoradas.
• Retrosíntesis: Predice rutas sintéticas confiables para moléculas cargadas o generadas utilizando plantillas de reacción anotadas por expertos y un planificador de rutas impulsado por IA. Construido sobre una biblioteca curada de reacciones de química medicinal y 300K bloques de construcción disponibles comercialmente, con soporte para quimio-, regio- y estereoselectividad, este módulo entrega rutas sintéticas completas y ejemplos reportados. Aproveche colecciones personalizadas de bloques de construcción para optimizar la planificación de síntesis.
• Mecanismos Avanzados de Filtrado y Puntuación: Incorpora más de 460 Filtros de Química Medicinal (MCFs) para excluir estructuras indeseables (p. ej., PAINS o grupos reactivos) y la puntuación única de Evolución de Química Medicinal (MCE-18) para evaluar la novedad molecular basada en la complejidad sp³. Además, la puntuación de Accesibilidad Sintética Relacionada con Retrosíntesis (ReRSA) mejora las estimaciones de viabilidad al incorporar bloques de construcción disponibles comercialmente, abordando limitaciones comunes en la predicción de rutas sintéticas encontradas en otras herramientas.
• Implementación Flexible y Escalabilidad: Disponible como solución SaaS o implementable en plataformas en la nube como AWS o Azure, con soporte para integraciones externas (p. ej., modelos QSAR), ofreciendo mayor escalabilidad e interoperabilidad para flujos de trabajo empresariales en comparación con competidores más aislados.
• Énfasis en Validación Experimental: Las capacidades están completamente validadas a través de estudios in vitro, in vivo y clínicos, con éxitos como avanzar múltiples candidatos diseñados por IA (10 en ensayos, p. ej., TNIK para FPI) en plazos tan cortos como 30 meses para completar la Fase 1, mucho más rápido que los tradicionales 3-6 años.

¿Cuál es el futuro de Chemistry42?

Actualmente enfocado en el diseño de novo y la optimización, se expandirá a modalidades híbridas como PROTACs, degradadores y potencialmente moléculas más grandes, mientras que las actualizaciones trimestrales, construyendo sobre los lanzamientos recientes de 2025, introducen características mejoradas como IA fundamental que requiere datos de entrada mínimos para optimizaciones rápidas. Las colaboraciones proliferarán, ampliando las aplicaciones a campos como la agroquímica y la ciencia de materiales. A largo plazo, para 2028, Chemistry42 podría servir como el copiloto de IA fundamental en I+D farmacéutico, integrándose sin problemas con robótica de laboratorio húmedo para ciclos de "diseñar-hacer-probar-analizar" de bucle cerrado, aprendiendo continuamente de datos del mundo real y propietarios para predecir resultados clínicos más temprano, e impulsando aún más candidatos a ensayos, potencialmente triplicando los éxitos actuales, mientras reduce drásticamente los plazos y costos de desarrollo para terapias personalizadas e innovadoras.

 

¿Por qué recomendamos a los investigadores usar Nach01?

Combina PNL con procesamiento avanzado de nubes de puntos 2D (como SMILES) y 3D para manejar todo, desde la generación de moléculas de novo y pronóstico ADMET hasta el descubrimiento de aciertos y optimización de líderes, todo mientras le permite ajustarlo con sus conjuntos de datos propietarios para una precisión personalizada. Como un "oráculo" en flujos de trabajo de aprendizaje por refuerzo, aumenta las tasas de éxito experimental, y es fácilmente implementable a través de AWS Marketplace para una integración sin problemas. Construyendo sobre la probada familia Nach0, es versátil para equipos farmacéuticos o biotecnológicos que buscan acelerar la I+D sin las limitaciones de modelos de una sola tarea.

¿Cómo se implementa la IA en Nach01?

Nach01 implementa la IA a través de una arquitectura de modelo de lenguaje grande (LLM) multimodal diseñada como un marco codificador-decodificador, preentrenado en conjuntos de datos masivos que abarcan literatura científica, patentes y representaciones moleculares para infundir un profundo conocimiento químico y lingüístico.

• Codificadores Multimodales: Emplea un codificador específico de dominio para procesar datos textuales (p. ej., consultas en lenguaje natural o cadenas químicas como SMILES) y un codificador de nube de puntos molecular para manejar datos espaciales 3D, permitiendo al modelo comprender disposiciones atómicas y superar limitaciones de representaciones basadas en cadenas.
• Capacidades Generativas y Predictivas: Aprovecha técnicas generativas para crear moléculas novedosas o salidas textuales, mientras que los módulos predictivos pronostican propiedades como ADMET o actividad, apoyando tareas como diseño de novo, descubrimiento de aciertos y optimización de líderes.
• Ajuste de Instrucciones y Multitarea: El modelo se refina a través de ajuste de instrucciones para manejo versátil de tareas (p. ej., QA biomédica, reconocimiento de entidades nombradas) y ajuste multitarea para sobresalir en dominios, asegurando flexibilidad en aplicaciones de un solo dominio o entre dominios.
• Personalización Dirigida por el Usuario: Permite el ajuste con conjuntos de datos propietarios, adaptando el modelo para necesidades específicas del proyecto e incrustándolo como un "oráculo" en flujos de trabajo de aprendizaje por refuerzo para refinar diseños iterativamente.

¿Cuáles son las ventajas distintivas de Nach01?

