SandboxAQ lanza AQPotency para evaluar fármacos sin estructuras de proteínas resueltas

Why it matters

AQPotency targets a costly early-stage bottleneck by screening compounds without a solved protein structure. SandboxAQ still needs public benchmarks showing that its speed and price produce better experimental hits.

SandboxAQ anunció AQPotency el 19 de agosto, abriendo un modelo de cribado virtual que clasifica compuestos farmacológicos potenciales sin requerir una estructura 3D resuelta de la proteína objetivo.

El lanzamiento de disponibilidad general, detallado en el anuncio de SandboxAQ, pone el modelo dentro de Claude a través del Model Context Protocol de Anthropic, o MCP. Los investigadores también pueden acceder a AQPotency a través del sitio web de SandboxAQ, con un lanzamiento en Google Cloud Marketplace planeado para después.

Jack Hidary fundó SandboxAQ mientras lideraba equipos de IA y tecnología cuántica durante seis años en Google. Su formación científica precede a ambas empresas: estudió neurociencia en Columbia University y más tarde trabajó en imagen funcional del cerebro y redes neuronales artificiales como Stanley Fellow en los National Institutes of Health. SandboxAQ se escindió de Alphabet en 2022 alrededor de la tesis de Hidary de que la IA emparejada con física, química y datos científicos puede producir respuestas numéricas útiles para industrias donde el lenguaje plausible es irrelevante.

AQPotency es una prueba directa de esa tesis. Hidary también está probando si un modelo conversacional puede convertirse en el escaparate para software científico especializado, dejando que Claude interprete la solicitud de un investigador mientras SandboxAQ realiza el trabajo cuantitativo subyacente.

Cribado sin una estructura cristalina

AQPotency estima la potencia de una molécula contra un blanco biológico, expresada por SandboxAQ como un valor pIC50 predicho. Esa medida ayuda a los investigadores a priorizar qué compuestos deberían pasar a pruebas de laboratorio. No establece que un compuesto vaya a convertirse en un fármaco eficaz o seguro.

Muchos flujos de trabajo establecidos de cribado virtual dependen de una representación detallada de la estructura 3D de una proteína. Esas estructuras pueden provenir de métodos experimentales o predicciones computacionales, pero para algunos blancos los modelos utilizables no están disponibles o son poco fiables. SandboxAQ dice que AQPotency puede funcionar con la molécula y el blanco sin esa información estructural, permitiendo a los investigadores clasificar candidatos para programas que no pueden comenzar con acoplamiento convencional.

SandboxAQ afirma que el modelo se ejecuta en hardware convencional, devuelve resultados en segundos y cuesta tan poco como $1 per 1,000 molecule-target comparisons. Cada resultado incluye una estimación de confianza y una indicación de si el blanco se asemeja al rango de datos donde AQPotency rinde de forma fiable. Esas medidas de incertidumbre podrían ayudar a los investigadores a separar una clasificación utilizable de una extrapolación que merece más precaución.

El modelo también puede invertir la búsqueda. Un investigador puede comenzar con una molécula y pedirle a AQPotency que clasifique las proteínas que la molécula podría afectar. Ese flujo de trabajo puede apoyar el cribado de efectos fuera del objetivo o ayudar a investigar un compuesto que produce un efecto biológico observado mediante un mecanismo incierto.

La operación de descubrimiento de fármacos de SandboxAQ incluye a más de 70 especialistas, incluidos más de 48 doctores (PhD) en la materia, según sus materiales de descubrimiento de fármacos. El grupo abarca química computacional y medicinal, biología, bioinformática, IA y simulación molecular a escala de nube.

Claude se convierte en la capa de distribución

SandboxAQ describió por primera vez su integración con Claude en mayo, cuando AQPotency aún estaba en lista de espera. En ese momento, AQCat Adsorption Spin, un modelo para el descubrimiento de catalizadores, fue la primera LQM de SandboxAQ accesible a través de Claude. El lanzamiento de AQPotency convierte la porción de descubrimiento de fármacos de esa hoja de ruta en un producto disponible.

MCP reduce la cantidad de trabajo de integración personalizada necesaria para invocar los modelos de SandboxAQ desde una interfaz conversacional. Un científico puede describir una tarea de cribado en inglés sencillo en lugar de construir infraestructura alrededor de un punto final de inferencia. La interfaz baja la fricción de despliegue. El valor científico sigue dependiendo del modelo subyacente, sus datos de entrenamiento y la calidad del trabajo experimental utilizado para confirmar sus predicciones.

