CortexResearch

Inicio rápido

En menos de 5 minutos puedes tener tu primera hipótesis mecanística generada y evaluada. Así funciona el flujo mínimo:

1. 1

   Accede a CortexResearch

   Ve a cortexacademic.com:3001 y accede con tu cuenta. Si no tienes, la creación es instantánea desde la pantalla de registro.

2. 2

   Define tu Disease Frame

   Es el primer paso antes de cualquier generación. Describes: qué enfermedad, qué fenotipo específico del paciente, a qué subgrupo te refieres y cuál es el endpoint clínico que te importa. Por ejemplo: NSCLC, fenotipo resistente a osimertinib, pacientes EGFR-mutant T790M-negativos, endpoint: recuperar sensibilidad al tratamiento.

3. 3

   Genera tu primera teoría contrafactual

   Con el Disease Frame definido, el botón de generación lanza el motor. En unos segundos tienes una hipótesis mecanística en sintaxis do-calculus: qué vía está activa, qué la mantiene, bajo qué condición específica se esperaría que fallara el tratamiento.

4. 4

   Ejecuta los sandboxes de validación

   Elige qué sandboxes quieres correr. Puedes empezar con Literature y Ontology para una validación rápida, o correr los 8 para una evaluación completa. Cada sandbox corre de forma independiente y devuelve su veredicto en segundos.

5. 5

   Lee la decisión del Governor

   El TGS agrega los resultados de todos los sandboxes y emite una decisión: Promover (TGS ≥ 0.82), Recurrencia (0.65–0.82) o Cuarentena (<0.65). Verás las 10 métricas individuales que componen la puntuación y exactamente qué dimensión fue más débil.

6. 6

   Explora la candidata molecular

   Si el sandbox Molecule encontró candidatos, los verás en el panel de resultados: compuestos que actúan sobre el mecanismo propuesto, con su nivel de confianza y las vías que afectan. Estas son oportunidades de reposicionamiento o combinaciones sinérgicas.

Conceptos clave

Antes de profundizar en cada módulo, estos son los conceptos fundamentales que atraviesan toda la plataforma:

Razonamiento contrafactual

CortexResearch no pregunta "¿qué evidencia existe sobre X?". Pregunta "¿qué pasaría en este sistema biológico si intervenimos sobre X?". Esta distinción es fundamental: la respuesta contrafactual tiene forma causal, no correlacional.

La sintaxis del motor es do-calculus: do(gen = estado) IN condición. Por ejemplo: do(EGFR = inhibited) WITH mTOR = constitutively_active significa "asumiendo que EGFR está inhibido, qué pasa si mTOR permanece activo de forma independiente". Esta hipótesis explica resistencia sin EGFR rebound — algo que la correlación en datos no puede articular.

Gobernanza termodinámica (TGS)

El Thermodynamic Governance Score trata la coherencia epistémica de una hipótesis como un sistema con energía. Una hipótesis con alta coherencia causal, bien anclada en evidencia y con baja entropía semántica tiene alto TGS. Una hipótesis con contradicciones internas, sin ancla ontológica y alta entropía semántica tiene bajo TGS. El Governor usa este score para tomar decisiones de forma autónoma.

Conocimiento negativo

Una hipótesis cuarentenada no es un fracaso — es conocimiento. CortexResearch trata el conocimiento negativo con el mismo rigor que el positivo: la firma SHA-256 en Negative Memory garantiza que esa combinación específica de mecanismo y enfermedad nunca se re-intente, liberando al investigador para explorar espacios genuinamente nuevos.

1. Disease Frame — El problema antes del algoritmo

El Disease Frame es el punto de entrada de todo el sistema. No es una búsqueda ni una query — es la definición precisa del problema clínico que quieres resolver. Sin un Disease Frame bien definido, el motor genera hipótesis genéricas sin valor translacional.

Qué incluir en el Disease Frame

2. Teoría Contrafactual — Razonamiento sobre mecanismos

Una vez definido el Disease Frame, el motor genera una hipótesis mecanística. No es un resumen de literatura — es una afirmación causal sobre qué mecanismo molecular explica el fenómeno clínico observado y bajo qué condición específica se esperaría falsificarla.

Estructura de una teoría

Cada teoría contiene:

• Título descriptivo — qué mecanismo propone, en lenguaje clínico preciso
• Condición contrafactual — la intervención do-calculus y el estado asumido. Por ejemplo: do(EGFR=inhibited) WITH mTOR=constitutively_active
• Mecanismo propuesto — descripción mecanística de por qué esa condición produce el fenómeno observado
• Pathway predicho — la cadena de señalización propuesta, paso a paso
• Biomarkers predichos — qué marcadores moleculares deberían observarse si la hipótesis es correcta
• Hipótesis alternativa — qué otro mecanismo explicaría el mismo fenómeno si el propuesto fuera incorrecto
• Experimento falsificador — qué resultado experimental demostraría que la hipótesis es falsa
• TML — el nivel de madurez actual de la teoría, desde 1 (raw contrafactual) hasta 9 (respaldo experimental)

3. Los 8 Sandboxes — Validación multidimensional

Los sandboxes son los ambientes de validación independientes donde la teoría es sometida a diferentes tipos de evidencia. Cada uno tiene su propio criterio de éxito, su propia fuente de conocimiento y su propio veredicto.

