También publicamos
lo que no funciona.We also publish
what doesn’t work.

INCONCLUSIVE, como estaba previsto. El gate global exige que pasen todas las categorías declaradas, y «tautómero minoritario» y «especie del ligando» siguen con n=0: no hay poblaciones ni pKa independientes con que sembrarlas. De las que sí se pueden medir, las dos declaradas pasan el gate: huecos en el sitio, 15 de 15, y estereoquímica sin asignar, 21 de 21. Se completaron 163 auditorías, sin rechazos antes de Preparación y sin fallos de infraestructura.

Por qué se repitió

FEP-09 midió la pestaña Preparación con un defecto dentro, P01: la comprobación del origen no reconocía la receta de los receptores propios. Por eso sus 127 auditorías del camino B se midieron desde la caja. P01 se arregló en f0e64086.

El mismo día se arregló en la pestaña Evaluación un error de la misma familia (aguas, interacciones y archivos del visor). Ese arreglo no toca Preparación. R1 repite FEP-09 sobre el producto con los dos arreglos, ee2d6c78, y amplía la estereoquímica, que se había quedado con n=3.

Qué se midió

• Lo mismo que FEP-09: camino B (respetar), Vina 1.2.7, exhaustividad 8, 9 poses, semilla 42, pH 7,4, un confórmero. Las mismas 15 dianas del benchmark de OpenFF (commit fd88824f) y los mismos 127 casos, idénticos byte a byte.
• Arnés: el de Sol sin cambios (fep09_inputs, fep09_run, fep09_analyze), envuelto por scripts/fep09r1_*.py.
• Modo tautomérico: no se forzó. El efectivo fue «entrada» en las 163, como declara esta vez el prerregistro.
• Estereoquímica: 36 casos nuevos. Por diana, hasta tres ligandos con algún estereocentro asignado, en el orden del SDF; cada uno con su línea base y una variante que borra la asignación del primer centro. Eso da n=21 en 7 dianas.
• Ejecución: tres cápsulas de QA con Vina limitado a 4 núcleos y árbol limpio, en 43 min. En paralelo corría otro experimento (MET-01) en una cuarta cápsula.

El prerregistro se fijó en 68d36882, antes de la primera corrida, con el gate, seis predicciones y la potencia. No hubo desviaciones.

Qué salió

Los 15 huecos se detectan ahora midiendo desde el ligando, no desde la caja. En cdk2, por ejemplo, el corte LEU 78 → PHE 82 queda a 3,11 Å del ligando, y Preparación se abstiene.

En la estereoquímica, las 7 dianas dan 3 de 3. El IC trata los 21 casos como independientes, pero son tres ligandos por diana. El requisito lee el ligando y no el receptor, así que el agrupamiento pesa poco, aunque existe.

La falsa alarma y el ruido de FEP-09 venían de procedencia.commit, que pasaba de REGISTRADO a NO_DISPONIBLE porque el arnés se editaba durante la medición. R1 corrió desde un worktree congelado, así que ese factor desaparece. Es el mismo factor de confusión que FEP-09 declaró, no una mejora del producto.

Predicciones, antes y después

P3 y P4 corrigen lo que escribí al revisar FEP-09. Dije que P01 confundía esos dos límites; no era así. El resultado no cambia caso por caso entre los dos experimentos.

• Agua puente: se borra antes de subir el archivo. La auditoría sólo ve una cifra distinta, «1 conservada» en la base frente a «0» en la variante de cdk2, y no tiene manera de saber que faltaba un agua.
• Protonación: en el camino B es la del usuario. Preparación la pide revisar en toda corrida, así que la línea base ya está en REVISAR y una His cambiada no puede subir el riesgo.

Lo que P01 sí podía cambiar era la referencia de los huecos, y el resultado se mantiene midiendo desde el ligando.

Los únicos cambios colaterales son ecos del propio defecto. Las variantes de estereoquímica añaden LIGANDO_REVISION_QUIMICA en la comprobación previa (21 casos), y algunas variantes cambian la regla de selección de la pose.

Qué no dice

• No mide la fracción de problemas reales de preparación que MolDesign detecta: los defectos los sembramos nosotros sobre un benchmark preparado por expertos.
• No demuestra transferencia a FEP, compatibilidad con FEP+ ni energía libre.
• No valida poblaciones tautoméricas, pKa individuales ni la protonación del receptor.
• No audita la interfaz, WebView2, el runtime empaquetado ni el instalador.
• No atribuye errores a los autores del benchmark; los estados químicos proxy están fuera del gate.

Reproducción

Manifiesto, inventario, condiciones registradas, resultados por caso, métricas y la evidencia de cada corrida están en scripts/artifacts_science/FEP-09-R1/. Para repetirlo:

1. una cápsula de QA desde el commit del prerregistro;
2. python scripts/fep09r1_run.py --capsule DIR --shard N, con N = 0, 1 y 2;
3. python scripts/fep09r1_analyze.py --merge.

Datos CC BY 4.0 de OpenFF, atribuidos a Hahn et al., LiveCoMS 2022; las estructuras no se copian al repositorio.

INCONCLUSIVE. MET-01 se detuvo en el piloto porque el producto cambió el receptor del brazo CON. La evidencia no responde si conservar el ion mejora el redocking. Se mantiene la abstención; cualquier arreglo del producto y repetición requieren otro encargo y un experimento MET-01-R1.

Qué se fijó antes de acoplar

Producto f0e6408668fa8ecbecb417cf39621928fdfee886, Vina 1.2.7, Meeko 0.7.1, Python embebido 3.11.9, RDKit 2025.9.6 y PoseBusters 0.6.5 dock, con H reconstruidos bajo MF-33-H-COR. Exhaustividad 8, nueve poses solicitadas, un conformador, CPU=4 y semillas 42–46. Prerregistro: 32e552ebe823d8e289582102d52424bce3cd6d4a.

La población fija tiene 41 entradas y 52 iones: 35 entradas coordinan un ion por geometría del cristal y seis son controles. Los SMILES del CCD, sus URL, fechas y hashes, microestados normales y formas diagnósticas se congelaron antes de Vina. Se conservaron las definiciones completas. Diccionario wwPDB.

Se reutilizan sin modificar Backend.evaluar, _cristal, _neutro_sin_h y _top1 de CAL-8HFI-01. RMSD simétrico de átomos pesados, sin alinear, del top-1 comprobado contra el PDBQT; todos los RMSD de las poses devueltas se conservan. Reproduce una entrada si ≥3 de 5 semillas dan RMSD ≤2 Å y todas las semillas cuyo RMSD cumple son físicamente válidas.

Potencia y reconocimiento

Prueba pareada exacta de signos, bilateral, α=0,05. Seis discordancias 6:0 dan p=0,03125: 17,14 puntos sobre n=35, un límite de significación, no de potencia. El efecto mínimo preregistrado fue 40 puntos de tasa pareada, bajo el supuesto explícito de 50 % de discordancias: potencia de 94,76 % con n=35, 82,02 % con n=25 y 87.24 % con las 28 entradas principales previstas. A 80 % de potencia son detectables 33,7 puntos con 35 y 39,4 con 25 bajo ese mismo modelo. La tabla de sensibilidad está sellada. No se garantiza esa potencia para tasas desconocidas de discordancia.

Dos preparaciones en procesos distintos dieron hashes repetibles en 39 SIN y 37 CON. SIN coincide con el catálogo en 38 de las 39 preparables. Se excluyeron antes de docking nueve entradas: 1VKG, 5E92, 5I3T, 6S1Y, 6S1Z, 6USR, 8UBR, 8WGR, 9GKV. Son siete principales y dos controles. 8UBR conserva dos ATP adicionales en la variante, al perderse site_ligand durante la ingesta; se excluyó antes de Vina, sin arreglarlo. Las demás causas de preparación o referencia no casable se documentan por entrada. Quedaban 28 principales y cuatro controles.

