Pharma Loop Engineering

• 

  Dashboard

⬡ Inspiration

El descubrimiento de fármacos tradicional tarda más de una década y cuesta miles de millones. El reposicionamiento acorta este camino, pero la cantidad de combinaciones químicas posibles es astronómica. Diseñamos PharmaFuture 2050 para automatizar esta exploración mediante un laboratorio virtual autónomo donde agentes de IA especializados simulan un comité científico que evoluciona hipótesis moleculares a la velocidad de la luz.

⬡ What it does

El usuario ingresa una enfermedad objetivo y un clúster multi-agente ejecuta un bucle evolutivo en tiempo real:

• Generator: Propone una combinación química novedosa.
• Critic: Evalúa la coherencia biomédica y descarta riesgos.
• Ranker & Evolver: Puntúan la hipótesis mediante un fitness score y pulen el mecanismo.
• Meta: Determina si el ciclo continúa o se consolida.

El sistema cuenta con un Command Center que muestra métricas vivas y gráficas de convergencia. Al superar el umbral de viabilidad (fitness ≥ 0.80), el Paper Generator extrae los datos de la base para estructurar un manuscrito académico listo para descargar en formato Markdown junto a su cita BibTeX.

⬡ How we built it

• Núcleo de IA: Pipeline multi-agente con qwen/qwen-2.5-7b-instruct mediante OpenRouter (DashScope backend).
• Base de Datos: Supabase (PostgreSQL) con canales Realtime para la transmisión en vivo de evolution_logs hacia la terminal de la interfaz.
• Frontend: Desarrollado sobre TanStack React Start para funciones de servidor fuertemente tipadas, Framer Motion y Recharts, desplegado en Vercel.
• Resiliencia: Capa de tolerancia a fallos con AbortController (timeouts de 45s), reintentos con backoff exponencial y validación estricta de esquemas JSON con Zod.

⬡ Challenges we ran into

• Bloqueos Silenciosos en BD: Triggers ocultos y descalces de esquemas antiguos abortaban transacciones. Lo resolvimos limpiando las restricciones obsoletas de la tabla hypotheses y forzando excepciones explícitas con .throwOnError().
• Prosa en Respuestas JSON: Los modelos de código abierto tendían a incluir texto explicativo fuera del JSON. Implementamos una captura robusta mediante expresiones regulares y estructuras de respaldo nativas en Zod.
• Descalce de Estado en Interfaz: Las hipótesis válidas se guardaban en el disco duro pero no sumaban en el marcador visual. Detectamos que el frontend filtraba estrictamente por el estado lingüístico 'publicado', por lo que alineamos la mutación final del backend.

⬡ Accomplishments that we're proud of

• Convergencia de Fitness Perfecta: Logramos un score de 1.000 en vivo, consolidando de manera autónoma una combinación sinérgica real de Aspirina y Metformina para Enfermedades Inflamatorias Crónicas.
• Resiliencia Total del Clúster: Si un nodo de IA sufre throttling o timeout, el orchestrador registra el log de error en el sistema pero no interrumpe el flujo evolutivo del usuario.
• Acoplamiento Dinámico: Conectar con éxito el procesamiento crudo de los LLMs directamente con la generación automática de literatura científica real y descargable.

What we learned

• Validación en Tiempo de Ejecución: En arquitecturas concurrentes multi-agente, validar la integridad de los datos con Zod antes de tocar la base de datos es obligatorio para evitar la corrupción del estado.
• Control sobre el Prototipado: Las herramientas visuales aceleran el diseño del frontend, pero el éxito en producción depende del control quirúrgico de tus esquemas físicos de base de datos.

⬡ What's next for Pharma Loop Engineering

• Gráficos de Conocimiento Biomédico: Conectar el agente Critic con bases de datos clínicas reales (como PrimeKG) para contrastar las combinaciones propuestas con interacciones genéticas validadas.
• Compilación Nativa a PDF: Integrar soporte para exportaciones directas a PDF con formatos académicos avanzados y soporte de ecuaciones en LaTeX.

Built With

• python