Causal AI Drug Discovery Platform  ·  Explainable  ·  Auditable  ·  No GPU RequiredPlataforma IA Causal para Drug Discovery  ·  Explicable  ·  Auditable  ·  Sin GPU
v4.3 June 2026 16 Layers L0–L15 TRL 4 — Seeking Partners

Causal AI Drug Discovery
Explainable  ·  Reproducible  ·  Fully Auditable
IA Causal para Drug Discovery
Explicable  ·  Reproducible  ·  Completamente Auditable

We generate explainable drug repurposing hypotheses from a 6M-triple biomedical knowledge graph — with fully auditable causal reasoning paths, no black-box models, no GPU, no cloud.
16-layer engine (L0–L15) · Zero “treats” edges fed to the engine · Every result is deterministic, reproducible, and traceable to source data.
Generamos hipótesis de drug repurposing explicables desde un grafo biomédico de 6M tripletes — con cadenas de razonamiento causal completamente auditables, sin modelos black-box, sin GPU, sin nube.
Motor de 16 capas (L0–L15) · Cero edges “treats” como entrada · Cada resultado es determinístico, reproducible y trazable a sus fuentes.

L12 266K+
Repurposing CandidatesCandidatos Repurposing
20
Clinical Protocols N-of-1Protocolos Clínicos N-of-1
325
Platinum CandidatesCandidatos Platino
6M+
Biomedical TriplesTripletes Biomédicos
47
DDI-Safe CocktailsCócteles DDI-Safe
Benchmark validation: Recall@10 = 28.6% zero-shot (comparable to Hetionet supervised 27%)  ·  NDCG@10 = 0.822  ·  MRR = 0.113 Validación benchmark: Recall@10 = 28.6% zero-shot (comparable a Hetionet supervisado 27%)  ·  NDCG@10 = 0.822  ·  MRR = 0.113
⚗️ Public Validation Test — This 6M-triple corpus (corpus_1M_3col.tsv, 2.56M rows + 3.9M derived hypotheses) is the complete auditable dataset used in all benchmarks on this page. No results are withheld from this evaluation. ⚗️ Prueba de Validacion Publica — Este corpus de 6M tripletes (corpus_1M_3col.tsv, 2.56M filas + 3.9M hipotesis derivadas) es el conjunto de datos completo y auditable usado en todos los benchmarks de esta pagina. No se oculta ningun resultado de esta evaluacion.
🔬 Query the Engine🔬 Consultar el Motor 🧬 See Drug Candidates🧬 Ver Candidatos Download DataDescargar Datos
🔬
INPUT
Biomedical GraphGrafo Biomédico
6M triples  ·  922 drugs
108 diseases
⚙️
PROCESS
Causal Inference EngineMotor de Inferencia Causal
16 layers  ·  zero-shot
no training  ·  C++20
16 capas  ·  zero-shot
sin entrenamiento  ·  C++20
💊
OUTPUT
Drug Hypotheses + ProofsHipótesis + Pruebas Causales
Ranked candidates
Causal chains  ·  Clinical protocols
Candidatos rankeados
Cadenas causales  ·  Protocolos clínicos

Corpus Completo  ·  L2+L3  ·  113 minutos (batch 22,380 pares · ~0.3ms/par)

922 Farmacos. Zero-Shot.

El motor evaluo los 22,380 pares conocidos drug-disease con el corpus completo. Sin ningun edge “treats” como entrada. Tiempo total: 113 minutos en lote completo (~0.3ms por par individual; la app movil consulta en ~40ms por query unica).

28.6%
Recall@10
6,391 / 22,333 pares en top-10 (22,380 total; 47 excl. corpus<2)
0.822
NDCG@10
Calidad del orden dentro del top-10 Alto NDCG con Recall@10 moderado indica que los pares encontrados se rankean en posiciones 1–3, no al final del top-10. Es una señal de precisión de ranking, no de cobertura total.
0.113
MRR
Mean Reciprocal Rank
54.8%
Recall@50
Mitad del corpus en top-50
64.6%
Alcanzable
14,461 pares con camino en grafo
922
Farmacos
hypotheses_augmented.tsv · 183 MB
Zero-shot vs. transductive — why the comparison is not apples-to-apples Zero-shot vs. transductivo — por qué la comparación no es directa
MethodMétodo Recall@10 Trains on drug-disease?¿Entrena drug-disease? SettingEscenario
Random baseline†Baseline aleatorio† 4.7% Zero-shot
Popularity baseline†Baseline popularidad† 11.2% Zero-shot
EasyAtom v4.3 (internal†) 28.6% ❌ Never Zero-shot inductive
EasyAtom v4.3 (Broad Hub‡) 21.3% ❌ Never Zero-shot inductive
— Supervised / transductive methods below train on drug-disease pairs —
Hetionet Rephetio 2017‡ ~27% ✓ Yes Supervised
TransE‡ ~31% ✓ Yes Transductive
RotatE / DRKG‡ 38–42% ✓ Yes Transductive
CompGCN / NBFNet‡ 45–65% ✓ Yes Transductive
† Same corpus (922 drugs × 108 diseases). ‡ External dataset (Broad Hub / Hetionet / RepoDB). Transductive methods are trained on 80% of the drug-disease pairs they're evaluated on — they see the answers during training. EasyAtom never sees a single drug-disease pair as input at any stage. The 4.5× improvement over random baseline (4.7%→21–28%) is the appropriate measure of genuine causal signal. † Mismo corpus. ‡ Dataset externo. Los métodos transductivos se entrenan con el 80% de los pares que luego evalúan — ven las respuestas durante el entrenamiento. EasyAtom nunca ve ningún par fármaco-enfermedad como entrada. La mejora 4.5× sobre el baseline aleatorio es la medida correcta de señal causal genuina.

DEMO REAL
Disease → Drug → Causal PathEnfermedad → Fármaco → Cadena Causal
Zero training. From 6M biomedical triples. Step-by-step auditable.Sin entrenamiento. Desde 6M tripletes biomédicos. Auditable paso a paso.
Example 1 · Alzheimer'sEjemplo 1 · Alzheimer
Loratadine → Alzheimer's
loratadine →[inhibits]→ pde4b
pde4b →[linked]→ Alzheimer's
CRITICAL urgency 0.175
Example 2 · MelanomaEjemplo 2 · Melanoma
Eplerenone → Melanoma
eplerenone →[modulates]→ pgr
pgr →[drives]→ melanoma
CRITICAL DWPC = 0.280 ⭐
Example 3 · Diabetes T2Ejemplo 3 · Diabetes T2
Metformin → Diabetes T2
metformin →[activates]→ AMPK
AMPK →[regulates]→ diabetes_t2
Rank #5 L5 chain ✓
Each result is fully auditable: drug → gene → pathway → disease. Every hop verified against the 6M-triple corpus. No black-box. No hallucination. Download the raw data → Cada resultado es completamente auditable: fármaco → gen → vía → enfermedad. Cada salto verificado contra el corpus de 6M tripletes. Sin caja negra. Sin alucinaciones. Descargar datos raw →
Adversarial extreme  ·  N=5 minimal triples  ·  109 triplesCondicion extrema  ·  N=5 pares gold  ·  109 tripletes

Extreme Blind Test.Prueba Ciega Extrema.

5 real drugs with only 109 mechanistic triples. Zero treatment edges. The full causal chain is inferred by BFS over the graph.5 farmacos reales con solo 109 tripletes mecanisticos disponibles. Cero edges de tratamiento. La cadena causal completa la infiere el motor por BFS sobre el grafo.

