CortexResearch no busca artículos. Genera hipótesis mecanísticas validadas sobre por qué un tratamiento falla, qué vía alternativa mantiene la resistencia y qué experimento mínimo puede falsificarla — construidas sobre la teoría existente: el conocimiento causal ya documentado en la literatura, estructurado en un grafo ontológico de lo que la biología sabe y un grafo epistemológico de lo que tu corpus dice. Sin ese ancla, no hay hipótesis. Con ella, hay ciencia.
CortexResearch no trabaja con datos genéricos de internet. Trabaja con el conocimiento que tú le das: tus papers, tus datasets, tus reportes clínicos. El Corpus Ingestion Center es donde empieza toda investigación seria.
Arrastra y suelta PDF, TXT, CSV o XLSX. El sistema procesa automáticamente: extrae texto, segmenta por secciones, identifica entidades biomédicas (genes, proteínas, enfermedades, drugs) y genera embeddings para búsqueda semántica.
El sistema procesa los documentos de forma asíncrona. Puedes seguir trabajando mientras se ingestan 35 papers en paralelo. Cada job muestra progreso: segmentación → NER → embedding → indexación.
Navega los documentos procesados por tipo, fecha o relevancia semántica. Cada documento muestra qué entidades extrajo, cuántos claims identificó y qué secciones del corpus cubrirán tu grafo ontológico.
4,821 segmentos indexados · 12,340 entidades · 2,108 claims extraídos
Antes de construir el grafo, revisa qué extrajó el sistema. Entidades clasificadas por tipo (gen, proteína, vía, droga, fenotipo), claims con su soporte textual y relaciones causales detectadas. Corrección humana disponible.
¿Por qué importa el corpus propio? Un modelo de lenguaje genérico entrenó sobre todo internet — incluyendo papers incorrectos, preprints no revisados y información desactualizada. CortexResearch razona sobre tu selección curada de conocimiento. Tus hipótesis salen ancladas a evidencia que tú aprobaste — no a lo que el modelo "recuerda" haber visto.
Un modelo de lenguaje puede combinar palabras sobre genes y proteínas. Lo que no puede hacer es razonar causalmente sobre una estructura que no tiene — el grafo de lo que la biología sabe y el grafo de lo que tu corpus dice. CortexResearch construye ambos antes de inferir cualquier hipótesis.
Representa la estructura causal del dominio: qué genes existen, qué proteínas producen, qué pathways activan, qué fenotipos causan. Es el mapa de lo que la biología sabe sobre tu enfermedad — construido desde tu corpus, no inventado por el modelo.
Cada nodo del grafo ontológico se conecta a los claims de tu corpus que lo soportan o contradicen. Es el mapa de lo que tu evidencia seleccionada dice sobre cada relación causal — con fuerza cuantificada por paper, tipo de estudio y consistencia entre fuentes.
Un LLM puede generar "TDP-43 activa FOXO3 que inhibe mTOR" — una cadena gramaticalmente válida pero ontológicamente falsa. El grafo no tiene ese edge: la hipótesis se rechaza antes de ejecutarse.
Una intervención do(EGFR=inhibited) solo tiene significado causal si EGFR existe en el grafo con sus relaciones documentadas. Sin la estructura ontológica, el do-calculus es sintaxis vacía.
El TGS de una hipótesis refleja directamente el E_a promedio de los nodos sobre los que se ancla. Una hipótesis brillante sobre una base débil tendrá TGS bajo — el sistema lo detecta, no el investigador.
Cosine similarity mide si dos hipótesis apuntan en la misma dirección semántica. Jaccard index mide si sus subgrafos ontológicos se superponen. Cuando ambos son altos, el sistema alerta que podrían ser formulaciones distintas del mismo mecanismo — antes de duplicar 8 ciclos epistémicos completos.
CortexResearch no es una base de datos consultable. Es un motor de razonamiento que trabaja como lo haría un equipo de investigadores avanzados: construye teorías, las somete a evidencia, aprende de las contradicciones y refina hasta converger.