Se fijó antes de medir un cambio del gate propuesto: no pérdida de reproducción en todos los controles evaluables, con mínimo cuatro de seis. Dos controles ya eran inevaluables por preparación/referencia. Un n<25 o más de 30 % de exclusiones principales exige INCONCLUSIVE. El cambio no permite afirmar ausencia de daño en los controles omitidos.

Qué reveló el piloto

La API creó CON de 1BN1 con cofactors_whitelist=["ZN"] y hash e23dabe7f14c443a8df26a8ec8aa0ff5d2d3efd90370e4c5d4ee65dd6ff5c08b. Preflight y pipeline usan _coerce_hotspots, cuya implementación conserva sólo elementos dict: la lista de cadenas se convierte en []. La evaluación vuelve a preparar el receptor sin Zn. Su hash es 96e0aa3134454f59a8f8bc3ef365ae8412c3c5bd3e67490988e7e204acb6fed8, el de SIN. La copia del receptor utilizado, los logs de Vina, los resultados persistidos y los seis crudos CON confirman el mismo cambio. Las funciones originales prueban también el descarte de MG, CA y K; esto demuestra el mecanismo, no resultados de redocking en esas entradas.

El limitador detuvo y cerró la cápsula al superar 30 %. El error es una invalidación del brazo por el producto; no prueba que Vina fallara ni que el ion empeorara. Los terminales originales conservan la etiqueta genérica INFRASTRUCTURE_FAILURE del guardián, junto con la causa exacta. No se reclasifican como poses fallidas para inflar el resultado científico. Antes hubo dos fallos de Vina por MAX_PATH y dos detenciones de montaje sin evaluación: se conservan aparte y las correcciones del arnés están en la bitácora. No se sobrescribió ningún crudo ni terminal.

Los cinco SIN del piloto dieron 0/5 RMSD ≤2 Å, 5/5 top-1 válidos y 0/5 ambos. Son datos del piloto, fuera del gate. Los seis intentos CON no son seis semillas independientes ni un brazo con metal. La prueba de signos no es aplicable con cero pares; el p=1 del JSON es la convención del algoritmo para cero discordancias, no una inferencia. El piloto pareado quedó incompleto y no permite estimar el tiempo total.

El límite de PoseBusters y del diagnóstico

El reconocimiento usó coordenadas del cristal, nunca poses acopladas. Meeko escribe los iones como ATOM; PoseBusters los excluye de la máscara inorgánica por considerarlos proteína y de la máscara de proteína por su elemento. Los 52 átomos metálicos cargados quedaron fuera de ambas máscaras: 46 pertenecían a la población y seis eran iones adicionales conservados por código de residuo. Un PASA no valida su coordinación. API de PoseBusters.

Las seis formas diagnósticas representables para Zn se fijaron con reglas químicas independientes y se contrastaron en dos procesos. No se ejecutaron. El pH usado para expresarlas no estima su población de unión. Tampoco se pudo medir la frecuencia de His con H en el nitrógeno coordinante durante corridas CON reales, porque ningún receptor CON se acopló.

Qué no dice y qué queda

No hay un NO_GO científico contra conservar el ion, una demostración de equivalencia ni una recomendación de whitelist por receptor. El redocking previsto usa el propio cristal: aun completo no demostraría cross-docking, afinidad, actividad, energía de coordinación, calibración ni readiness FEP. Las entradas comparten familias proteicas; no equivalen a 35 dianas independientes. Vina tampoco añade por conservar un ion los parámetros y pseudoátomos del protocolo AutoDock4Zn. Documentación de AutoDock.

Se conservan el prerregistro y toda la evidencia producida. El catálogo, M5 y el producto siguen en f0e64086. La confirmación no se lanzó, por lo que no hubo intervalo confirmatorio con ediciones. Los sellos usan rutas del repositorio y los archivos científicos están versionados. La única desviación de alcance fue un temporal propio creado fuera de scripts/docs durante la primera inspección de PoseBusters, retirado después; consta en la bitácora. El runtime no viaja por git y sus hashes sí.

INCONCLUSIVE. Se completaron 127 intentos confirmatorios: 127 auditados, 0 rechazados antes de Preparación y 0 fallos de infraestructura. El piloto de ocho corridas se conserva aparte y no entra en estas cifras.

MolDesign pretende comunicar qué evidencia estructural produjo una corrida y dónde debe abstenerse. Un control positivo sobre estructuras preparadas por expertos, como FEP-08, no demuestra que la pestaña Preparación reaccione a defectos. Este experimento mide esa reacción por requisito, sin ejecutar energía libre ni cambiar el producto para mejorar su resultado.

Qué se midió

Producto f183e0af, Python embebido 3.11.9, Meeko 0.7.1, camino B (respetar, receta B versión 1, distinta de la receta automática 7), Vina 1.2.7, exhaustividad 8, nueve poses solicitadas, semilla 42, pH 7,4, un confórmero y modo tautomérico efectivo entrada. Se usaron tres cápsulas aisladas, cuatro núcleos por Vina, con datos y perfiles propios. No se ejerció el frontend externo ni el instalador.

Benchmark de OpenFF en commit fd88824f9114244f95a14b485e6d6c96c1de716d: 15 dianas con PDB y SDF en las rutas prescritas, de las 21 entradas en targets.yml. Se excluyeron seis por archivos ausentes, antes de ver resultados. Se eligió el primer registro SDF legible por diana; la caja fija de 20 Å por lado se centró en sus átomos pesados. Los archivos permanecen en el clon externo; aquí se conservan nombres, hashes, intervenciones y respuestas.

Para cada diana se repitió tres veces una subida y preparación independiente de la línea base. Cada variante del brazo A cambia una característica: cortes del esqueleto, cadena o especie ausente, estado químico o protonación local. Los generadores usan geometría directa y RDKit, sin importar las funciones del producto. La ruta fue upload → preflight → submit → status → result → POST preparacion, conservando estados y datos de todos los requisitos.

El prerregistro se fijó en 9cdd0eab826bbbbe10d9b2469c52fbd0a0cf1638 antes de la primera corrida. Una alerta ya presente en la base no cuenta como detección. Para categoría declarada con n≥8 se exige límite inferior del IC exacto bilateral 95 % de Clopper–Pearson ≥0,5 y falsa alarma de controles inocuos ≤0,10. Las categorías con n insuficiente quedan INCONCLUSIVE; no se retiran del gate.

Desviación declarada. El prerregistro llama «canónico» al modo por defecto, pero el arnés no especificó ese parámetro y la API de f183e0af aplicó entrada, como muestran preflight y ligand_state. Esa descripción era incorrecta; no se modificaron las peticiones entre brazos ni se reintentaron corridas. El texto preregistrado queda intacto. Las métricas describen la condición efectiva y el cierre queda INCONCLUSIVE; los proxies no validan minoría tautomérica ni el comportamiento bajo un modo canónico forzado.

Qué salió

El gate global exige que todas las categorías declaradas pasen. Estereoquímica tiene n=3; minoría tautomérica y especie con pKa independiente, n=0. Aunque una categoría suficiente pase, estas tres quedan INCONCLUSIVE.

«Auditor» cuenta un aumento de riesgo del requisito esperado respecto a su base, con el mínimo preregistrado; «detectado antes» guarda el rechazo explícito anterior. Las tasas de los límites y proxies son respuestas al ensayo, no sensibilidad bajo una cobertura que el producto no declara. metrics.json conserva también saturación, ausencias, casos evaluables y cambios colaterales, sin excluirlos para favorecer una tasa.

Hay saturación previa en 1 caso de cadena, 5 de especie proxy y 5 de protonación del receptor: su aviso base ya alcanza el mínimo, sin incremento atribuible a la intervención. Esos casos permanecen en el denominador descriptivo.

La falsa alarma de renumeración inocua fue 4/ 555 requisitos comparables (0,72 %). El acuerdo de las bases fue 99,55 %, sobre 1110 comparaciones; cambiaron 5. Requisitos no reproducibles por estado o riesgo: procedencia.commit (5). Las tres bases conservan un hash único de receptor por diana: 15/15.