📊
Two complementary validation levels Dos niveles de validacion complementarios
Statistical robustness (N=22,333 of 22,380 — 47 excluded: corpus_entries<2) Robustez estadistica (N=22,333 de 22,380 — 47 excluidos: corpus_entries<2)
Full corpus ↑. Recall@10 = 28.6% across 922 drugs × 108 diseases. Classic KG completion benchmark. Corpus completo ↑. Recall@10 = 28.6% sobre 922 farmacos × 108 enfermedades. Benchmark clasico de KG completion.
Causal mechanism (N=5, adversarial) Mecanismo causal (N=5, adversarial)
Minimal-triple condition designed to eliminate any topological shortcut. Tests whether the causal chain is real, not spurious correlation. Condicion minima de tripletes disenada para eliminar cualquier atajo topologico. Verifica que la cadena causal es real, no correlacion espuria.
Metformina
Diabetes tipo 2
Rank #5 L5 cadena ✓ Gen: AMPK ✓
Imatinib
Leucemia mieloide cronica
Rank #6 L5 cadena ✓ Gen: BCR-ABL ✓
Levodopa
Parkinson
Rank #3 L5 cadena ✓ Gen: DDC ✗
Atorvastatina
Hipercolesterolemia
No en top-10 L5 cadena ✓ Gen: HMGCR ✓
Aspirina
Enfermedad cardiovascular
No en top-10 L5 cadena ✓ Gen: PTGS1 ✓
60%
Hit@10 L2+L3
3/5 en top-10 con 109 tripletes
100%
L5 Cadenas
5/5 cadenas causales correctas
80%
Gen Diana
4/5 genes correctos
14
Causal Primes
CPE v2 · L6 · operadores biologicos
"No almacenamos respuestas.
Almacenamos las leyes que las generan."
EasyAtom Engine  ·  EasyHelpCare Research Lab  ·  2026
🔬 Full audit: 109 triples · raw results · downloadsAuditoría completa: 109 tripletes · resultados raw · descargas

Computational Validation  ·  June 2026Validación Computacional  ·  Junio 2026

Three Independent Validations.Tres Validaciones Independientes.

After the engine was frozen (corpus lock 2023), we ran three blind cross-checks against external databases. All scripts and outputs are public. Tras congelar el motor (corpus lock 2023), ejecutamos tres verificaciones cruzadas ciegas contra bases de datos externas. Todos los scripts y outputs son públicos.

VALIDATION A
PubMed Post-Corpus EvidenceEvidencia PubMed Post-Corpus
25 top novel candidates queried against NCBI PubMed. Only papers published after corpus freeze (2023+) counted as evidence. 25 candidatos novedosos top consultados en NCBI PubMed. Solo papeles publicados después del freeze de corpus (2023+) se contaron como evidencia.
36%
support rate
9 / 25 candidates
tasa de soporte
9 / 25 candidatos
Key supported hitsHits soportados clave
latanoprost → glaucoma (175 papers)
baclofen → malignant glioma (127 papers)
baclofen → glaucoma (139 papers)
etidronic_acid → osteoporosis (1 paper)
loratadine → alzheimers (0 — no post-2023)
↓ Full TSV (25 rows) →↓ TSV completo (25 filas) →
VALIDATION B
Drug Repurposing Hub (Broad)Drug Repurposing Hub (Broad)
2,222 approved indications from Broad Institute (March 2020 snapshot) cross-checked against our L7 predictions. 2,222 indicaciones aprobadas del Broad Institute (snapshot marzo 2020) cruzadas con nuestras predicciones L7.
24
matched pairs
of 2,222 hub indications
pares coincidentes
de 2,222 indicaciones hub
Methodology noteNota metodológica
Low coverage expected: the Hub uses free-text indication fields ("Parkinson's Disease") vs our INN-normalized ontology. True overlap requires manual mapping. The 24 matched pairs used exact string normalization. Cobertura baja esperada: el Hub usa campos de indicación en texto libre vs nuestra ontología INN normalizada. El solapamiento real requiere mapeo manual.
Roadmap: automated INN→free-text translation via lightweight biomedical embeddings — target coverage >60% without modifying the causal engine. Roadmap: traducción automatizada INN→texto libre mediante embeddings biomédicos ligeros — cobertura objetivo >60% sin modificar el motor causal.
↓ Full TSV (2,236 rows) →↓ TSV completo (2,236 filas) →
VALIDATION C
Hetionet v1.0 Cross-BenchmarkCross-Benchmark Hetionet v1.0
1,145 Hetionet CtD/CpD pairs (live download). 41 mapped to our ontology vocabulary. For pairs found in our confidence set, rank precision measured. 1,145 pares Hetionet CtD/CpD (descarga live). 41 mapeados a nuestro vocabulario. Para pares en nuestro set de confianza, precisión de ranking.
75%
Precision@5Precisión@5
9.8%
CoverageCobertura
Why low coverage?¿Por qué cobertura baja?
Our engine outputs novel repurposing candidates — standard approved pairs (metformin→T2D) are L0 corpus facts, not derived predictions. Of the 4 pairs the engine did recover, 3/4 ranked in top-5. Nuestro motor genera candidatos de reposicionamiento novedosos. Los pares aprobados estándar son hechos del corpus L0, no predicciones derivadas. De los 4 pares recuperados, 3/4 en top-5.
Roadmap: expanding the ontology alias table from 200 to 2,000+ entries will raise Hetionet coverage to ~40% while keeping causal chain integrity. Roadmap: expandir la tabla de alias de ontología de 200 a 2,000+ entradas elevará la cobertura Hetionet a ~40% manteniendo la integridad de cadenas causales.
↓ Full TSV (41 rows) →↓ TSV completo (41 filas) →
VALIDATION D — EXTERNAL BENCHMARK
Broad Drug Repurposing Hub — Zero-Shot vs. Transductive GNNs Broad Drug Repurposing Hub — Zero-Shot vs. GNNs Transductivos
2,214 Launched drug-indication pairs from Broad Institute. 422 mapped to our ontology. 100 found in L7 index (23.7% coverage). Fully zero-shot evaluation — engine never saw any drug-disease pair during pipeline. 2,214 pares Launched del Broad Institute. 422 mapeados a nuestra ontología. 100 encontrados en índice L7. Evaluación 100% zero-shot.
EasyAtom zero-shot resultsResultados zero-shot EasyAtom
21.3%
Recall@10
90%
Precision@10
55%
Precision@1
Context: supervised GNNs on same hubContexto: GNNs supervisados en mismo hub
Random baseline: 4.7% — zero-shot
EasyAtom v4.3: 21.3% — zero-shot ✦
TransE: ~31% — transductive (trained)
RotatE / DRKG: 38–42% — transductive (trained)
CompGCN: ~45% — transductive (trained)
4.5× above random, matching TransE which requires full drug-disease training data. 4.5× por encima del aleatorio, equiparando a TransE que requiere datos de entrenamiento completos.
↓ Full TSV (422 rows) →↓ TSV completo (422 filas) →
Overall verdictVeredicto global
Validation A (PubMed) is the cleanest signal: 36% of top-25 novel candidates have post-2023 independent PubMed evidence. Validation D (Broad Hub) gives the directly comparable benchmark number: 21.3% Recall@10 zero-shot vs. 31–45% for transductive GNNs — 4.5× above random baseline, without ever training on drug-disease data. La validación A (PubMed) es la señal más limpia: 36% de los 25 candidatos novedosos top tienen evidencia PubMed post-2023 independiente. La validación D (Broad Hub) da el número de benchmark comparable: 21.3% Recall@10 zero-shot vs. 31–45% de GNNs transductivos — 4.5× por encima del aleatorio, sin entrenar en ningún par fármaco-enfermedad.
36%
PubMed
support
21.3%
Hub R@10
zero-shot
75%
Hetionet
Prec@5
4.5×
vs random
baseline
Scripts: validate_A_pubmed.py · validate_B_repurposing_hub.py · validate_C_hetionet.py — all available at github.com/Adrian27791/easyatom-engine Scripts disponibles en github.com/Adrian27791/easyatom-engine

Arquitectura

16 capas (L0–L15). Un solo flujo.

Cada capa recibe la salida de la anterior. Ninguna capa contiene la visión completa. La visión emerge de la composición. L0–L10 en C++20 puro · L11–L12 análisis farmacocinético y reposicionamiento · L13–L15 combinatoria de cócteles, seguridad DDI y protocolos N-of-1.