• Disponibilidad Pionera: Según nuestro conocimiento, Nach01 es el primer modelo fundamental de química generativa multimodal disponible en mercados importantes como AWS Marketplace (lanzado en junio de 2025), haciéndolo fácilmente accesible para implementación, inferencia y ajuste sin necesidad de infraestructura interna, a diferencia de muchos modelos propietarios o académicos que requieren configuraciones personalizadas.
• Procesamiento Multimodal: Integra sin problemas datos textuales (PNL), estructurales (2D como SMILES) y espaciales (nubes de puntos 3D) en un solo marco LLM codificador-decodificador, abordando limitaciones de modelos basados en cadenas que pasan por alto disposiciones atómicas 3D o requieren pipelines separados para tareas espaciales.
• Capacidades Multitarea Versátiles: Maneja una amplia gama de tareas de química, desde generación de moléculas de novo hasta predicciones de propiedades (p. ej., ADMET, actividad) en un solo modelo, ofreciendo mayor flexibilidad que herramientas de una sola tarea.
• Ajuste Dirigido por el Usuario: Permite una personalización fácil mediante el ajuste con conjuntos de datos propietarios, creando modelos personalizados para proyectos específicos (p. ej., descubrimiento de aciertos u optimización de líderes), proporcionando una ventaja sobre modelos rígidos y no adaptables que no pueden incorporar datos específicos del usuario para mejorar la relevancia y precisión.
• Implementación Escalable: Disponible a través de pago por uso en AWS, apoyando la integración sin problemas en flujos de trabajo empresariales sin hardware adicional, contrastando con modelos de código abierto (p. ej., en Hugging Face) que pueden requerir una configuración extensa o carecer de soporte comercial para uso a escala de producción.

¿Cuál es el futuro de Nach01?

En el futuro, Nach01 podría estar profundamente integrado en múltiples flujos de trabajo agénticos, aprovechando agentes de IA para procesos autónomos de múltiples pasos como generación de hipótesis, refinamiento iterativo de moléculas y validación experimental, potenciando proyectos de descubrimiento de fármacos de extremo a extremo dentro de Pharma.AI y pipelines personalizados, potencialmente aumentando las tasas de éxito experimental, reduciendo plazos de años a meses y permitiendo que más candidatos alcancen etapas clínicas a través del aprendizaje continuo de datos del mundo real.

 

¿Por qué recomendamos a los investigadores usar PreciousGPT?

Cuando tiene una hipótesis que cuesta demasiado probar en la vida real, p. ej., en situaciones en las que necesita ejecutar una detección masiva de compuestos químicos. Antes de asignar los fondos y recursos a tal esfuerzo, puede intentar preguntar a uno de los modelos Precious cómo respondería un tejido o una célula a su experimento. Su respuesta de ninguna manera es la verdad final, pero le da algo para guiarlo en la planificación de la ejecución en la vida real de su experimento.

¿Cómo se implementa la IA en PreciousGPT?

PreciousGPT es una línea de modelos. En cada iteración utilizamos diferentes arquitecturas para asegurarnos de beneficiarnos de las soluciones más avanzadas en el campo general del aprendizaje profundo. La mayoría de los modelos Precious están basados en transformadores, un tipo de arquitectura en la que se basan todos los LLMs actuales. Pero a diferencia de un chatbot, nuestros modelos no hablan en un lenguaje humano. Hablan en genes y moléculas, lo que significa que también necesitamos inventar nuevas formas de representar estos elementos de la vida en un formato digital.

¿Cuáles son las ventajas distintivas de PreciousGPT?

Nuestros modelos se desarrollan con utilidad práctica en mente utilizando datos de investigación reales. En comparación con los LLMs regulares, no están sesgados hacia solo investigación publicada y pueden identificar mecanismos moleculares pasados por alto por investigadores humanos. Todos los modelos Precious están diseñados para modelar pasos específicos en los pipelines de descubrimiento de fármacos, a diferencia de otros modelos bio-IA, que pueden mostrar funcionalidad emocionante que sin embargo no es directamente aplicable.

¿Cuál es el futuro de PreciousGPT?

Nuestro objetivo es continuar desarrollando la línea Precious de modelos integrando aún más tipos de biodatos, o incluso combinándolos con IAs de otros dominios, como la química. Esperamos que eventualmente estos modelos evolucionen hasta el punto en que puedan ser utilizados como un Modelo de Vida, o una réplica digital realista de cualquier sistema vivo desde un nivel celular hasta un nivel organísmico.

 

Acerca de Insilico Medicine

Insilico Medicine, una empresa biotecnológica global y líder impulsada por IA, utiliza su plataforma propietaria Pharma.AI y su laboratorio automatizado de última generación para acelerar el descubrimiento de fármacos y avanzar innovaciones en la investigación de ciencias de la vida. Al integrar tecnologías de IA y automatización y capacidades profundas internas de descubrimiento de fármacos, Insilico está entregando soluciones farmacológicas innovadoras para necesidades no satisfechas incluyendo fibrosis, oncología, inmunología, dolor y obesidad y trastornos metabólicos. Además, Insilico está extendiendo el alcance de Pharma.AI a través de diversas industrias, como materiales avanzados, agricultura, productos nutricionales y medicina veterinaria.

Para más información, visite www.insilico.com .

---

---