En 5 comparaciones de base y 4 de renumeración cambió procedencia.commit entre REGISTRADO y NO_DISPONIBLE. El producto declara commit sólo con árbol general limpio (vina_service.py::_source_commit); los scripts y metadatos de este experimento se editaron y commitearon durante la fase larga, con diff de producto vacío. Las razones registradas explican esa ausencia por árbol modificado. Se mantienen estos cambios en el conteo preregistrado y se declara el factor de confusión: no prueban variación de química o de preparación, ni son evidencia de no determinismo de protonación.

Los 10 cortes lejanos son un control espacial, con 2 cambios no previstos entre requisitos comparables. El prerregistro permite revisión de esos extremos nuevos: el producto la declara aun lejos del sitio. Esa revisión legítima no se presenta como una falsa alarma ni se confunde con bloquear la cavidad.

Una comprobación de procedencia que falla

La referencia de distancias quedó sin evaluar por discrepancia de receta en 127/127 auditorías de este camino B. En la reproducción mínima de cdk2, el archivo de origen existe y el hash del receptor se verifica; la receta B recalculada coincide con la registrada. Sin embargo, el comprobador del origen usa la fórmula de la receta automática y concluye que no coincide.

La auditoría lo declara en entorno.referencia: «NO_EVALUADO». Por eso los otros requisitos usan la caja como referencia y no pueden ofrecer toda la geometría al ligando que declaran cuando reconocen el origen. El expediente separa este defecto de las especies borradas antes del upload: el auditor declara el diff que MolDesign produce, no reconstruir un origen que no recibió. No se aplicó ningún parche durante el experimento.

Concordancia descriptiva con FEP-08

FEP-08 marcó saltos de numeración en cdk2 y thrombin, y un sitio entre cadenas en tnks2. Un salto de numeración no prueba un corte físico. Además, aquí se observa la preparación de MolDesign por API y su referencia efectiva de caja. Esta comparación no entra al gate ni convierte documentabilidad preliminar en readiness de un cálculo posterior.

Lo publicado por terceros

Se abrieron las incidencias el 2026-10-11. Son preocupaciones públicas y preguntas, no demostraciones de que los curadores se equivocaron. El estado de la versión fijada debe contrastarse por separado: por ejemplo, su tnks2 lig_7 contiene [nH] neutro en la representación leída, y eg5 aporta un registro con el nombre buscado. Con cuatro preocupaciones y tres registros medidos, el brazo C es no concluyente y no tiene tasa.

Qué no dice

• No mide la fracción de problemas reales de preparación que MolDesign detecta.
• No demuestra transferencia a FEP, compatibilidad con FEP+ ni ejecución de energía libre.
• No valida poblaciones tautoméricas, pKa individuales, protonación del receptor ni identidad experimental.
• No audita interfaz, WebView2, runtime staged o instalador.
• No atribuye errores a los autores de PLB. Los estados químicos proxy están fuera del gate.
• No prueba un protocolo forzado a tautómero canónico: la API usó entrada por defecto, discrepante con la descripción del prerregistro.
• La variación de procedencia.commit está confundida por ediciones y commits del arnés durante la medición; no demuestra no determinismo químico.
• Las tasas de ausencia previa al upload no evalúan el diff que produce la preparación.

No se verificó una población independiente para llamar minoritario a cada alternativo RDKit ni un pKa individual que cumpla distancia >3 a pH 7,4. Estas dos categorías estrictas tienen n=0 verificable; los proxies se publican por separado. Tampoco se validó el carácter catalítico de cada Asp/Glu intervenido, ni la correspondencia de numeración TYK2–4GIH.

Consecuencia y reproducción

El resultado conserva qué categorías discriminan y cuáles quedan abiertas. La comprobación del origen de modo B necesita un encargo de corrección separado, y la cobertura química necesita una cohorte con estados verificados independientemente. No se cambia el producto de 1.0.2 ni se publica la rama.

Manifiesto, datos agregados, shards y verificación: scripts/artifacts_science/FEP-09-SENSIBILIDAD/. Arnés: scripts/fep09_inputs.py, fep09_run.py, fep09_analyze.py, fep09_verify.py, fep09_reproduce.py. El analizador incluye autotest positivo y negativo; sus IC se contrastaron con scipy.stats.beta en 5.150 combinaciones, tolerancia 1e-9. La producción usa biblioteca estándar.

Datos CC BY 4.0 de OpenFF, atribuidos a Hahn et al., LiveCoMS 2022, Best Practices for Constructing, Preparing, and Evaluating Protein-Ligand Binding Affinity Benchmarks. Código del benchmark MIT. El clon externo y su obtención están declarados en sellos_no_distribuidos.json.

Ninguno de los 381 receptores del catálogo tenía una calibración medida frente a datos experimentales. Para 1.0.2 se buscaba un primer receptor «verificado», y 8HFI (el transportador de noradrenalina humano, con desipramina en el sitio) era el candidato con el panel más completo: CHEMBL853189, 57 compuestos padre con Ki medido en un mismo ensayo.

La hipótesis, fijada antes de acoplar nada, tenía dos partes. Con la receta de receptor que publica el producto (la 7) y la configuración por defecto de un caso (exhaustividad 8, 9 poses, semilla 42):

1. Pose: el top-1 reproduce la desipramina del cristal (RMSD ≤ 2 Å, sin alinear) en al menos 3 de 5 semillas, y es físicamente válido en PoseBusters.
2. Calibración: el top-1 de Vina ordena el panel con una ρ de Spearman cuyo IC 95 % bootstrap tiene el límite inferior por encima de 0.

Qué se midió

Todo pasó por la API del producto, no por un script aparte: la misma preparación, la misma especie química y los mismos parámetros que obtendría un usuario. Los microestados se congelaron antes de acoplar y no hubo ninguna desviación del protocolo. Hubo un solo receptor preparado (un único SHA-256) y cero fallos en las 57 moléculas.

Qué salió

NO_GO. La pose pasa, justo en el límite. La calibración, no.

Con este receptor y esta configuración, el orden que da Vina no se distingue del azar en esta serie. El rango de afinidades no es el problema: el pKi va de 5,97 a 8,85, casi tres órdenes de magnitud.

Qué no dice

• No dice que Vina no sepa acoplar en NET. La pose del cristal se reproduce con precisión cuando sale (0,5–0,6 Å). Lo que falla es el orden entre análogos.
• No vale para ligandos de estructura diversa. El panel es casi entero una serie: 53 de los 57 comparten el mismo andamio de Murcko. La ρ describe cómo ordena compuestos de esa serie.
• No es una afirmación sobre el ensayo. Las condiciones (pH, temperatura, radioligando) no constan en las fuentes consultadas, y la correlación es dentro de un único ensayo.

Dos condiciones declaradas

• Sin iones. La preparación del producto retira el cloruro del depósito. Vina no tiene término electrostático y su corte es de 8 Å: el top-1 más cercano queda a 7,9 Å de donde estaba el cloruro, y sólo uno de los 57 top-1 queda a menos de 8 Å. La estructura no modela sodio.
• Dos correcciones técnicas del análisis, hechas y declaradas antes de calcular ninguna cifra: neutralizar después de quitar los hidrógenos explícitos (con ellos, la amina protonada no casaba con el ligando neutro del cristal) y excluir los pseudoátomos con que Meeko abre el anillo de siete de la desipramina al contrastar el SDF con el PDBQT.

Lo que apareció por el camino

El producto acoplaba los 57 padres con carga +2, con las dos aminas protonadas, también cuando una de ellas lleva un grupo atractor cerca del nitrógeno y su pKa real queda cerca o por debajo de 7,4. No decide este resultado (no hay forma de saber si otra especie ordenaría mejor sin medirlo), pero era un defecto de química: desde 1.0.2, la «Especie acoplada» de esas aminas pide revisión, con su motivo.

Consecuencia

8HFI sigue en Demostración, y la sección «Verificados» sale vacía en 1.0.2. El intento se publica igualmente: el selector de receptores y los resultados con 8HFI muestran estas cifras, sus condiciones y este experimento. Un receptor sólo entra en Verificados si supera el protocolo; publicar también los intentos que no lo superan es lo que da sentido a esa sección.