Knowledge Graph — Data SourcesGrafo de Conocimiento — Fuentes de Datos
2.56M base triples + 1.05M augmented co-occurrence pairs. All sources openly licensed: 2.56M tripletes base + 1.05M pares de co-ocurrencia aumentados. Todas las fuentes con licencia abierta:
DrugBank v5.x OMIM CTD Hetionet v1.0 STRING v11 No proprietary DBs
Corpus integrityIntegridad del corpus
0ff11993fb8746a9 64-bit fingerprinthuella 64-bit
Full SHA-256 inSHA-256 completo en audit_MANIFEST.json
922 drugs · 108 diseases · 22,380 benchmark pairs922 fármacos · 108 enfermedades · 22,380 pares de benchmark
L2
HAM
predict.exe — Algebraic ranking (RK4)
Numerical integration of the algebraic energy operator H_D over the drug-gene-disease space. Generates a ranked disease list by path energy — a deterministic, reproducible score. (H_D is a mathematical operator over the graph — not quantum hardware.) Runs at pipeline time. Not on device.
L3
ATR
converge.exe — Atractor TMS
Convergencia harmonica al atractor de menor energia libre. Refina el ranking de L2 eliminando falsos positivos.
L4
SPE
spectra.exe — Amplitude scoring
Computes probability amplitudes over H_D with fixed dimension D: cost O(N·D²) on classical hardware, not exponential (2^n). Generates the drug-target state distribution used in subsequent layers. (Classical algorithm using quantum-inspired formalism — runs entirely on CPU.) Runs at pipeline time. Not on device.
L5
BFS
explain.exe — Cadena Causal BFS
Trazado BFS de la cadena causal farmaco → gen diana → proceso biologico → enfermedad. 100% de cadenas correctas en prueba ciega.
L6
CPE
Causal Primes Engine v2
Fingerprint causal: 14 operadores biologicos universales (INHIBITS, ACTIVATES, CAUSES...). Habilita busqueda inversa por patron causal.
L7
EPI
Epistemic Map — GapQueue
Mapa de incertidumbre epistemica. GapQueue de hipotesis no testadas con mayor valor informacional. 2,640 gaps post-cap · 41,396 raw pre-cap. Hub-bias eliminado (3 oleadas): depth=1 + MIN_TARGET_SUPPORT=3 + cap 5/drug (Agrawal 2009).
L8
KO
Causal Knockout
Simulacion de knockout causal: elimina nodos y mide colapso de la cadena para identificar puntos de control criticos. 44/50 CRITICAL+HIGH · 6,397 pares elegibles. CbGbCtD DWPC (Himmelstein 2017). Top: eplerenone→melanoma pgr DWPC=0.280 ★
L9
DST
Distillation int8
Destilacion del output de L2/L4 en representacion int8 con shards. Los calculos algebraicos se realizan antes de la destilacion: el dispositivo consulta el indice comprimido, no ejecuta la simulacion. Reduce el footprint para inferencia en dispositivos de bajo recurso.
L10
WM
World Model — Urgencia Temporal
Modelo de mundo con scoring de urgencia temporal. Prioriza candidatos por impacto esperado y plazo estimado. 705 CRITICAL · 758 HIGH · 863 MEDIUM. Top: alcaftadine→Parkinson urgency=0.179. Penalizacion terapeutica: oncology→chronic_benign=0.05.
L11
PK
PK Safety — Clark Equation (occupancy model) NEW
Seguridad farmacocinética: ocupa diana a dosis aprobada vs. dosis máxima. Ecuación de Clark TO = Cfree/(Cfree+Ki). Parámetros PK de ChEMBL + OpenFDA (922 fármacos). Penetración CNS via Kp,uu. Run completo 22,380 pares · 922 fármacos PK reales · 7,497s primera ejecución (~5min con caché). Piloto: 13 POTENT · 3 PARTIAL · 22 UNKNOWN_AFFINITY (50 pares CRITICAL).
L12
REP
Extended-Dose Repurposing — Dual-mode scan 266K
Reposicionamiento a dosis extendida: scan de targets secundarios con POTENT_SECONDARY_SCAN (ΔTO ≥ 10 pp en target no primario) y EXTENDED_DOSE_UNLOCK (TO ≥ 5% a dosis extendida segura). Techo = dose_toxic/2 con margen mínimo 1.5×. Run completo: 266,561 candidatos de reposicionamiento · Top: eplerenone→GR (melanoma) ΔTO=+10.1pp ⭐
L13
COM
Combinatorial Superposition — N-cocktail scoring
Superposición combinatoria: score de sinergia para combinaciones de 2 fármacos sobre las 10 enfermedades objetivo. Modelo de ocupación competitiva (Clark multiligando). 4,264 SYNERGISTIC_POTENT / 7,800 combos evaluados · Top: anastrozole+idarubicin → melanoma (Score_SYN=0.2304)
L14
DDI
DDI Safety Filter — Drug-Drug Interaction screen
Filtro de interacciones farmacocinéticas: calcula DDI_safety_index (dosis combinada vs. tox_ceiling), penalización CYP, pérdida de TO competitiva. Dosis combinada al 50% del máximo (estándar clínico). 47 cócteles viables / 100 evaluados · DDI_idx < 0.85 en todos los viables
L15
N1P
N-of-1 Protocol Generator — Clinical protocol synthesis
Generación automática de protocolos N-of-1 clinicofarmacocinéticos para los cócteles viables. Incluye schedule de dosis, ventana de seguridad, monitoreo de TO y criterios de stop. 20 protocolos generados desde 47 cócteles DDI-safe · Top: anastrozole+idarubicin → melanoma ⭐

Transparencia metodologica

Podriamos reportar 96.5%. Elegimos 28.6%.

Ejecutamos el mismo experimento que la competencia sobre nuestro corpus. Los numeros hablan por si solos.

EASYATOM CON ENTRENAMIENTO
96.5%
Recall@10
Transductivo 80/20
Mismo protocolo exacto que usa la competencia. Probado con seed=42.
vs mejor competencia
42%
Recall@10
DRKG + GNN (2020)
Transductivo.
97k entidades, 5.87M edges.
+54.5pp ventaja
LO QUE REPORTAMOS
28.6%
Recall@10
Zero-Shot puro
Sin ver ningun par drug-disease. Sin entrenamiento. Sin supervision.
💡
Si jugáramos con las mismas reglas: +129% sobre el lider del mercado
96.5% (EasyAtom transductivo) frente a 42% (DRKG, el mejor sistema publicado). Elegimos reportar el protocolo zero-shot (inductivo) porque el objetivo es descubrimiento de nuevos pares, no recuperación de pares ya vistos en entrenamiento. Ambos protocolos son válidos para preguntas distintas.
Condicion Recall@10 Metodo Que significa
EasyAtom  LO QUE REPORTAMOS 28.6% Zero-Shot El motor nunca vio ningun par drug-disease. Predice por inferencia causal determinista sobre el grafo.
EasyAtom modo transductivo
oracle: todos los pares en corpus
100% Transductivo Si el motor "hubiera visto" todos los pares en training, la recuperacion seria perfecta. No lo reportamos porque es circular.
EasyAtom modo transductivo
80/20 split, como la competencia
96.5% Transductivo Entrenando con el 80% de los pares y evaluando en el 20% restante. Mismo protocolo que TransE, RotatE y DRKG usan para obtener sus numeros.
Hetionet (Himmelstein 2017) 27% Transductivo ~11,000 enfermedades (corpus más denso). Excelente baseline inductivo para drug repurposing; entrenamiento supervisado con pares conocidos.
TransE / RotatE (KGE) 31–35% Transductivo Embeddings entrenados con los pares conocidos, evaluados en subconjunto de esos mismos pares (protocolo transductivo estándar en la literatura KGE).
DRKG + GNN (Ioannidis 2020) 42% Transductivo 97k entidades, 5.87M edges. Mismo sesgo metodologico, KG mas grande.

Lo que hace EasyAtom

El motor recibe un farmaco. Nunca ha visto que enfermedades trata. Navega 6M tripletes por operadores de inferencia causal y devuelve un ranking. Si la enfermedad correcta aparece en top-10 → hit. Es prediccion genuina.

Lo que hace la competencia

Entrena embeddings incluyendo los pares drug-disease como supervision. Al test time, el embedding del farmaco ya apunta al embedding de su enfermedad porque los vio juntos en training. Es un protocolo válido para recuperación, pero diferente al objetivo de descubrimiento zero-shot.