Describes la enfermedad, el fenotipo resistente, el subgrupo de pacientes y el endpoint clínico que te importa. CortexResearch entiende el contexto antes de razonar sobre él.
La IA genera hipótesis mecanísticas usando do-calculus: qué sucedería si inhibimos EGFR, qué vía alternativa mantendría activo mTOR, qué condición falsificaría esa cadena causal.
do(EGFR=inhibited) WITH mTOR=constitutively_active — la hipótesis especifica exactamente bajo qué condición se espera el efecto y bajo cuál no.
Literatura científica, ontologías biológicas, datos ómicos, simulación causal de pathway, candidatos moleculares, gemelo digital del paciente y diseño de experimento mínimo. Cada sandbox aporta una dimensión de evidencia independiente.
El TGS agrega coherencia ontológica, ancla de evidencia, falsificabilidad, entropía semántica y más en una decisión automática. Promover, recursar o cuarentenar — con el razonamiento completo registrado.
Si el TGS no alcanza el umbral de promoción, el sistema entra en ciclos T1–T8. En cada ciclo identifica por qué métricas específicas fallaron, reformula la hipótesis en esas dimensiones y reconcilia contradicciones entre sandboxes.
Si la teoría converge, el sandbox molecular identifica compuestos que actúan sobre el mecanismo propuesto. El sandbox de experimento mínimo diseña la prueba más pequeña y directa que podría refutarla — para que el investigador decida si vale la pena hacerla.
Una hipótesis que sobrevive a los 8 sandboxes no es especulación — es una teoría con coherencia epistemológica real. Cada sandbox ataca desde un ángulo que los otros no cubren.
El Governor no es un semáforo de colores. Es un sistema de evaluación termodinámica que agrega diez métricas independientes en una puntuación única y toma una decisión accionable: promover la teoría, enviarla a refinamiento, o cuarentinarla junto con el razonamiento completo de por qué.
Cada decisión queda registrada con sus métricas exactas. El historial de decisiones alimenta la recalibración continua del Governor — se vuelve más preciso con cada teoría evaluada en tu dominio de enfermedad.
Cuando el TGS no converge en el primer ciclo, CortexResearch entra en un bucle de razonamiento recursivo. No es retry — es aprendizaje estructurado sobre las debilidades específicas de la hipótesis.
La teoría contrafactual se genera a partir del Disease Frame. Métricas en baseline. Entropía semántica alta — el espacio de hipótesis está completamente abierto. Todo es posible en este punto.
En cada ciclo el sistema identifica qué métricas específicas fallaron — si fue la coherencia causal, el ancla de evidencia o el ajuste ontológico. Reformula la hipótesis exactamente en esas dimensiones débiles. Las contradicciones entre sandboxes se reconcilian activamente generando síntesis.
Si la teoría alcanzó coherencia suficiente, se promueve con su linaje completo de refinamiento — cada paso del razonamiento trazable. Si no converge, el sistema declara estancamiento y firma en Negative Memory la combinación específica que no funciona.
COIO ejecuta intervenciones do-calculus directamente sobre el grafo ontológico. No es búsqueda semántica — es causalidad computacional. Cada intervención propaga su efecto por todos los pathways afectados y devuelve la cadena causal completa con los nodos que cambian de estado.
Ejemplo real: en NSCLC con resistencia a osimertinib,
COIO Edge Suppression sobre la conexión EGFR→downstream + Context Shift a células con MET amplificado
genera automáticamente do(MET=amplified) WITH EGFR=bypassed → proliferative_signal_maintained
— la hipótesis de bypass que explica la resistencia de tercera generación.
Sin COIO, ese mecanismo requería revisión manual de 400 papers.
Cada hipótesis que el Governor cuarentena queda firmada criptográficamente en Negative Memory. No como texto — como un fingerprint SHA-256 sobre la combinación exacta de mecanismo, intervención, enfermedad y subgrupo del paciente.
Cuando alguien intenta generar la misma hipótesis — meses después, desde otro ángulo, con otra formulación — el sistema la reconoce y la bloquea antes de gastar recursos computacionales y tiempo del investigador en algo que ya se demostró que no funciona.