MolDesign quiere ser un auditor de readiness para energía libre: decir qué le falta a un sistema antes de un cálculo caro. Un auditor así tiene que pasar un control positivo. Si marca igual una estructura preparada por expertos que una sin preparar, no está midiendo preparación.

El control es el protein-ligand-benchmark de OpenFF («Best practices for constructing, preparing, and evaluating protein-ligand binding affinity benchmarks», Hahn et al.; dataset DOI 10.5281/zenodo.4813735; datos CC BY 4.0): 15 dianas con la proteína preparada y 369 ligandos con la protonación y el tautómero elegidos por sus curadores. Se le aplicaron sin modificarlas las mismas funciones selladas que auditaron PDBBind.

Dos predicciones, fijadas antes de medir

(a) Lo que depende de la preparación tiene que distinguir. (b) Lo que depende de la química, no.

Qué salió

GO: se cumplen las dos.

El auditor de receptores ve la preparación: el doble de sistemas documentables. Los tres que fallan lo hacen con motivo: cdk2 y trombina conservan un hueco de numeración, y en tnks2 el sitio se reparte entre dos cadenas.

El recuento de tautómeros no la ve. Los curadores prepararon cada ligando a conciencia y aun así el 82 % admite más de un tautómero. Contar tautómeros describe la molécula, no el trabajo que se hizo con ella. La readiness de un ligando no puede depender de cuántos tautómeros existen, sino de quién eligió uno y con qué evidencia.

El hallazgo que cambia el producto

En 62 de 369 ligandos (16,8 %) el tautómero que eligieron los curadores no es el canónico de RDKit. Y no están dispersos, sino que son series casi enteras: cdk8 (19), tnks2 (18), syk (15) y cdk2 (10).

MolDesign acopla el canónico de RDKit. Si un investigador le entregara estas moléculas, el producto sustituiría la elección de los curadores por la de un canonicalizador que no pretende predecir poblaciones. Lo avisa, pero la sustituye. Para docking con Vina apenas importa; para un paquete que va a un cálculo de energía libre, la elección de una fuente curada es evidencia y no debería perderse.

La limitación, declarada

Con 15 dianas, cada receptor mueve la fracción siete puntos. El control dice si el auditor distingue una preparación experta, no si las elecciones de los curadores son correctas. El artefacto guarda nombres y resultados, no estructuras del benchmark.

FEP-01 midió que 164 de 203 ligandos tienen más de un tautómero enumerable y que el pipeline no declaraba cuál acoplaba. El tautómero decide qué átomos donan y cuáles aceptan puentes de hidrógeno; para un cálculo de energía libre, elegir uno en silencio es elegir la molécula.

El roadmap escribió una predicción concreta: declarar los tautómeros subiría FEP-01 de 19 % a más del 80 % de un golpe. Este experimento la pone a prueba con la declaración que ya produce el conformador.

Qué es «declarar»

RDKit enumera los candidatos; no decide cuál domina en disolución, y su tautómero canónico es una representación reproducible, no una predicción. Así que la declaración tiene tres estados:

• un solo tautómero enumerable;
• varios candidatos, la lista completa y ninguno descartado, porque no hay un modelo de poblaciones validado;
• no resuelto: la enumeración falló o pasó del tope de 32.

El criterio de FEP-01 pasa de «un solo tautómero» a «tautómero declarado» (cualquiera de los dos primeros). Estereoquímica y atom mapping se toman tal cual de los sellos anteriores.

Qué salió

GO: 180 de 203 (88,7 %). La predicción se cumple. Pero:

Los 39 únicos son exactamente los 39 del sello: declarar no resolvió ni uno más. Lo que hizo es convertir 141 ambigüedades silenciosas en ambigüedades escritas, con sus candidatos (mediana 4, entre 2 y 31) y los átomos que cambian.

En PDBBind completo, sin gate, sobre 4641 ligandos legibles: 1003 con un solo tautómero, 3187 con varios y 451 no resueltos. El reparto es el mismo.

Por qué el 89 % no puede citarse solo

Un paquete con varios tautómeros no está resuelto: exige a quien calcula tratarlos todos o elegir uno con evidencia. Un tautómero que en disolución sólo tiene el 1 % de la población, tratado como si costara cero, ya introduce unas 2,7 kcal/mol, más que la precisión que se espera de un cálculo relativo. Por eso el producto no cuenta como resuelto lo que sólo está declarado, y la cifra que describe el estado real es la del 19 %.

Lo que sigue

Un modelo energético validado que permita descartar los candidatos fuera de una ventana de 2-3 kcal/mol, y que el paquete de exportación lleve todos los que queden, cada uno con su identificador.

La limitación, declarada

En PDBBind, 4 ligandos cambian de «único» a «varios» respecto del sello porque aquí se conserva la estereoquímica sp3 al enumerar y el sello usaba el enumerador por defecto. En los 203 coinciden los 39.

En GBn2, el bromo y el yodo reciben un radio de 1,5 Å: no porque alguien lo eligiera para ellos, sino porque es el valor por defecto para elementos sin parámetro. La hipótesis era que un radio físico, el de Bondi (1,85 y 1,98 Å), acertaría mejor la energía libre de hidratación.

Qué se midió

Las 642 moléculas neutras de FreeSolv v0.52 (Mobley y Guthrie, 2014; datos CC BY 4.0), con un solo confórmero y sin minimizar: una estimación estática, no una energía libre con muestreo. Polar: GBn2 con las correcciones de Amber de MMGBSA-H13. No polar: γ·SASA + b, ajustado sólo con las 467 moléculas sin halógeno, para que ningún radio de Br o I pudiera compensar un sesgo del término no polar. Nada se ajusta en Br ni en I.

Qué salió

NO_GO. El radio de Bondi empeora el acierto.

El intervalo bootstrap de la diferencia es [−0,01; +0,25] y Bondi mejora 8 de 37 moléculas. Con 1,5 Å el bromo ya sale infrasolvatado —sesgo +1,57 kcal/mol—, y un radio mayor lo empeora. Repetido con PB en lugar de GB, Bondi tampoco mejora: el resultado no es un artefacto de la aproximación GB.

La medida que hubo que repetir

La primera corrida perdió justo las 37 moléculas que decidían: pbsa corta los nombres de archivo a 80 caracteres y la ruta del brazo de Bondi medía 81. Se corrigió, se declaró antes de repetir y se repitió sólo la medida: las 605 moléculas que ya habían salido dan valores idénticos bit a bit.

Lo que apareció después, sin decidir nada

El análisis posterior al gate —exploratorio y declarado como tal— encontró dos patrones más grandes que el del radio:

• GBn2 sobresolvata los grupos polifluorados frente a PB con los mismos radios: con uno o dos F coinciden; con un CF₃, −2,3 kcal/mol de media; con cuatro o más F, −7,7.
• Las moléculas con cuatro o más cloros quedan +5,9 kcal/mol por encima del experimento sin que PB lo explique, lo que apunta a un término no polar sin dispersión atractiva.

Son hipótesis nuevas. Ninguna se ha prerregistrado todavía, y ninguna se arregla con un número de la literatura: la bibliografía revisada no ofrece un radio ni un apantallamiento de flúor validados para GBn2.

LCPO no representa bien los anillos polibromados (MMGBSA-H2). La alternativa obvia es calcular el área con un método numérico en lugar de una fórmula analítica. La RDKit que ya viaja en el instalador trae FreeSASA (algoritmo de Lee-Richards), así que la pregunta era si es lo bastante exacta y rápida.

Qué se midió

Área por átomo de FreeSASA frente a una SASA numéricamente exacta (Shrake-Rupley con 50 000 puntos), con los mismos radios y la misma sonda, en los 121 ligandos de PDBBind con Br o I: 3088 átomos pesados. Tope por átomo: p95 ≤ 0,5 Ų y máximo ≤ 1,0 Ų, en el conjunto y por elemento, y ≤ 50 ms por ligando.