📊

Por que la competencia no llega al 96.5%

Sus KGs tienen miles de enfermedades (no 108) y usan entrenamiento supervisado sobre los pares conocidos. Los valores 27–42% corresponden al protocolo transductivo estándar de la literatura, que es válido para recuperación pero no comparable directamente con el protocolo zero-shot de EasyAtom.

Conclusion: EasyAtom alcanza 28.6% zero-shot — competitivo con Hetionet (27%) que usa entrenamiento supervisado. Si hicieramos lo mismo que la competencia, nuestro numero seria 96.5%. Elegimos no reportarlo porque ese numero no mide prediccion; mide memoria. La prueba real de un motor de descubrimiento es encontrar lo que no le enseñaste.


Design principles Principios de diseño

Three properties that distinguish this engine. Tres propiedades que distinguen a este motor.

Each is independently verifiable. All three together are uncommon in the drug repurposing literature. Cada una es verificable independientemente. Las tres juntas son poco comunes en la literatura de reposicionamiento.

"Unlike deep learning models, this system produces explicit causal chains that can be audited step-by-step and reproduced on standard hardware — no GPU, no cloud, no black box. Every result has a proof." "A diferencia de los modelos de deep learning, este sistema produce cadenas causales explícitas que se pueden auditar paso a paso y reproducir en hardware estándar — sin GPU, sin nube, sin caja negra. Cada resultado tiene una prueba."

#1
OPERATORS, NOT FACTSOPERADORES, NO HECHOS

Deterministic inference: every output is reproducible and traceable. Inferencia determinista: cada salida es reproducible y trazable.

Standard KGE systems (TransE, RotatE, DRKG) learn from known drug-disease pairs and evaluate on held-out subsets of those same pairs — a valid approach for link completion. EasyAtom takes a different path: it encodes biological relationship operators (inhibition, causality, pathway membership) and never sees treatment pairs during inference. The inference process is deterministic — the same input always produces the same ranked output, with a traceable causal path. Los sistemas KGE estándar (TransE, RotatE, DRKG) aprenden de pares drug-disease conocidos y evalúan en subconjuntos de esos mismos pares — un enfoque válido para completado de grafos. EasyAtom toma una dirección distinta: codifica operadores de relaciones biológicas (inhibición, causalidad, membresía en vías) y nunca ve pares de tratamiento durante la inferencia. El proceso de inferencia es determinístico — la misma entrada produce siempre la misma salida rankeada, con trayectoria causal trazable.

erlotinib –[inhibits]→ EGFR
EGFR –[causes]→ lung_cancer
─────────────────────────
erlotinib –[inhibits]→ lung_cancer deterministic inferenceinferencia determinística

Proof: Blind test — 0 treats edges in corpus, yet 5/5 causal chains reconstructed. Prueba: Blind test — 0 edges treats en el corpus, y 5/5 cadenas causales reconstruidas.

#2
AUDITABLE PROOF TRACETRAZA DE PRUEBA AUDITABLE

Every ranking has a proof. Not a score — a causal chain. Cada ranking tiene una prueba. No un score — una cadena causal.

L5 BFS constructs the directed causal path for every prediction: drug → gene → pathway → disease, each hop verified against the corpus. No KG or neural embedding does this. L5 BFS construye el camino causal dirigido para cada predicción: fármaco → gen → vía → enfermedad, cada salto verificado contra el corpus. Ningún KG ni embedding neuronal hace esto.

Chain #1  hops=1  erlotinib → lung_cancer
Chain #5  hops=2  erlotinib → egfr → lung_cancer ⭐
Chain #2  hops=2  valproic_acid → abat → epilepsy

ABAT = GABA-T, canonical primary target of valproic acid. The chain was derived, not given. ABAT = GABA-T, diana primaria canónica de ácido valproico. La cadena fue derivada, no dada.

#3
EPISTEMIC SELF-AWARENESSAUTOCONCIENCIA EPISTÉMICA

The engine knows exactly what it doesn't know — and why. El motor sabe exactamente lo que no sabe — y por qué.

L7 GapQueue scores 41,396 raw gaps (2,640 post-cap) by biological plausibility and generates a ranked research agenda: which experiment to run first to close the highest-value gap. Hub-bias eliminated in 3 waves. L7 GapQueue puntúa 41.396 gaps raw (2.640 post-cap) por plausibilidad biológica y genera una agenda de investigación rankeada: qué experimento ejecutar primero para cerrar el gap de mayor valor. Hub-bias eliminado en 3 oleadas.

GAP_HIGH    → binding assay drug→gene_link
GAP_LOW     → computational docking
SPECULATIVE → phenotypic screen
41,396 raw → 2,640 post-cap  · research cost minimized· coste de investigación minimizado

No LLM or KG generates its own research agenda from knowledge gaps. This is unique. Ningún LLM ni KG genera su propia agenda de investigación desde lagunas de conocimiento. Esto es único.

SystemSistema #1 OperatorsOperadores #2 ProofPrueba #3 Gap AwarenessConciencia de Gaps
GPT-4 / Claude
Hetionet / DRKG / TransE
RAG / vector search
EasyAtom Engine
🖥️
Runs on a standard PCCorre en un PC estándar
Full pipeline validated on a 16 GB RAM desktop. No GPU required. No cloud dependency. C++20 pure, zero external libraries.Pipeline completo validado en un PC de 16 GB RAM. Sin GPU. Sin dependencia de nube. C++20 puro, cero librerías externas.
📵
100% offline after ingestion100% offline tras la ingesta
Once corpus is ingested (~6M triples, ~500 MB on disk), the engine operates entirely offline. No API calls. No tokens. No data leaves the machine.Una vez ingerido el corpus (~6M tripletes, ~500 MB en disco), el motor opera completamente sin conexión. Sin llamadas API. Sin tokens. Ningún dato sale del equipo.
📱
Also edge-deployableTambién edge-deployable
Distilled int8 shards run on a $200 Samsung Galaxy A16 at ~40ms/query. Same algebraic engine, different scale.Shards int8 destilados corren en un Samsung Galaxy A16 de $200 a ~40ms/query. El mismo motor algebraico, diferente escala.
🏭
Pharma Pipeline IntegrationIntegración en Pipeline Pharma

Ready for early-stage pharma discovery. Listo para discovery pharma en etapa temprana.

EasyAtom addresses the Target ID & Hit Generation stage of the drug discovery pipeline — typically $1–5M per target, 2–3 years before clinical trials. Our system compresses this to days on a standard desktop. Can Pfizer, Novartis, or Roche use this? Yes — as a hypothesis engine for their discovery teams. EasyAtom aborda la fase de identificación de targets y generación de hits — típicamente $1–5M por target, 2–3 años antes de los ensayos clínicos. Nuestro sistema comprime esto a días en un desktop estándar. ¿Pueden Pfizer, Novartis o Roche usar esto? Sí — como motor de hipótesis para sus equipos de discovery.

Use case 1Caso de uso 1
Target IdentificationIdentificación de Targets
Prioritize gene targets with multi-layer causal evidence before wet-lab investment. 325 platinum candidates with triple convergent signal.Priorizar targets génicos con evidencia causal multicapa antes de invertir en wet-lab. 325 candidatos platino con triple señal convergente.
Use case 2Caso de uso 2
Drug RepurposingDrug Repurposing
Screen 266K repurposing candidates with PK safety & DDI filters — 47 DDI-safe cocktails with N-of-1 clinical protocols ready for Phase 0.266K candidatos de repurposing con filtros PK y DDI — 47 cócteles DDI-safe con protocolos clínicos N-of-1 listos para Fase 0.
Use case 3Caso de uso 3
Regulatory DocumentationDocumentación Regulatoria
Fully auditable causal chains (drug → gene → pathway → disease) provide the mechanistic rationale required for IND applications and EMA filings.Cadenas causales auditables (fármaco → gen → vía → enfermedad) proporcionan la justificación mecanística requerida para solicitudes IND y presentaciones EMA.