SCSV — Sandbox Coherence State Vector

El SCSV es el vector de métricas que resulta de agregar todos los sandboxes completados. Incluye ocho dimensiones que el Governor usa para calcular el TGS:

• semantic_entropy — cuánta ambigüedad semántica hay en la hipótesis (bajo = mejor)
• contradiction_load — carga de contradicciones activas no resueltas entre sandboxes (bajo = mejor)
• causal_coherence — qué tan coherente es el pathway causal propuesto (alto = mejor)
• ontology_fit — qué tan bien encaja la hipótesis en el conocimiento ontológico establecido (alto = mejor)
• evidence_anchor_score — qué tan bien anclada está la hipótesis en evidencia real (alto = mejor)
• sandbox_stability — qué tan consistentes son los resultados entre sandboxes (alto = mejor)
• falsifiability_score — qué tan falsificable es la hipótesis — si no puede refutarse, no es científica (alto = mejor)
• drift_risk — riesgo de que el mecanismo propuesto derive hacia afirmaciones no sustentadas (bajo = mejor)

4. Governor TGS — Decisión automática

El Governor recibe el SCSV de todos los sandboxes y calcula el Thermodynamic Governance Score. No es una puntuación simple — es una función que pondera 10 métricas independientes y toma una decisión accionable sobre qué hacer con la teoría.

Las tres decisiones del Governor

Interpretando las métricas del Governor

Cuando el Governor emite una decisión, puedes ver las 10 métricas individuales. Esto te dice dónde está la debilidad de la hipótesis:

• Si ontology_fit es bajo, los genes o proteínas propuestos no están bien documentados en ontologías — posible alucinación estructural del modelo
• Si evidence_anchor_score es bajo, la hipótesis no está anclada en evidencia publicada — necesita buscar literatura específica
• Si causal_coherence es bajo, el pathway propuesto tiene inconsistencias causales — ejecuta Causal Simulation para identificar el nodo roto
• Si falsifiability_score es bajo, la hipótesis no especifica una condición que podría refutarla — refina la condición contrafactual
• Si contradiction_load es alto, varios sandboxes están devolviendo resultados incompatibles — revisa la sección de Contradicciones

5. Ciclos Epistémicos — Aprendizaje recursivo

Cuando el Governor decide Recurrencia, el sistema no simplemente "lo intenta de nuevo". Entra en un ciclo epistémico estructurado donde cada iteración incorpora aprendizaje específico del ciclo anterior.

El ciclo T0–T8

6. Candidatas Moleculares y Experimento Mínimo

Cuando el Governor promueve una teoría, el sandbox Molecule se activa automáticamente si no se había corrido antes. Su objetivo es identificar compuestos que actúen sobre el mecanismo propuesto.

Qué devuelve el sandbox Molecule

• Compuestos identificados — inhibidores conocidos del mecanismo o fármacos aprobados que podrían reposicionarse
• Sinergias potenciales — combinaciones de compuestos que bloquean la vía en múltiples puntos, dificultando el escape por bypass
• Nivel de confianza — qué tan bien sustentada está la conexión entre el compuesto y el mecanismo propuesto
• Pathways afectados — qué otras vías afectaría el compuesto, para identificar potenciales efectos secundarios

El sandbox Minimum Experiment

Simultáneamente, el sandbox de experimento mínimo diseña la prueba más pequeña y directa que podría falsificar la hipótesis. El criterio es siempre el mismo: qué resultado, en qué modelo, con qué marcador, demostraría inequívocamente que el mecanismo propuesto es incorrecto.

Típicamente sugiere organoids del subtipo resistente, knockout o knockdown específico del gen clave en la hipótesis, y el biomarker predicho como readout principal.

COIO — Intervenciones Causales sobre el Grafo

COIO (Causal Ontology Intervention Operator) es el módulo que permite ejecutar intervenciones do-calculus directamente sobre el grafo ontológico biológico. Complementa la generación de hipótesis: donde la teoría propone un mecanismo, COIO te permite simularlo explícitamente.

Los 7 tipos de intervención COIO

Cada intervención COIO devuelve los nodos afectados, los pathways que cambian de estado y la cadena causal completa — el "por qué" de cada efecto propagado en el grafo.