Qué salió

NO_GO por la letra.

Tarda 0,55 ms por ligando. El techo lo pone la resolución por defecto de Lee-Richards, que la RDKit no deja cambiar.

Por qué no se reformula

Con estos números delante sería fácil escribir un criterio energético que pasara: 1,22 Ų por la tensión superficial habitual son menos de 0,009 kcal/mol. Pero un criterio diseñado después de ver los datos pasa por construcción. El gate se fijó antes y se sella como dice.

Lo que sí queda establecido

Como caracterización, el error de FreeSASA es unas veinte veces menor que el de LCPO, cuya mediana de fondo es 2,81 Ų y que en Br e I llega a p90 de 9,8. Para decidir el término no polar del producto pesa esa comparación, no sólo el veredicto.

La paridad entre OpenMM y sander para bromo y yodo (MMGBSA-H5) dejó un cabo suelto: con azufre, los dos programas discrepaban en GBn2 hasta 11,24 kcal/mol. No era un detalle de ligandos raros. Toda metionina y toda cisteína de un receptor lleva azufre.

La causa, leída en el código

El fuente de Amber (egb.F90) calcula la integral del radio efectivo de dos formas. Cuando la distancia entre átomos supera cuatro veces el radio apantallado del vecino, usa una serie de Taylor. El azufre de GBn2 tiene un factor de apantallamiento negativo, así que para él la serie se usa siempre. OpenMM evalúa en todos los casos la integral cerrada. Además, Amber corta la suma a 25 Å (rgbmax) y limita el radio inverso a 1/30 Å⁻¹.

Qué se probó

Reescribir las expresiones de GBn2 en OpenMM con esas ramas (apply_amber_gbn2_descreening) y comprobar que coincide con sander en topologías con y sin azufre, y en dos péptidos con Met y Cys, uno de ellos de 56 Å para que el corte de 25 Å importe.

Qué salió

GO.

El OpenMM del Python que se entrega en Windows reproduce al de Linux en 57 de 57 comparaciones. Sin el corte de 25 Å el péptido largo deja 4,1·10⁻³ kcal/mol: hacen falta las dos ramas.

Qué significa

El MM-GBSA candidato sobre OpenMM no calculaba el GBn2 parametrizado en cuanto había una Met o una Cys. Con la corrección, sí. Nada de esto está conectado a la aplicación: MM-GBSA sigue desactivado hasta pasar sus puertas.

Tras el fracaso del LCPO del cloro para el bromo y el yodo (MMGBSA-H1), el siguiente paso declarado era ajustar los cuatro coeficientes por elemento, sólo con los átomos de entrenamiento, manteniendo el radio de Bondi fijo. Una salvaguarda adicional (H10) comprobaba que lo aprendido no dependía de haber visto los mismos scaffolds.

Qué salió

NO_GO: fallan 2 de 4 casos.

• Bromo. Con los coeficientes elegidos en validación —casi los del cloro publicado—, validación pasa (mediana 0,94 Ų, p90 4,85) y prueba falla (mediana 2,96, p90 9,70). La cola de la prueba aparece con cualquier juego de coeficientes: 9,44 con los de H1, 9,83 con el ajuste completo. Reajustar no la toca.
• Yodo. Prueba pasa (mediana 1,83, p90 4,04) y validación falla sólo por el intervalo del sesgo, con 6 átomos.
• H10. El bromo generaliza por scaffold; el yodo falla por 0,05 Ų sobre el margen, con 8 átomos.

De dónde sale la cola del bromo

De anillos con cuatro o cinco bromos, la familia TBB de inhibidores de la CK2. Ahí dos esferas grandes vecinas se solapan de una forma que LCPO no representa, y el error crece con el enterramiento del átomo. Como en un complejo el halógeno suele estar enterrado, la hipótesis siguiente fue dejar LCPO y calcular el término no polar con una SASA numérica (MMGBSA-H12A-FREESASA).

Una lección de método

Los coeficientes sueltos no están identificados: el de un término del yodo varía un 1402 % entre remuestreos. La predicción, en cambio, es estable (≤ 0,74 Ų). Por eso el criterio de estabilidad dejó de exigir un CV < 20 % a los cuatro coeficientes y pasó a pedirlo sólo al primero, junto con una dispersión de la predicción ≤ 1,0 Ų. Se cambió antes de ajustar con datos reales: ni con datos sintéticos sin ruido se cumplía el criterio original.

El término no polar de MM-GBSA necesita el área accesible al disolvente de cada átomo. OpenMM la aproxima con LCPO, una fórmula analítica con cuatro coeficientes por tipo de átomo, y no trae coeficientes para Br ni para I. La salida más barata era usar los del cloro (Weiser, Shenkin y Still, 1999) con el radio de Bondi de cada halógeno, sin ajustar nada.

Qué se midió

Error por átomo frente a la SASA numéricamente exacta, en 121 ligandos de PDBBind con Br o I repartidos por scaffold (60/20/20, sellado antes de medir). Por elemento y partición: mediana ≤ 2,81 Ų, p90 ≤ 7,25 Ų, un intervalo bootstrap del sesgo dentro de ±2,81 Ų, y que los átomos vecinos no empeoren respecto del respaldo que usa Amber.

Qué salió

Los cuatro casos fallan.

En el yodo el error es sistemático, negativo y crece con el radio: con un radio de 1,8 Å el error baja en las tres particiones. Es la refutación que el documento de hipótesis anticipaba: la forma funcional del cloro no escala con el tamaño del átomo.

Lo que sí pasa: los átomos vecinos mejoran entre 0,20 y 0,23 Ų respecto del respaldo de Amber, que usa para Cl, Br e I los coeficientes de un carbono y falla por 24-31 Ų.

Lo que apareció de paso

4 de 121 ligandos no se pudieron medir, y ninguno por el halógeno. Tres contienen un =CH₂ vinílico terminal, para el que OpenMM 8.5.2 no tiene parámetro LCPO: el MM-GBSA candidato tampoco puntuaría un alqueno terminal. El cuarto es un alquino terminal al que el SDF de PDBBind le quitó el hidrógeno.

Antes de ajustar un solo parámetro de bromo o de yodo en MM-GBSA hay que saber que el programa calcula lo que dice. Si OpenMM y sander (Amber) dieran energías distintas con la misma topología y las mismas coordenadas, cualquier error posterior se podría deber a la implementación y no a la física.

Qué se midió

24 topologías de PDBBind con Br o I, y 31 de control con F o Cl, evaluadas con OpenMM 8.5.2 (plataforma Reference, doble precisión) y con sander, en vacío y en GBn2 sin término de superficie. Tope: residuo de energía < 0,001 kcal/mol y error de fuerza < 0,001 kcal/mol/Å tras convertir constantes.

Qué salió

NO_GO por la letra del gate: 23 de 24.

• 19 pasan directamente, con residuos ≤ 2·10⁻⁶ kcal/mol.
• 4 llevan azufre y fallan sólo en GBn2. Las cuatro recuperan la paridad cuando el S se trata como elemento genérico en los dos programas: el desacuerdo es del azufre, no del halógeno.
• 5mlj falla ya en vacío (3,88 kcal/mol), y no por el bromo: el SDF de PDBBind pone un hidrógeno a 0,26 Å de un carbono, con un ángulo de 1,2°. El gate no preveía esa excepción y no se cambió después de medir; se repitió como réplica con un filtro declarado antes (MMGBSA-H5-R1, GO 23/23).

El OpenMM del Python que se entrega en Windows reproduce al de Linux en 110 de 110 comparaciones (8,5·10⁻¹⁴ kcal/mol).

El hallazgo que no se buscaba

El desacuerdo del azufre en GBn2 llega a 11,24 kcal/mol (2weg) y a 4,87 con dos azufres (5eij). No es un problema de los ligandos: afecta a cualquier metionina o cisteína del receptor. Se resolvió después en MMGBSA-H13-AZUFRE-AMBER.