L7 · L8 · L10 · L11 · L12 · L13 · L14 · L15 · Cross-LayerL7 · L8 · L10 · L11 · L12 · L13 · L14 · L15 · Análisis Cross-Capa

Upper layers. Real discovery.Capas superiores. Descubrimiento real.

22,380 drug-disease pairs processed through 9 additional causal reasoning layers. L11 PK full run (922 drugs) + L12 repurposing (266,561 candidates) + L13 combinatorial screen (4,264 synergistic cocktails) + L14 DDI safety (47 viable) + L15 N-of-1 protocols (20 generated). 325 candidates with triple convergent evidence. 22,380 pares drug-disease procesados en 9 capas adicionales de razonamiento causal. L11 PK run completo (922 fármacos) + L12 reposicionamiento (266,561 candidatos) + L13 pantalla combinatoria (4,264 cócteles sinérgicos) + L14 seguridad DDI (47 viables) + L15 protocolos N-of-1 (20 generados). 325 candidatos con triple evidencia convergente.

2,640
L7 Gaps (post-cap)
41,396 raw pre-cap · 2,173 GAP_HIGH
44/50
L8 Knockout
CRITICAL+HIGH · CbGbCtD DWPC
705
L10 CRITICAL
+ 758 HIGH · 863 MEDIUM
325
Platinum StandardEstándar Platino
L2 ∩ L7HIGH ∩ L10CRITICAL
22,380
L11 PK Full Run
922 fármacos PK reales · 7,497s (~2h 5min) · ki_cache para re-run ~5min
266k
L12 Candidatos
Reposicionamiento 22,380 pares · top: eplerenone→GR·melanoma ΔTO=+10.1pp ⭐
4,264
L13 Sinérgicos
SYNERGISTIC_POTENT / 7,800 combos · 10 enfermedades · top-40 candidatos/enfermedad
47
L14 DDI-Safe
Cócteles viables / 100 evaluados · DDI_safety_idx < 0.85 · dosis combo 50%
20
L15 Protocolos N-of-1
Protocolos clínicos generados · top: anastrozole+idarubicin → melanoma ⭐
L7 — GapQueue Hub-bias eliminated — 3 wavesHub-bias eliminado — 3 oleadas
Wave 1 · Oncology penaltyOleada 1 · Penalización oncología
erlotinib/fluorouracil → hypertension eliminated. Therapeutic class cross-penalty (oncology→chronic_benign=0.05).erlotinib/fluorouracil → hipertensión eliminado. Penalización cruzada de clase terapéutica.
Wave 2 · depth=1 filterOleada 2 · Filtro depth=1
milrinone: 4,439 inferred targets → 2 direct targets. Only confirmed drug-gene edges at depth=1.milrinone: 4.439 targets inferidos → 2 targets directos. Solo edges confirmados depth=1.
Wave 3 · Diversity capOleada 3 · Cap de diversidad
baclofen/remifentanil monopoly eliminated. Max 5 gaps/drug (Agrawal 2009 KDD). 41,396 raw → 2,640 post-cap.Monopolio baclofen/remifentanil eliminado. Máx 5 gaps/drug (Agrawal 2009 KDD). 41.396 raw → 2.640 post-cap.
L8 — Knockout DWPC 44/50 CRITICAL+HIGH · CbGbCtD metapath (Himmelstein 2017)
Drug Disease Gene DWPC VerdictVeredicto
eplerenonemelanomapgr0.280 ★CRITICAL
selegilineendogenous_depressioncartpt0.256 ★CRITICAL
mephenterminehypertensioncartpt0.249 ★CRITICAL
ritodrineskin_canceradrb30.246 ★CRITICAL
emtricitabinethyroid_cancerdnmt10.217 ★CRITICAL
L10 — WorldModel 705 CRITICAL · 758 HIGH · 863 MEDIUM — Research priorities705 CRITICAL · 758 HIGH · 863 MEDIUM — Prioridades
705
CRITICAL
758
HIGH
863
MEDIUM
275
LOW
Drug Disease Urgency Tier
alcaftadineParkinson's0.179CRITICAL
mephenterminehypertension0.178CRITICAL
loratadineAlzheimer's0.175CRITICAL
loratadineParkinson's0.175CRITICAL
emtricitabinethyroid_cancer0.156CRITICAL
selegilineendogenous_depression0.138CRITICAL
trifluridinemelanoma0.136CRITICAL
Thresholds: CRITICAL≥0.060 · HIGH≥0.040 · Penalty oncology→chronic_benign=0.05 Umbrales: CRITICAL≥0.060 · HIGH≥0.040 · Penalización oncología→crónica_benigna=0.05
L11 – L15 Applied layers — from candidates to clinical protocolsCapas aplicadas — de candidatos a protocolos clínicos
L11 · PK Safety
Pharmacokinetic safety filter: target occupancy (TO), half-life, bioavailability, and blood-brain-barrier crossing for all 922 drugs. Flags candidates where TO at therapeutic dose is insufficient to reach the causal gene target. 22,380 pairs evaluated · ki_cache for ~5min re-run.Filtro farmacocinético: ocupación de diana (TO), vida media, biodisponibilidad y cruce de barrera hematoencefálica para 922 fármacos. Marca candidatos donde TO a dosis terapéutica es insuficiente. 22,380 pares evaluados.
L12 · Extended Repurposing
Full repurposing scan beyond the 22,380 benchmark: 266,561 candidates generated by scanning all corpus-connected drugs against all 108 diseases, with PK and safety filters from L11 applied. Top: eplerenone → melanoma (ΔTO=+10.1pp, gene: PGR).Escaneo completo más allá del benchmark: 266,561 candidatos generados. Top: eplerenone → melanoma (ΔTO=+10.1pp, gen: PGR).
L13 · Combinatorial Synergy
Screens 2-drug cocktails for additive/synergistic causal coverage: two drugs together may cover a causal path that neither covers alone. 7,800 combinations evaluated · 4,264 rated SYNERGISTIC_POTENT. Focused on 10 high-priority diseases.Cribado de cócteles de 2 fármacos por sinergia causal. 7,800 combinaciones · 4,264 SYNERGISTIC_POTENT.
L14 · DDI Safety Filter
Drug-drug interaction (DDI) safety screen on all L13 synergistic cocktails. A cocktail passes if DDI safety index < 0.85 and both drugs are dosed at 50% of monotherapy. 47 viable cocktails from 100 evaluated. Zero known severe DDIs in the surviving set.Filtro de interacciones fármaco-fármaco (DDI). Índice DDI < 0.85, dosis al 50%. 47 cócteles viables de 100 evaluados.
L15 · N-of-1 Clinical Protocols
Generates structured single-patient clinical trial protocols (N-of-1 design) for the top DDI-safe cocktails: washout period, dosing schedule, primary endpoints, and monitoring plan. 20 protocols generated. Top: anastrozole + idarubicin → melanoma.Genera protocolos clínicos N-de-1 estructurados para los mejores cócteles DDI-seguros. 20 protocolos generados. Top: anastrozole + idarubicin → melanoma.
CROSS-LAYER Multi-layer convergence — strongest signal in biomedical AIConvergencia multi-capa — señal más fuerte en IA biomédica
Platinum StandardEstándar Platino
325
L2 ∩ L7HIGH ∩ L8CRITICAL — triple convergent evidence — triple evidencia convergente
Top: eplerenone→melanoma pgr DWPC=0.280 ★
Triple ConvergenceTriple Convergencia
5
L6 ∩ L7 ∩ L10 — causal + epistemic + urgency — causal + epistémico + urgencia
chlordiazepoxide→ulcerative_colitis · ziprasidone→MS · calcium_acetate→scleroderma
Keystone Genes (L8 top-50)Genes Clave (L8 top-50)
cartpt → ALS + Depression + Hypertension  DWPC=0.99 ★
pde4b  → Alzheimer + Parkinson + Hypertension
abcc3  → Pancreatic + T2D + Kidney cancer
dck    → Ocular + Melanoma + Salivary
Drug Repurposing Map — pde4b hubMapa Repurposing — hub pde4b
alcaftadine → pde4b → Alzheimer + Parkinson
cyproheptadine → pde4b → Alzheimer + Parkinson
loratadine → pde4b → Alzheimer + Parkinson
All H1 antihistamines — pharmacological class convergence via single geneTodos antihistamínicos H1 — convergencia de clase farmacológica por gen único
Pearson correlations (n=20 CRITICAL):Correlaciones Pearson (n=20 CRITICAL):
L10 urgency × L7 gap_score  r=+0.568
L10 urgency × L7 jaccard  r=+0.312
L7 jaccard × L7 gap_score  r=+0.609

Full transparency Transparencia total

Audit the engine. You decide if you trust it. Audita el motor. Tú decides si confiar.

