El aprendizaje profundo se ha convertido en una herramienta estándar en las primeras fases del descubrimiento de fármacos para dos tareas: predecir cómo se coloca una molécula pequeña en el bolsillo de unión de una proteína, lo que se conoce como generación de poses, y predecir con qué fuerza se une. Decenas de funciones de puntuación afirman hoy resultados punteros. En una Perspective en Nature Machine Intelligence, Viet-Khoa Tran-Nguyen y Pedro Ballester sostienen que esas afirmaciones se han vuelto difíciles de comparar y proponen pautas para evaluar estos modelos.
Su lista es breve y práctica. Los datos de entrenamiento, el código y los procedimientos deben publicarse para que otros puedan reproducir, reutilizar y examinar el trabajo. Los estudios deben protegerse de la fuga de datos, cuando las moléculas o proteínas de prueba se parecen demasiado a las de entrenamiento, del sesgo de muestreo y de los diseños defectuosos. Las comparaciones deben usar particiones de datos comunes, comprobar cuánto varían los resultados de un entrenamiento a otro e incluir referencias adecuadas, para medir un método nuevo frente a algo sencillo y no solo frente al último rival.
El artículo se apoya en trabajos que ya habían señalado el problema. El grupo de Ballester ha mostrado antes que las particiones por andamiaje, una forma habitual de separar moléculas de entrenamiento y de prueba, sobrestiman el rendimiento del cribado virtual, y una prueba de 2026 llamada NextTopDocker, firmada por ambos investigadores, encontró limitaciones en el acoplamiento molecular de extremo a extremo con aprendizaje automático y ventajas en los enfoques híbridos que vuelven a puntuar resultados clásicos. Trabajos sobre la aleatoriedad en las comparaciones de redes neuronales, que los autores también citan, muestran que una sola ejecución puede favorecer o hundir un método.
Para quien elige un modelo de acoplamiento o de afinidad, las pautas sirven también como lista de control para leer artículos y fichas de modelos. Una afirmación sin particiones compartidas, ejecuciones repetidas y una referencia sencilla merece menos peso, por grande que sea la mejora anunciada.
Los límites son los de cualquier Perspective. Propone normas en lugar de presentar resultados nuevos, y solo pudimos leer su resumen y su lista de referencias, no el texto completo, así que no podemos informar de cómo valora herramientas concretas. Las pautas dependen además de que se exijan: si revistas, revisores y responsables de pruebas no piden estas comprobaciones, seguirá habiendo incentivos para publicar la cifra más favorable.