Lo que no demuestra

Que los parámetros sean buenos. Coincidir con sander prueba que los dos programas hacen la misma cuenta, no que la cuenta acierte.

Un cálculo de energía libre relativa (FEP) no compara una molécula con el vacío: compara dos ligandos parecidos en el mismo sitio. Necesita series congenéricas, pocas dianas con muchos análogos. El conjunto de 203 complejos con el que se auditó FEP-03 se había armado para lo contrario, para cubrir muchas dianas distintas, y daba 91 parejas aptas repartidas en 18 dianas, con el grupo mayor en 23 ligandos.

La pregunta de este experimento era si el problema era del conjunto o de la fuente: si PDBBind completo, con los mismos criterios, contiene series útiles.

Qué salió

Con los umbrales del sello (cobertura del MCS ≥ 0,70 y perturbación ≤ 10 átomos pesados):

La hipótesis se sostiene: la escasez de series era una propiedad del conjunto, no de la fuente.

Dos comprobaciones antes de creerlo

Réplica. Antes de extender nada, se repitió la auditoría sobre los 203 originales. El resumen coincide con el sello y 486 de 487 parejas salen idénticas. La que cambia (1ezq-1ksn) pasa de un MCS de 1 átomo a 27 sin volverse apta, y enseña algo útil: un MCS con límite de tiempo depende de la carga de la máquina.

Sensibilidad al límite de tiempo, declarada antes de correr. 163 MCS se habían cortado a los 10 s. Se repitieron con 300 s: el MCS creció en 47, 32 siguieron cortados y ninguna pareja cambió de veredicto (23 aptas antes y después). El recuento no depende del tiempo concedido. Un primer intento de esta sensibilidad fue inválido —el límite se pasó como número decimal y las 163 fallaron— y se conserva como evidencia.

La limitación, declarada

• Es una cota superior: la agrupación por diana usa k-meros de secuencia y no distingue mutantes puntuales de la misma proteína.
• El universo efectivo son 3887 de 5325 entradas, porque la copia local de PDBBind no trae el _protein.pdb de 1438.
• Para elegir cohorte hacen falta afinidades por ligando. Las añadidas desde BindingDB al índice local se emparejaron por diana y no por complejo, así que no sirven; con las de la fase A, la cohorte recomendada es galectina-3 (6qln-6qlu, 7 ligandos de un mismo artículo).
• PDBBind no permite redistribuir sus estructuras ni sus afinidades sin permiso escrito. El artefacto guarda identificadores PDB, recuentos y agregados por diana; un paquete para terceros construido sobre esta cohorte tendría que reconstruirse desde los identificadores.

Durante meses el programa reportó que el 2.64% de las poses retenidas pasa PoseBusters, y que el 97.3% de los fallos venían de internal_energy. De ahí salieron tres conclusiones que parecían sólidas: la validez física es deficiente, el ensemble no la arregla, y una minimización post-docking atacaría el problema.

Las tres están invalidadas. Ninguna medía la pose.

El defecto

Un PDBQT es una representación de átomo unido: los hidrógenos no polares no están. Para pasar una pose por PoseBusters hay que reconstruirlos, y la capa que lo hacía los tomaba de una fuente incompatible con la geometría dockeada. El resultado es un ligando cuyos átomos pesados están donde el motor los puso y cuyos hidrógenos están donde no toca — una molécula con tensión interna fabricada por la propia tubería de medición.

internal_energy detecta esa tensión perfectamente. Lo que no puede hacer es distinguir si viene del docking o del instrumento.

El diseño: mover hidrógenos y nada más

Sin cómputo de docking. Se reevalúan poses ya retenidas, regenerando los hidrógenos desde la geometría de átomos pesados dockeada y relajándolos con los pesados completamente fijos.

Dos ámbitos, declarados en MF-33-H-COR-PRE antes de correr:

Y cinco invariantes por pose, que son la condición de validez del artefacto en lugar de un umbral de tasa: desplazamiento pesado máximo dentro de 1e-6 Å, SMILES canónico idéntico, carga formal idéntica, número de enlaces idéntico y cero hidrógenos heredados del cristal. Una pose que viole cualquiera de ellas no entra en la tasa y se cuenta aparte.

Qué salió

Y el desglose por control, que es donde se ve el mecanismo:

Los controles geométricos no se mueven ni una unidad. Se mueven exactamente los dos que dependen de dónde están los hidrógenos.

Y eso corrige una afirmación nuestra. El prerregistro y el commit de este corrigendum dijeron que el defecto afectaba a la energía interna. También contaminaba la planaridad de dobles enlaces, que depende de los sustituyentes de hidrógeno: 598 → 0. La afirmación previa de que sólo estaba afectada la energía era incompleta, y queda corregida aquí.

Por qué la corrección es creíble, y no sólo favorable

Un corrigendum que multiplica por 38 la cifra que le conviene tiene que llegar con más respaldo del habitual. Tres piezas:

Las cinco invariantes se cumplen en las 8,456 poses, verificadas por un consolidador independiente y no por el contador del runner: desplazamiento pesado máximo 0.0 Å, SMILES canónico idéntico, carga formal idéntica, número de enlaces idéntico, cero hidrógenos heredados del cristal, cero violaciones. La molécula corregida es la misma molécula.

La reproducción de lo histórico es exacta, complejo a complejo y no en agregado. La rama histórica de esta tubería reproduce el top-1 pb_valid de MF-33-PB en los 48 complejos del ámbito A y el pb_valid_fisica de MF-33-TOP1 en los 116 del ámbito B, con cero discordancias. Sin esa reproducción, un cambio de tasa podría ser un cambio de tubería; con ella, la única variable que cambia es la reconstrucción de hidrógenos.

Los 331 archivos se bajaron del servidor con SHA-256 contrastado: 331 coinciden, 0 difieren, 0 faltan.

No es ciego, y no lo finge

Los 12 complejos del piloto diagnóstico fueron inspeccionados antes de diseñar la corrección, y la prueba técnica previa al sellado miró además 10gs del ámbito B.

Ese piloto demuestra el defecto y diseña la corrección; no estima la tasa nueva, que es lo que mide este artefacto sobre las cohortes completas. Un corrigendum de implementación no se aprueba ni se rechaza: se ejecuta y se reporta, con la reconstrucción histórica al lado para que la diferencia sea auditable. Por eso no tiene gate de aceptación, y es deliberado.

La decisión GO es la única etiqueta compatible con el esquema del registro y significa aquí «la corrección queda establecida y reemplaza a la medición anterior», no «el sistema pasa un umbral».

Una cifra que no es la corrección de la otra

El ámbito A corre sobre MF-33-B-RET-R2: 8,224 poses, no las 8,215 que selló MF-33-PB. La única diferencia de cohorte es 1afl, que aporta 267 poses en R2 frente a 258 en R1, y estaba predicha en los límites declarados de MF-33-PB.

En consecuencia, el 8,006 de este artefacto no es el 7,997 de MF-33-PB: aquél contaba internal_energy sobre 8,215 poses de R1 y éste sobre 8,224 de R2. No es una corrección de la cifra vieja sino otra cohorte, y la caída que este corrigendum mide es 8,006 → 7 dentro de la misma cohorte R2.

El residuo, que es lo que queda vivo

Las 43 poses del ámbito A que siguen inválidas —43 únicas frente a una suma de 57 recuentos por control, porque una pose puede fallar varios a la vez— se concentran en siete complejos: 21 de ellas en 1nm6 y 9 en 1mmq. Sus fallos son geométricos: internal_steric_clash 23, minimum_distance_to_protein 13, y un bloque de 7 poses que fallan bond_angles, bond_lengths e internal_energy siempre juntos.

No es tensión generalizada del ligando. Es un subconjunto pequeño y localizado que merece caracterización posterior. En el ámbito B pasa lo mismo: 14 de las 16 inválidas son contacto con la proteína.

Sin evidencia interpretable de diferencia entre brazos

Con la tasa cerca del techo, este diseño ya no distingue:

No se afirma que gane el single, ni que gane el ensemble, ni que sean equivalentes. Lo último exigiría una prueba de no-inferioridad con margen preregistrado, que aquí no existe.