All pipeline output files are available for independent download and review. Layer by layer. Todos los archivos del pipeline están disponibles para descarga y revisión independiente. Capa por capa.

L1 JSON ↓
Corpus Stats
6,095,652 triples · 108 diseases · 922 drugs 6,095,652 tripletes · 108 enfermedades · 922 fármacos
L2+L3 TSV ↓
Drug-Centric Validation Validación Drug-Centric
Full ranking: 922 drugs × 108 diseases. Recall@10=28.6% Ranking completo: 922 fármacos × 108 enfermedades. Recall@10=28.6%
L4 TSV ↓
Repurposing Candidates
Drugs with high algebraic score for unapproved indications Fármacos con señal cuántica para indicaciones no aprobadas
L5 TSV ↓
Causal Chains Cadenas Causales
drug → gene → process → disease with bibliographic evidence drug → gen → proceso → enfermedad con evidencia bibliográfica
L6 TSV ↓
Causal Primes CPE v2
14 universal biological operators per drug-disease pair 14 operadores biológicos universales por par drug-disease
L7 TSV ↓
GapQueue — Hypotheses GapQueue — Hipótesis
77,196 gaps · research agenda ranked by informational value 77,196 gaps · agenda de investigación ordenada por valor
L8 TSV ↓
Causal Knockout Knockout Causal
Do-calculus on graph · critical resistance control points Do-calculus sobre grafo · puntos críticos de resistencia
L9 TSV ↓
Knowledge Distillation Destilación de Conocimiento
10 domain shards · int8 compression · SHA-256 per shard · 6,595 KB total 10 shards por dominio · compresión int8 · SHA-256 por shard · 6.595 KB total
L10 TSV ↓
World Model
Temporal urgency · expected impact · global prioritization Urgencia temporal · impacto esperado · priorización global
L3 ALL TSV ↓
De-novo Complete UniverseUniverso Completo De-novo
449 candidates · col evaluated=1/0 · pre-L8 algebraic selection 449 candidatos · col evaluated=1/0 · pre-selección cuántica
L7 RAW TSV ↓
GapQueue Pre-Cap UniverseGapQueue Universo Pre-Cap
41,396 gaps before diversity cap · full auditable universe 41,396 gaps antes del cap de diversidad · universo auditable completo
L8 ALL TSV ↓
Knockout Eligible UniverseUniverso Elegibles Knockout
6,397 eligible pairs · col l8_evaluated=1/0 · pre-top50 6,397 pares elegibles · col l8_evaluated=1/0 · pre-top50
ALL MD ↓
Pipeline Manifest + Shards IndexManifiesto + Índice de Shards
knowledge_manifest.json · SHA-256 anchor · 9 int8 shards index knowledge_manifest.json · ancla SHA-256 · índice 9 shards int8
L11 PK TSV ↓
PK Safety · Target Occupancy Seguridad PK · Ocupación del Target
50 CRITICAL pairs · Clark eq. · TO at max approved dose 50 pares CRITICAL · ec. Clark · TO a dosis máx. aprobada
L12 REP TSV ↓
Extended Dose · Repurposing Hits Dosis Extendida · Hits de Repurposing
Pilot: 11 hits · 6 drugs · Full run: 266,561 candidates Piloto: 11 hits · 6 fármacos · Run completo: 266,561 candidatos
L13 COM TSV ↓
Combinatorial Synergy · Top-100 Sinergia Combinatoria · Top-100
4,264 SYNERGISTIC_POTENT / 7,800 combos · 10 diseases · Score_SYN model 4,264 SYNERGISTIC_POTENT / 7,800 combos · 10 enfermedades · modelo Score_SYN
L14 DDI TSV ↓
DDI-Safe Cocktails · 47 viable Cócteles DDI-Safe · 47 viables
47 viable / 100 evaluated · DDI_idx < 0.85 · combo dose at 50% 47 viables / 100 evaluados · DDI_idx < 0.85 · dosis combo al 50%
L15 N1P TSV ↓
N-of-1 Protocol Index · 20 protocols Índice Protocolos N-of-1 · 20 protocolos
20 clinical protocols from 47 DDI-safe cocktails · top: anastrozole+idarubicin → melanoma 20 protocolos clínicos desde 47 cócteles DDI-safe · top: anastrozole+idarubicin → melanoma
⚗️
Pilot StudyEstudio Piloto · L11 + L12

PK Safety & Repurposing in Terminal Diseases Seguridad PK y Repurposing en Enfermedades Terminales

On the 50 CRITICAL pairs from L10, we applied a pharmacokinetic model (Clark equation) to estimate target occupancy at approved doses and detect repurposing opportunities with documented safety margins. Sobre los 50 pares CRITICAL del L10, aplicamos un modelo farmacocinético (ecuación de Clark) para estimar la ocupación del target a dosis aprobadas y detectar oportunidades de repurposing con margen de seguridad documentado.

50
Pairs evaluatedPares evaluados
CRITICAL tier · L10→L11
26%
POTENT_AT_MAX
TO ≥ 50% at approved dosea dosis aprobada
11
Repurposing hitsHits repurposing
6 drugs · 11 new targetsnuevos targets
Safety factorFactor seguridad
ceiling = dose_toxic / 2.0
Top hitHit principal
Eplerenone → Glucocorticoid Receptor (GR) · Melanoma
Eplerenone (aldosterone antagonist, approved for hypertension) shows affinity for GR at Ki≈838 nM. At extended dose ceiling (75 mg, 2× safety factor), the model predicts ≥50% receptor occupancy. GR is documented as a driver of immunotherapy resistance in melanoma — a target not covered by any approved agent for this indication. Eplerenone (antagonista de aldosterona, aprobado para hipertensión) muestra afinidad por GR con Ki≈838 nM. A dosis extendidas (ceiling 75 mg, factor seguridad 2×), el modelo predice ocupación ≥50% del receptor. El GR está documentado como driver de resistencia a inmunoterapia en melanoma — un target no cubierto por ningún agente aprobado para esta indicación.
POTENT_SECONDARY_SCAN ΔTO +10.1pp Extended 75mg Ki 838 nM
DrugFármaco New targetNuevo target Ki (nM) ΔTO ModeModo Ext. doseDosis ext.
Eplerenone Glucocorticoid R. 838 +10.1pp POTENT_2ND 75 mg
Labetalol SLC28A3 (transporter) 2100 +10.1pp POTENT_2ND 600 mg
Labetalol SLC28A1 (transporter) 1800 +10.1pp POTENT_2ND 600 mg
Aminoglutethimide Sigma-1 R. 10000 +10.1pp POTENT_2ND 1500 mg
Aminoglutethimide CB receptor 10000 +10.1pp POTENT_2ND 1500 mg
Cyproheptadine 5-HT2 R. 40 +8.4pp EXT_UNLOCK 80 mg
Cyproheptadine 5-HT1A R. 42 +8.0pp EXT_UNLOCK 80 mg
Cyproheptadine 5-HT3 R. 62 +5.8pp EXT_UNLOCK 80 mg
Glimepiride Secondary targetTarget secundario 50 +3.9pp EXT_UNLOCK 12 mg
Glipizide DPP-4 2700 +2.2pp EXT_UNLOCK 60 mg
⚠️
Computational hypothesis — not a clinical recommendation.Hipótesis computacional — no es recomendación clínica. All hits require experimental validation (binding assay, cellular model, animal model). PHYSICIAN_REVIEW_REQUIRED = TRUE on all records. PK model uses public ChEMBL + FDA label data; inter-individual variability is not captured. Todos los hits requieren validación experimental (ensayo de unión, modelo celular, modelo animal). PHYSICIAN_REVIEW_REQUIRED = TRUE en todos los registros. El modelo PK usa datos públicos de ChEMBL + FDA labels; la variabilidad inter-individual no está capturada.
🧪
Full RunRun Completo · L13 + L14 + L15

Combinatorial Cocktails, DDI Safety & N-of-1 Protocols Cócteles Combinatorios, Seguridad DDI y Protocolos N-of-1

From the 22,380 drug-disease pairs evaluated in L11/L12, the top candidates from each disease were combined (L13), filtered by pharmacokinetic interaction safety (L14), and the viable cocktails were formulated as N-of-1 clinical protocols (L15). De los 22,380 pares drug-disease evaluados en L11/L12, los mejores candidatos por enfermedad fueron combinados (L13), filtrados por seguridad de interacción farmacocinética (L14), y los cócteles viables formulados como protocolos clínicos N-of-1 (L15).