CortexResearch acumula inteligencia con cada ciclo. Los modelos ML integrados recomiendan, predicen y recalibran — de forma autónoma, sin intervención humana entre ciclos.
Antes de entrar al ciclo completo de los 8 sandboxes, el sistema predice la probabilidad de que la teoría alcance TGS ≥ 0.82. Prioriza el tiempo del investigador en las hipótesis con mayor potencial de convergencia, no en las que ya tienen indicadores de estancamiento.
Dado el historial de sandboxes completados y los resultados de los ciclos anteriores, el sistema recomienda qué experimento correr a continuación para maximizar la información ganada y mover el TGS en la dirección correcta con el menor costo experimental posible.
Con al menos 10 decisiones históricas, el Governor ajusta sus umbrales en función de qué teorías han convergido realmente en tu dominio de enfermedad. No hay configuración manual — el sistema se adapta a las particularidades oncológicas o metabólicas de tu campo de investigación.
La mayoría de motores de IA olvidan lo que no funcionó. CortexResearch convierte cada fracaso en conocimiento estructurado. La memoria científica es el moat real — cuanto más se usa, más difícil de copiar se vuelve.
El moat real no es el algoritmo. El moat es la memoria acumulada: miles de hipótesis probadas y falsadas, resultados negativos estructurados, patrones de éxito y fracaso aprendidos, y decisiones humanas conectadas a outcomes reales. Eso no se puede copiar.
Un LLM puede generar una hipótesis. Lo que no puede hacer es probarla, contradecirla, evolucionar la teoría, recordar qué falló y mejorar la siguiente decisión. CortexResearch hace todo eso.
| Capacidad | IA normal | CortexResearch |
|---|---|---|
| Genera hipótesis mecanísticas | ✓ | ✓ |
| Prueba la hipótesis en múltiples sandboxes | ✗ | ✓ |
| La contradice activamente — Adversarial Critic | ✗ | ✓ |
| Evoluciona la teoría cuando falla — no la descarta | ✗ | ✓ |
| Decide autónomamente: promover / recursar / cuarentenar | ✗ | ✓ |
| Recuerda el resultado — y bloquea el intento duplicado | ✗ | ✓ |
| Aprende el patrón de éxito y fracaso | ✗ | ✓ |
| Mejora la próxima decisión con cada ciclo | ✗ | ✓ |
ANÁLISIS HIPOTÉTICO ILUSTRATIVO. Este ejercicio es una demostración del tipo de razonamiento que CortexResearch aplica — no un experimento real ejecutado por el sistema ni un estudio clínico. Los resultados mostrados son hipotéticos y se basan en conocimiento biomédico público disponible. Baricitinib es un medicamento aprobado con indicaciones clínicas específicas; cualquier uso debe seguir criterio médico profesional.
Baricitinib (inhibidor JAK1/JAK2) recibió autorización de uso de emergencia de la FDA para COVID-19 severo en noviembre de 2020 y aprobación completa en mayo de 2022.[1] La pregunta ilustrativa: ¿qué tipo de razonamiento habría llevado a esa hipótesis usando solo literatura disponible en enero de 2020?
Referencias de los hechos biomédicos citados:
[1] FDA. Olumiant (baricitinib) EUA Nov 2020; NDA 207924 aprobación completa May 2022.
[2] Stebbing J, et al. (2020). "JAK inhibition reduces SARS-CoV-2 liver infectivity and associated fibrosis." EBioMedicine, 58, 102981.
[3] Richardson P, et al. (2020). "Baricitinib as potential treatment for 2019-nCoV acute respiratory disease." The Lancet, 395(10223), e30–e31.
[4] Eli Lilly and Company. Olumiant Prescribing Information. Revised 2022.
CortexResearch no es para una sola disciplina ni para un solo tipo de pregunta. Estas son las formas en que investigadores avanzados lo están usando — o lo usarán — para resolver los problemas más difíciles de la biomedicina.
CortexResearch está activo en producción. Define tu Disease Frame y el motor se pone a trabajar — sin instalación, sin configuración, sin esperas.