Qué se invalida y qué no

Se invalidan y se reemplazan: el 217/8215 = 2.64%; el 97.3% de fallos por internal_energy; el 8/48 contra 10/48 de MF-33-PB; el 8.62% contra 15.52% de MF-33-TOP1; y las tres conclusiones que colgaban de ellos —«la validez física es deficiente», «el ensemble no la arregla» y «una minimización post-docking atacaría el problema»—.

No se ven afectados: RMSD, cobertura del oráculo, top-1, top-5 y la cascada de conversión de ningún artefacto. Los hidrógenos no entran en ninguna de esas métricas.

**MF-33-PB y MF-33-TOP1 no se tocan.** Quedan sellados e inmutables con sus cifras originales, etiquetados, y con este corrigendum nombrado al lado. Un registro que sólo publica lo que funcionó no permite juzgar lo que funcionó; uno que corrige en silencio, tampoco.

La condición que viaja con la cifra nueva

El 99.48% es válido después de una reconstrucción canónica de hidrógenos. Sin esa cláusula la frase es incorrecta.

Y no demuestra exactitud de pose, ni unión, ni ventaja de ningún brazo. Este corrigendum no toca el protocolo de docking: sólo dice que lo que se estaba midiendo no era lo que se creía medir.

MF-33-EXT-MOD observó que la distribución del primer acierto —cuántos confórmeros hay que dockear hasta encontrar uno que cubra— se desvía de una geométrica homogénea. Hay más complejos de los esperados que aciertan al primer intento.

Una desviación así admite dos explicaciones muy distintas. Puede ser heterogeneidad entre complejos: unos son fáciles y otros refractarios, y mezclar dos poblaciones rompe la geométrica. O puede ser mucho más aburrido: que el orden no sea intercambiable, que conf0 sea el primero que ETKDG genera y resulte sistemáticamente mejor que sus hermanos.

En el registro de MF-33-EXT-MOD llegué a llamar a la segunda «la explicación más simple y más probable del exceso en k=1». Este experimento existe para ponerla a prueba, y la falsifica.

Un re-análisis exacto, sin recomputar nada

Cada confórmero se dockeó independientemente con la misma semilla y su rmsd_min está guardado por separado. Eso hace que permutar el orden sea una re-lectura exacta, no una simulación: los mismos números, leídos en otro orden.

Tres contrastes, declarados en MF-33-ORD-PRE antes de correr.

Contraste 1 — conf0 no es especial

conf0 es exactamente un confórmero medio. La idea de que el primero de ETKDG tuviera ventaja intrínseca no tiene ningún apoyo.

Contraste 2 — la desviación sobrevive al orden, y en la dirección contraria

Diez mil permutaciones del orden, recalculando el chi² con el procedimiento idéntico al de MF-33-EXT-MOD:

Sólo un 2.3% de los órdenes aleatorios da un chi² tan pequeño o menor que el real.

Léase despacio: si el exceso en k=1 fuese artefacto de haber puesto primero un confórmero privilegiado, randomizar debería acercar la distribución a la geométrica. Ocurre lo contrario. El orden real atenúa la desviación en vez de crearla.

Eso permite retirar el efecto de posición con seriedad.

Por qué esto NO establece la heterogeneidad

El prerregistro lo prohíbe expresamente, y la razón es estructural: la permutación conserva el multiconjunto de RMSDs de cada complejo. La hipótesis nula ya incluye toda la heterogeneidad entre complejos. Este contraste no la pone a prueba — sólo pone a prueba el orden.

La formulación correcta es que la heterogeneidad entre complejos sigue siendo una explicación plausible de la desviación, no la explicación en pie por descarte. Quedan sin separar la dependencia entre confórmeros, la heterogeneidad en el número de confórmeros, la geometría de los estados generados, las diferencias entre bolsillos, la interacción confórmero-receptor y la estructura de orden posterior. Establecer un componente refractario seguiría exigiendo modelos de mezcla, que aquí no se ajustan.

Y queda una observación sin explicar, declarada como tal: que el chi² observado sea menor que el de casi todos los órdenes aleatorios sugiere alguna estructura en el orden que ETKDG genera. No está caracterizada y no se usa para nada.

Contraste 3 — y la medición que no se buscaba

El conjunto de los nueve nunca cubiertos es invariante al orden, verificado en 200 permutaciones. Es invariante por construcción —depende del conjunto completo de candidatos, no de en qué orden se miren— y se verifica de todas formas, porque convierte una afirmación teórica en un hecho comprobado.

Sobre los mismos datos apareció algo que no se buscaba, y que cambia cómo hay que pensar una política de parada. Con P(G1) = m/K, donde m es cuántos confórmeros cubren:

De los 107 cubiertos, 43 —el 40.2%— pueden cambiar de clase G1↔G2 según el orden.

G1 y G2 no son propiedades del complejo: son propiedades del par complejo-orden. G3 sí es propiedad del complejo, porque depende del conjunto completo de candidatos generados.

La consecuencia para el diseño de una política de parada es directa, y no se buscaba: una política no debe intentar aprender que un complejo *es* G1, porque no lo es. La pregunta correcta es secuencial —dado lo observado hasta ahora, ¿cuál es la probabilidad de que más inicializaciones aporten una cuenca útil nueva?— mientras que G3 plantea otra distinta: ¿hay señales de que seguir muestreando ataque el mecanismo equivocado?

Son STOP_SUCCESS contra CONTINUE contra ABSTAIN/REVIEW_INPUT: las mismas primitivas a las que llegó el análisis de coste por otra vía.

Límites

• **No toca la cobertura de MF-33-EXT**, que tampoco depende del orden.
• No ajusta modelos de mezcla. Retira una explicación alternativa; no instala la otra.
• La permutación asume intercambiabilidad bajo la nula — que es la hipótesis contrastada, no un supuesto del método.

Media docena de conclusiones del programa usan la misma referencia: el conjunto de poses candidatas de la cohorte de entrenamiento. Cobertura del oráculo, techo del selector, atribución de fallos — todas dividen por él.

RC-F0-V2-EXT midió que el 93.9% de ese conjunto viene del protocolo rígido. Y MF-33 acababa de medir que dockear flexible los mismos confórmeros cambia la cobertura del estrato difícil de 1 a 26 sobre 33.

Si eso vale sobre los 48, el denominador de todo lo demás está mal puesto.

Este experimento lo mide sobre los 116 de entrenamiento: mismo método que el brazo B de MF-33, distinto alcance. Todos los conf*.flex.pdbqt del ensemble ETKDG ya en disco, con los parámetros del brazo de control de MF-28 —exh=8, num_modes=9, semilla 42, caja de 25 Å—. Los confórmeros no se regeneran. 12.76 h de reloj con 10 workers, unas 107 CPU-h.

Qué salió

El listón no se inventó aquí: es el **G5 de MF-02D, heredado tal cual. Y la línea base es 0.7931**, la métrica de pocket, que es la primaria de MF-02D y la que falló su gate.

+12.93 puntos porcentuales, y por encima del listón. La lectura preregistrada es EL GENERADOR FLEXIBLE ALCANZA EL LISTÓN.

Lo que eso significa para el registro, dicho sin adornos: **MF-02D está sellado NO_GO precisamente porque su G5 dio 0.7931 y no alcanzó**. Mismo listón, misma cohorte, misma métrica, cambiando sólo la codificación del ligando: 0.9224.

Por estrato:

Una comprobación de consistencia que no estaba planificada y salió perfecta: en COLOCACION da 26 de 33, exactamente el brazo B de MF-33 sobre esos mismos complejos. Mismo protocolo y misma semilla debían reproducir, y reproducen.

La curva, que es el secundario

Cobertura acumulada según cuántos confórmeros se dockean, en orden de índice:

Los tres primeros confórmeros compran 21 complejos. Los veintisiete siguientes compran seis.