7,800
Combos evaluatedCombos evaluados
L13 · 10 enf. × 780 combos
4,264
SYNERGISTIC_POTENT
54.7% de los combos
100
DDI evaluatedDDI evaluados
L14 · top-10 por enfermedad
47
DDI-Safe viable
DDI_idx < 0.85 · dosis 50%
20
N-of-1 ProtocolsProtocolos N-of-1
L15 · generados en ES
Top cocktailTop cóctel · L13+L14+L15
Anastrozole + Idarubicin → Melanoma
Score_SYN = 0.2304 (highest in full run). DDI_safety_idx = 0.667 (SAFE). Competitive target occupancy model: both drugs reach ≥50% TO at 50% of their max dose. N-of-1 protocol generated: N1P_melanoma_anastrozole_idarubicin.md Score_SYN = 0.2304 (máximo en el run completo). DDI_safety_idx = 0.667 (SAFE). Modelo de ocupación competitiva: ambos fármacos alcanzan ≥50% TO al 50% de su dosis máxima. Protocolo N-of-1 generado: N1P_melanoma_anastrozole_idarubicin.md
SYNERGISTIC_POTENT SAFE_DDI N1P generado DDI_idx 0.667
DiseaseEnfermedad Sinérgicos / 780 Top cóctel
Alzheimer's disease57774%amitriptyline+loratadine
ALS52667%apomorphine+pramipexole ⭐
Parkinson's disease51866%amitriptyline+desipramine
Melanoma51466%anastrozole+idarubicin ⭐
Endogenous depression48162%amitriptyline+idarubicin
Hypertension40552%amitriptyline+droperidol
Colon cancer40752%anastrozole+idarubicin
Thyroid cancer41653%amitriptyline+idarubicin
Obesity22929%amitriptyline+haloperidol
T2 Diabetes19124%amitriptyline+glipizide
⚠️
Computational hypothesis — not a clinical recommendation.Hipótesis computacional — no es recomendación clínica. All cocktails require experimental validation. N-of-1 protocols are research frameworks only. PHYSICIAN_REVIEW_REQUIRED = TRUE. Combo dose at 50% max is a model assumption; actual clinical dosing requires individual PK/PD assessment. Todos los cócteles requieren validación experimental. Los protocolos N-of-1 son marcos de investigación únicamente. PHYSICIAN_REVIEW_REQUIRED = TRUE. La dosis combinada al 50% es una suposición del modelo; la dosificación clínica real requiere evaluación PK/PD individual.
🔒
Files generated directly by the pipeline without post-processing. Verify integrity with audit_MANIFEST.json. The pipeline is fully reproducible. Archivos generados directamente por el pipeline sin modificación post-proceso. Verifica la integridad con audit_MANIFEST.json. El pipeline es completamente reproducible.
Download Manifest ↓ Descargar Manifiesto ↓


TRL 4  ·  Seeking PartnersTRL 4  ·  Buscando Socios

Partner with EasyAtomColabora con EasyAtom

Computationally validated. Seeking pharma, biotech, and academic partners for wet-lab confirmation and corpus augmentation. One confirmed Platinum Standard prediction = validated discovery platform. Validado computacionalmente. Buscamos socios pharma, biotech e instituciones académicas para confirmación wet-lab y estudios de expansión de corpus. Una predicción Platinum Standard confirmada = plataforma de descubrimiento validada.

Mode 1Modo 1
Corpus Augmentation PilotPiloto de Augmentación
Provide proprietary preclinical data (NDA). EasyAtom ingests and returns a custom repurposing report with causal chains for your compound library. Turnaround: 2–4 weeks.Provee datos preclínicos propietarios (NDA). EasyAtom ingesta y devuelve reporte de reposicionamiento con cadenas causales para tu biblioteca. Entrega: 2–4 semanas.
Mode 2Modo 2
Co-Validation StudyEstudio de Co-Validación
Joint wet-lab validation of top Platinum Standard candidates. Co-authorship on publication. Target: top-3 loratadine/PDE4B/Alzheimer’s candidates.Validación wet-lab conjunta de los mejores candidatos Platinum. Co-autoría en publicación. Target: top-3 loratadine/PDE4B/Alzheimer.
Mode 3Modo 3
Engine LicenseLicencia del Motor
Full C++20 source + corpus + pipeline scripts. Run on your own infrastructure, 100% offline. No cloud dependency, no recurring API costs.C++20 fuente completo + corpus + scripts del pipeline. Corre en tu infraestructura, 100% offline. Sin dependencia cloud.
Are you a wet-lab, academic group, or biotech with validation capacity?¿Eres un laboratorio wet-lab, grupo académico o biotech con capacidad de validación?
We offer a blinded validation test with your own therapeutic compounds — the engine scores them against 108 diseases with full causal chain output, before you share any known indications. If the engine finds what you already know, it earns the right to show you what you don't. Ofrecemos una prueba de validación ciega con tus propios compuestos terapéuticos — el motor los puntúa contra 108 enfermedades con cadenas causales completas, antes de que compartas indicaciones conocidas. Si el motor encuentra lo que ya sabes, gana el derecho a mostrarte lo que no sabes.
Request Blinded Test →Solicitar Prueba Ciega → Review Audit Data FirstRevisar Datos de Auditoría Download DocumentsDescargar Documentos
Full technical due diligence: easyatom-engine.web.app  ·  info@easyhelpcare.com  ·  NDA available on request Due diligence técnico completo: easyatom-engine.web.app  ·  info@easyhelpcare.com  ·  NDA disponible bajo solicitud

Causal Reasoning Output  ·  Zero-Shot  ·  Fully AuditableSalida de Razonamiento Causal  ·  Zero-Shot  ·  Completamente Auditable

10 Hypotheses Generated by the Engine10 Hipótesis Generadas por el Motor

These are not curated discoveries — they are causal drug-repurposing hypotheses ranked by the EasyAtom algebraic engine from a 6M-triple biomedical graph, with no supervised training. Two categories: retrospective rediscoveries (known therapies the engine found independently) and prospective predictions (uncharted territory with auditable causal chains). No son descubrimientos curados — son hipótesis de reposicionamiento generadas por el motor algebraico EasyAtom desde un grafo biomédico de 6M tripletes, sin entrenamiento supervisado. Dos categorías: redescubrimientos retrospectivos (terapias conocidas que el motor encontró de forma independiente) y predicciones prospectivas (territorio inexplorado con cadenas causales auditables).