El mismo plan de distribución se extiende a Google Cloud Marketplace. SandboxAQ anunció en junio que AQPotency seguiría a su modelo de catalizadores en el marketplace de Google. Vender a través de Claude y los marketplaces en la nube le da a SandboxAQ acceso a equipos de investigación dentro de los entornos de software que ya usan, una vía práctica para un proveedor de modelos científicos que busca adopción empresarial.

La evidencia experimental sigue siendo la prueba

SandboxAQ afirma que AQPotency ha producido "impacto validado experimentalmente" en ocho programas de clientes. SandboxAQ no ha identificado esos ocho programas ni ha publicado resultados de evaluación a nivel de modelo que cubran precisión, calibración, falsos positivos o tasas prospectivas de aciertos.

El lanzamiento sí incluye ejemplos de investigación sobre la enfermedad de Parkinson. Dario R. Alessi, director de la MRC Protein Phosphorylation Unit de la University of Dundee, dijo que los modelos de SandboxAQ ayudaron a los investigadores a explorar un espacio bioquímico más amplio mientras mejoraban la actividad y la selectividad. Gary W. Miller de la Mailman School of Public Health de Columbia University dijo que el trabajo con SandboxAQ identificó ligandos selectivos para SV2C, una proteína de membrana asociada con la señalización de dopamina, a partir de una biblioteca comercial de moléculas.

Esas colaboraciones aportan evidencia de que los modelos han entrado en flujos de trabajo de investigación reales. No proporcionan suficientes datos públicos para comparar el rendimiento global de AQPotency con otros sistemas de cribado.

Esa distinción importa en un campo lleno de predicciones computacionales que no sobreviven a las pruebas de laboratorio. Una revisión de 2025 sobre cribado virtual encontró una brecha persistente entre el volumen de aciertos predichos y la validación experimental, junto con la falta de criterios de evaluación estandarizados.

AQPotency también entra a un mercado donde competidores están atacando los mismos cuellos de botella de costo y estructura desde direcciones distintas. Schrodinger's Virtual Screening Web Service usa acoplamiento 3D y aprendizaje automático para cribar bibliotecas que superan los mil millones de compuestos, con Schrodinger anunciando resultados en aproximadamente una semana. Isomorphic Labs dice que su sistema IsoDDE puede predecir afinidad de unión e identificar posibles sitios de unión a partir de una secuencia de aminoácidos, colocándolo más cerca del enfoque sin necesidad de estructura de SandboxAQ.

La apuesta más amplia de Hidary por la IA cuantitativa

AQPotency llega después de que SandboxAQ recaudara más de $450 millones en una Serie E de abril de 2025, elevando la financiación divulgada desde la escisión de Alphabet por encima de $950 millones. Inversionistas en la ronda incluyeron a Google, NVIDIA, BNP Paribas, Ray Dalio y Horizon Kinetics, sumándose a respaldos que incluyen a Eric Schmidt, Breyer Capital, T. Rowe Price, Paladin Capital y S32.

SandboxAQ también se ha adentrado en la investigación industrial con respaldo gubernamental. En junio, RuntimeWire informó que SandboxAQ aseguró un premio de investigación y desarrollo CHIPS de $500 millones para trabajo en materiales semiconductores, con el gobierno de EE. UU. recibiendo una participación minoritaria según el acuerdo.

El lanzamiento en fármacos muestra el lado comercial de la misma estrategia. Hidary ha reunido equipos científicos especializados y recaudado capital suficiente para construir modelos cuantitativos propietarios en varias industrias. Claude y Google Cloud proporcionan distribución sin exigir que SandboxAQ reemplace los entornos de software que los investigadores ya conocen.

El bajo costo de inferencia que AQPotency afirma y su diseño independiente de la estructura podrían ampliar el número de dianas y bibliotecas de moléculas que grupos de investigación más pequeños pueden examinar. La adopción dependerá de resultados que sobrevivan al laboratorio húmedo. En el descubrimiento de fármacos, una predicción económica solo adquiere valor cuando ayuda a los científicos a comprar menos compuestos, realizar menos ensayos y encontrar mejores puntos de partida.