Que la curva sea así de plana a partir de K≈9 dice algo sobre el coste: si hubiera que elegir un presupuesto, está mucho antes de 30. Pero no dice que la ventaja del ensemble sea presupuesto — eso lo midió MF-33-A3, igualando corridas, poses y CPU, y la ventaja sigue en pie. Por eso el titular de este registro es la cobertura final y la curva es descriptiva.

Los nueve que no se cubren con ningún K

1afl, 1bq4, 1d7i, 1d9i, 1dgm, 1elb, 1ew8, 1fkh, 1jq8.

Siete están en la cohorte de 48; dos —1bq4 y 1elb— no.

Aquí hay que corregir una cuenta propia, y es un error que ya cometí antes. La versión anterior de esta lectura hablaba de tres líneas independientes señalando el mismo conjunto. Son dos.

Que los siete no convertidos de MF-33-CRUCES estén todos dentro de este grupo no es convergencia independiente: MF-33-CRUCES define «no convertido» como que el brazo B no alcanza ≤2 Å sobre esos 48, y este experimento reproduce el brazo B exactamente. Ese solape de 7 sobre 7 es reproducción, no evidencia nueva.

La línea genuinamente independiente es REC-09, que midió el scoring del cristal y no el docking:

Enriquecimiento 14.7×, Fisher exacto unilateral p = 2.45e-04.

La afirmación defendible, y no más:

Los fallos residuales tras un muestreo conformacional extenso están enriquecidos en complejos señalados de forma independiente por diagnósticos de preparación y puntuación.

Eso argumenta contra el muestreo conformacional adicional como única explicación del conjunto de fallos residuales. No afirma que la preparación cause los nueve fallos, ni niega que otro muestreador pudiera recuperarlos. Dice que esta intervención causal sobre el muestreo llegó prácticamente a su límite, y que los mismos casos siguen apareciendo por otra vía.

Qué justifica y qué no

La regeneración de la cohorte con docking flexible queda justificada por la regla preregistrada. Con la advertencia obvia: justificarla no es ejecutarla. Ejecutarla es un programa con su propio re-sellado y el triaje de todos los consumidores del conjunto actual.

Límites declarados:

• el oráculo es cota superior de lo alcanzable, no predicción: no evalúa selector, y lo que llega al top-1 es otra cosa —MF-33-TOP1 lo midió, y se atenúa;
• los confórmeros no se regeneran: si el techo fuese conformacional, esto no lo mueve;
• parte del techo puede ser preparación y no generador, que es justo lo que sugieren los nueve, y este experimento no los separa.

## ⚠ Defecto detectado después de sellar, corregido en otro registro Las tasas de validez física de este artefacto —8.62% en single y 15.52% en ensemble— están invalidadas y reemplazadas. No medían tensión del ligando dockeado: medían un defecto de la capa que reconstruía los hidrógenos antes de pasar la pose a PoseBusters. [MF-33-H-COR](#) lo midió con los átomos pesados idénticos —desplazamiento máximo 0.0 Å, mismo SMILES canónico, misma carga, mismos enlaces— y las 232 poses top-1 de este experimento pasan de 12.07% a 93.10%: 91.38% en single y 94.83% en ensemble. Todo lo demás de esta ficha sigue en pie sin reservas: RMSD, cobertura del oráculo, top-1, top-5 y la cascada de conversión no dependen de los hidrógenos. Este artefacto queda sellado e inmutable con sus cifras originales, y el corrigendum que las reemplaza queda nombrado al lado.

MF-33 midió que el ensemble de confórmeros sube la cobertura del oráculo. El oráculo es el mejor RMSD entre las poses que el brazo conserva: dice qué hay disponible, no qué se entrega.

Lo que el investigador recibe es el top-1 por score. Y MF-09 había medido, en el estrato difícil, que el top-1 acierta 0 de 33 y el top-20 llega a 2. Con esa distancia entre lo disponible y lo entregado, subir el techo podría no mover nada.

Este experimento mide si el mecanismo llega hasta abajo. Sin cómputo de docking: los conf<i>.out.pdbqt del protocolo congelado están en disco para los 116 de entrenamiento, con sus scores y sus nueve modelos por corrida. Dos brazos pareados: SINGLE con las 9 poses de conf0.out, ENSEMBLE con las K×9 de todos.

Qué salió

McNemar exacto pareado sobre «acierta ≤2 Å», por separado en las tres métricas:

Las tres mejoran con significación. Y las tres mejoran cada vez menos.

De los +31 complejos ganados a nivel de oráculo, sobreviven 18 al top-5 —el 58% de la ganancia— y 13 al top-1 —el 42%—.

La atenuación es el resultado

El gate preregistrado da la etiqueta LA_VENTAJA_LLEGA_AL_USUARIO, y esa etiqueta se conserva porque se escribió antes de mirar. Pero no debe usarse como titular: como afirmación científica sobrepasa lo medido.

La formulación publicable es ésta, y es la que hay que usar:

Aunque el muestreo por ensemble aumentó la cobertura del oráculo, la fracción de complejos cubiertos que se realiza en top-1 bajó del 62.9% al 53.0%, ampliando el hueco oráculo-a-top-1 de 13 a 31 complejos.

Los cuatro números son el hecho observado. Están relacionados matemáticamente y la causalidad no está demostrada. La interpretación va aparte y en condicional: aumentar la cobertura de candidatos parece imponer una carga mayor sobre la selección de pose.

Una sutileza que un revisor señalaría, y hay que anticipar. Ese 53.0% no significa que el selector sea peor. El selector del brazo ensemble se enfrenta a un problema distinto —un espacio de candidatos mucho mayor y potencialmente con más cuencas competitivas—, así que la caída de 62.9% a 53.0% no demuestra por sí sola que el algoritmo de ranking se haya degradado intrínsecamente.

Lo que sí demuestra, y basta para identificar la selección como el siguiente cuello:

La capacidad del pipeline de convertir cobertura disponible en top-1 no escala proporcionalmente con el aumento de cobertura.

*(Enmienda del 2026-08-21: la versión anterior de esta lectura decía que mejorar la generación agrava el cuello de selección porque el oráculo sube más rápido que la capacidad de elegir. Eso afirmaba una causalidad que estos datos no establecen, y se retiró.)*

En el estrato difícil no hay señal, y era previsible

Cero en los tres campos para los dos brazos. No es un resultado nulo interesante: el protocolo rígido tiene techo de 1 de 33 en el estrato difícil, según el brazo C de MF-33. Aquí no hay nada que atenuar porque no hay nada que propagar.

La limitación central, declarada en el gate

Estas poses son del protocolo rígido. Las flexibles del brazo B de MF-33 no existen: el runner las escribió en un TemporaryDirectory.

Así que esto no mide el brazo del paper. Mide si el mecanismo llega al selector en el único protocolo cuyas poses sobrevivieron. Contestar la misma pregunta sobre el brazo flexible exigió volver a dockear, y para eso se selló MF-33-B-RET.

Otros límites: se ordena por score de Vina sin rescoring —la cartera RS mide eso aparte—; SINGLE usa conf0 por índice y no por calidad, como el brazo A de MF-33; y el ensemble selecciona sobre un pool K veces mayor, que es el fenómeno y no un confundido.

Qué cierra y qué deja expuesto

Cierra la amenaza T1 del paper a nivel de mecanismo: el efecto no vive exclusivamente en una métrica de oráculo, llega a lo que se entrega.

Deja expuestos dos cuellos posteriores que estaban ocultos detrás del de generación:

1. Selección — 31 complejos que contienen una solución correcta y no la entregan en top-1, nominalmente identificados en per_complex.jsonl.
2. Validez física — que aquí se midió mal y se corrigió después. Con las tasas corregidas de MF-33-H-COR el cuello no es el que este artefacto creyó ver, y el residuo real está caracterizado allí.

La razón por la que la validez física entró en este diseño sigue siendo buena aunque su medición fallara: un selector que pase de 35 a 55 entregando poses inválidas no habría mejorado el producto. Optimizar una métrica intermedia sin mirar la física es la forma estándar de mejorar un número y empeorar el resultado.