Negative Memory

Negative Memory es el sistema de aprendizaje de CortexResearch sobre lo que no funciona. Cada hipótesis cuarentenada por el Governor se firma criptográficamente con SHA-256 y queda registrada de forma permanente.

Cómo funciona el fingerprint

El fingerprint SHA-256 se calcula sobre la combinación de cuatro campos: el mecanismo propuesto, la intervención do-calculus, la enfermedad y el subgrupo del paciente. Esto significa que dos formulaciones distintas de la misma hipótesis producen el mismo fingerprint — el sistema no puede ser engañado con reformulaciones superficiales.

Qué pasa cuando se intenta re-generar una hipótesis bloqueada

El sistema calcula el fingerprint antes de generar. Si encuentra coincidencia en Negative Memory, devuelve el bloqueo con el contexto completo: el TGS que produjo la cuarentena, los ciclos que se invirtieron antes del bloqueo, y las métricas específicas que fallaron. El investigador puede decidir si hay nueva evidencia que justifique un override explícito.

Contradicciones — Aprendizaje desde el conflicto

Es esperable que diferentes sandboxes devuelvan resultados incompatibles. La ontología dice que el mecanismo es biológicamente plausible, pero la literatura encontró un estudio que lo contradice directamente. Eso no invalida la hipótesis — es información valiosa que el sistema gestiona activamente.

Tipos de contradicción

• Noise — contradicción aparente por diferencia en metodología o contexto experimental. El Governor reduce su peso.
• Genuine conflict — dos fuentes de evidencia directamente opuestas sobre el mismo mecanismo. Requiere reconciliación activa.
• Context dependency — el mecanismo funciona en un contexto pero no en otro. El sistema refina la hipótesis para especificar las condiciones exactas.

Las contradicciones genuinas pueden reconciliarse generando una síntesis: una hipótesis más refinada que explica por qué los dos resultados incompatibles son ambos verdaderos en sus contextos respectivos.

Inteligencia adaptativa ML

CortexResearch incluye tres modelos de ML que aprenden del historial de decisiones del Governor para hacer el sistema progresivamente más eficiente:

Predicción de supervivencia

Dado el TGS actual de una teoría, sus scores de sandbox y el número de ciclos transcurridos, el modelo predice la probabilidad de que la teoría alcance TGS ≥ 0.82. Este score de supervivencia te permite priorizar qué hipótesis merece más ciclos de refinamiento antes de gastar recursos computacionales en los 8 sandboxes completos.

Próximo mejor experimento

Dado el historial de sandboxes completados para una teoría, el sistema recomienda qué sandbox o experimento de laboratorio correr a continuación para maximizar la información ganada. Si el sandbox de Omics podría resolver la contradicción activa entre Literature y Causal Simulation, el sistema lo prioriza sobre los demás.

Recalibración del Governor

Con 10 o más decisiones históricas en un proyecto, el Governor puede recalibrarse automáticamente. Analiza qué tipos de teorías convergieron realmente versus las que se predijo que convergirían, y ajusta los umbrales de promoción para ser más preciso en tu dominio específico de enfermedad.

TML — Theory Maturity Level

El TML es la escala de 1 a 9 que describe el nivel de madurez epistémica de una teoría — cuánta evidencia real la respalda, más allá del razonamiento computacional.

API Reference

Todos los endpoints requieren autenticación JWT. Obtén tu token con POST /api/auth/token.

Autenticación

Teorías

Sandboxes

Governor

COIO

Negative Memory

ML Adaptativo

Theory Evolution Tracker — Un árbol, no un cementerio

Las teorías en CortexResearch no mueren — evolucionan. El Theory Evolution Tracker registra el linaje completo de cada hipótesis: cómo surgió, qué contradicciones encontró, cómo fue modificada, si generó teorías hijas, y si fue falsada o reactivada por nueva evidencia.

Estados de una teoría

Adversarial Critic Chamber

El Adversarial Critic Chamber es el módulo que activamente intenta falsificar las propias hipótesis de CortexResearch. No es una validación — es un ataque sistemático desde ángulos que el proceso normal de generación podría pasar por alto.

Cuándo se activa

• Cuando una teoría está en estado "Theory in Crisis" — contradicción fundamental sin resolver
• Cuando el Adversarial Rejection Rate (ARR) cae por debajo del 20% — el sistema detecta que está siendo demasiado permisivo
• Cuando el False Comfort Index sube — hay hipótesis que están pasando demasiado fácilmente
• Antes de promoción a TML-8 o TML-9 — último filtro antes de traslación

Qué hace el Critic

Busca activamente el experimento más simple que falsificaría la hipótesis. Identifica qué supuesto específico, si fuera falso, haría que toda la cadena causal colapsara. Genera el argumento más fuerte en contra de la teoría y lo somete al Governor para evaluación.

Glosario