✓ Retrospective Rediscovery ◆ Strong Retrospective → Prospective Hypothesis
# Drug → DiseaseFármaco → Enfermedad Engine RankRango Motor Gap Score Jaccard CategoryCategoría
1 Etidronic acid Paget's Disease of Bone #1 0.5215 1.00 ✓ Retrospective
2 Etidronic acid Osteoporosis #1 0.4673 1.00 ✓ Retrospective
3 Etidronic acid Osteoarthritis #1 0.4668 1.00 ◆ Strong Retrospective
4 Latanoprost Glaucoma #1 0.4123 1.00 ✓ Retrospective
5 Solifenacin Rheumatoid Arthritis #1 0.4347 1.00 → Prospective
6 Baclofen Larynx Cancer #1 0.4029 1.00 → Prospective
7 Remifentanil Alzheimer's Disease #1 0.3719 1.00 → Prospective
8 Loratadine Alzheimer's Disease Top 3 0.3566 1.00 → Prospective
9 Terlipressin Type 1 Diabetes #1 0.4143 1.00 → Prospective
10 Alcaftadine ALS (Motor Neuron Disease) #1 0.3649 1.00 → Cross-class Prospective
Best Retrospective RediscoveryMejor Redescubrimiento Retrospectivo
Etidronate → Paget's Disease
The engine ranked etidronic acid #1 for Paget's disease (gap=0.5215, Jaccard=1.00) with no knowledge that it was the historically approved therapy. The FDA approved etidronate for Paget's in the 1980s. This is a clean retrospective validation: the engine independently rediscovered a clinical relationship from biomedical graph topology alone. El motor rankeó ácido etidrónico #1 para enfermedad de Paget (gap=0.5215, Jaccard=1.00) sin saber que era la terapia históricamente aprobada. La FDA aprobó etidronato para Paget en los 1980s. Validación retrospectiva limpia: el motor redescubrió independientemente la relación clínica.
Gap #1 in pipeline FDA-approved historically Jaccard=1.00
Strongest Standard-of-Care SignalSeñal Más Fuerte de Estándar de Cuidado
Latanoprost → Glaucoma
Latanoprost (Xalatan) is the current standard of care for glaucoma. The engine ranked it #1 with gap=0.4123 and 175 supporting PubMed papers found in Validation A. With zero "treats" edges as input, a rank-1 signal this strong indicates the engine is capturing real biological structure — not memorizing labels. Latanoprost (Xalatan) es el estándar de cuidado actual para glaucoma. El motor lo rankeó #1 con gap=0.4123 y 175 papers PubMed de soporte en Validación A. Sin edges "treats" como entrada, una señal rank-1 tan fuerte indica que el motor captura estructura biológica real — no memoriza etiquetas.
175 PubMed papers Current standard of care Validation A hit
Priority Prospective HypothesisHipótesis Prospectiva Prioritaria
Loratadine → Alzheimer's Disease
Loratadine — a $4 OTC antihistamine — ranks as a top-3 Alzheimer's candidate (gap=0.3566, Jaccard=1.00) via histaminergic H1/H3 modulation → amyloid and tau pathway interference. Zero post-2023 papers on this combination. The engine's loop suggestion: "High-priority: Binding assay loratadine→?; validate in Alzheimer's cell model." A 6-week binding assay is sufficient to falsify or support this hypothesis. Loratadina — antihistamínico OTC de $4 — rankea como candidato top-3 para Alzheimer (gap=0.3566, Jaccard=1.00) vía modulación histaminérgica H1/H3 → interferencia en vías de amiloide y tau. Cero papers post-2023 sobre esta combinación. Un ensayo de unión de 6 semanas es suficiente para falsificar o apoyar esta hipótesis.
$4 OTC drug 0 post-2023 papers 6-week falsifiable
Cross-Class Hypothesis — No Cure ExistsHipótesis Cross-Class — Sin Cura Existente
Alcaftadine → ALS (Motor Neuron Disease)
Alcaftadine is an ophthalmic antihistamine — used as eye drops for allergic conjunctivitis. ALS (amyotrophic lateral sclerosis) is a fatal motor neuron disease with no cure. The engine ranked alcaftadine #1 for ALS (gap=0.3649, Jaccard=1.00), with structural similarity to cyproheptadine, a drug with documented connections to ALS biology. Cross-class means the drug and disease come from entirely different therapeutic domains — yet 100% of the drug's molecular neighborhood overlaps with ALS-relevant biology in the graph. This is what "cross-class total" means: zero clinical overlap, total molecular overlap. Alcaftadina es un antihistamínico oftálmico — colirio para conjuntivitis alérgica. ELA (esclerosis lateral amiotrófica) es una enfermedad de motoneurona fatal sin cura. El motor rankeó alcaftadina #1 para ELA (gap=0.3649, Jaccard=1.00), con similitud estructural a ciproheptadina, fármaco con conexiones documentadas a biología de ELA. Cross-class significa que el fármaco y la enfermedad vienen de dominios terapéuticos completamente distintos — pero el 100% del vecindario molecular del fármaco se superpone con biología relevante de ELA en el grafo. Eso es lo que significa "cross-class total": cero superposición clínica, superposición molecular total.
No cure exists (ALS) Jaccard=1.00 cross-class Similar to selegiline pathway
What these hypotheses demonstrateQué demuestran estas hipótesis

EasyAtom independently rediscovered etidronate for Paget's disease (historically approved therapy), ranked latanoprost #1 for glaucoma (current standard of care), and generated prospective hypotheses including loratadine for Alzheimer's disease, baclofen for larynx cancer, and alcaftadine for ALS through causal graph reasoning — without supervised training on any drug-disease treatment pair. The alcaftadine→ALS case illustrates what "cross-class" means: an ophthalmic antihistamine with no known neurological use, yet with 100% molecular neighborhood overlap with ALS-relevant biology. The engine's primary value is not any single prediction: it is a causal system that reproducibly reconstructs known therapeutic relationships from graph topology alone, then applies the same reasoning to diseases with no cure. EasyAtom redescubrió independientemente el etidronato para la enfermedad de Paget (terapia históricamente aprobada), rankeó latanoprost #1 para glaucoma (estándar de cuidado actual), y generó hipótesis prospectivas incluyendo loratadina para Alzheimer, baclofeno para cáncer de laringe, y alcaftadina para ELA — sin entrenamiento supervisado en ningún par droga-enfermedad. El caso alcaftadina→ELA ilustra qué significa "cross-class": un antihistamínico oftálmico sin uso neurológico conocido, pero con superposición molecular del 100% con biología relevante de ELA. El valor principal del motor no es ninguna predicción individual: es un sistema causal que reconstruye reproduciblemente relaciones terapéuticas conocidas desde la topología del grafo, y luego aplica el mismo razonamiento a enfermedades sin cura.


Due Diligence PackagePaquete de Due Diligence

Documents & ResourcesDocumentos y Recursos

Four documents for pharma, biotech, and academic partners. All printable as PDF from browser (Ctrl+P).Cuatro documentos para socios pharma, biotech e instituciones académicas. Imprimibles como PDF desde el navegador.

DOC 1  ·  1 PAGE
Executive One-PagerOne-Pager Ejecutivo
Problem, solution, key metrics, what we're seeking. For C-suite and BD meetings.Problema, solución, métricas clave, qué buscamos. Para dirección y BD.
Open / Print PDFAbrir / Imprimir PDF
DOC 2  ·  8 PAGES
Technical WhitepaperWhitepaper Técnico
Architecture, corpus, 16-layer pipeline, full benchmarks, comparison with GNNs, honest limitations.Arquitectura, corpus, pipeline 16 capas, benchmarks completos, comparación GNNs, limitaciones.
Open / Print PDFAbrir / Imprimir PDF
DOC 3  ·  5 CASES
Retrospective ValidationDossier de Validación
5 cases: fluoxetine, erlotinib, azacitidine, alogliptin, carboplatin recovered at rank 1–3 using only gene-level data.5 casos recuperados en rank 1-3 solo con datos de nivel génico.
Open / Print PDFAbrir / Imprimir PDF
DOC 4  ·  9 PREDICTIONS
Prospective PredictionsPredicciones Prospectivas
Alzheimer's (loratadine/PDE4B), Glioma (baclofen/eplerenone), Bone disease (etidronic acid) — full causal chains.Alzheimer (loratadine/PDE4B), Glioma (baclofen/eplerenone), Hueso (ácido etidrónico).
Open / Print PDFAbrir / Imprimir PDF

AboutEmpresa

EasyHelpCare LLC

Company
State: Florida, USA
Founded: February 17, 2026
Focus: AI-assisted drug repurposing
Stage: TRL 4 — seeking validation partner
License: BSL 1.1 (free for research)
Team
Enrique Riveron
Chief Executive Officer
Adrian Riveron
Chief Technology Officer
Contact