Péptidos Diseñados por IA y el Pipeline que Ningún Químico Diseñó

Última revisión: septiembre de 2026

Respuesta Rápida

Los péptidos diseñados por IA son secuencias de aminoácidos propuestas y refinadas por modelos generativos, en lugar de ser diseñadas por químicos medicinales. Hasta septiembre de 2026, solo un candidato de este tipo ha sido públicamente confirmado como ingresado a ensayos en humanos, y varias de las afirmaciones sobre plataformas que circulan en línea no resisten una verificación de las fuentes primarias. Lo que sigue es esa verificación: qué hacen realmente los algoritmos, qué programas cuentan con resultados experimentales reales detrás, y dónde el registro todavía se sostiene solo en anuncios.

Puntos Clave

• Solo un péptido terapéutico diseñado por IA ha sido públicamente confirmado como ingresado a ensayos en humanos: PQ203 de ProteinQure, un conjugado péptido-fármaco para cáncer de mama triple negativo, con su primera dosis en Fase I en septiembre de 2025 [1][2].
• Las afirmaciones de "al menos 15" péptidos diseñados por IA en ensayos atribuyen erróneamente a los péptidos específicamente un recuento de 2022 que abarcaba todas las modalidades; ninguna fuente primaria respalda un recuento de péptidos superior a uno [4][5].
• La plataforma PepPrCLIP de Duke University diseñó péptidos que se unieron a la β-catenina con valores de K_D de 200 y 150 nM, y la degradaron en más del 50% en células DLD1. Se trata de trabajo en cultivo celular, sin pruebas reportadas en animales o humanos [6].
• No existe ningún algoritmo "V-SPADE" en ninguna fuente de Viva Biotech; su plataforma real es MARS/Pep2MARS, anunciada en agosto de 2026 sin puntos de referencia (benchmarks) ni validación de laboratorio divulgados [8].
• La validación experimental más sólida del campo este año proviene de ApexGO: 100 péptidos diseñados por IA sintetizados, una tasa de aciertos in vitro del 85%, y eficacia en dos modelos de infección en ratones [10].
• Pepti-Agent, un agente de IA de 2026 para el diseño de péptidos, es puramente computacional; sus autores afirman explícitamente que ningún candidato ha sido validado experimentalmente [9].
• Ningún registro hace seguimiento de los fármacos diseñados por IA, por lo que cada cifra de pipeline depende de los criterios de clasificación propios de un grupo privado [4].
• Una secuencia diseñada computacionalmente es una hipótesis hasta que se sintetiza y se pone a prueba, razón por la cual la confirmación de identidad por espectrometría de masas y las pruebas de pureza por HPLC importan al menos tanto para un péptido diseñado por IA como para cualquier otro.

Solo para Uso en Investigación. Nada de lo que se vende en 99puritypeptides.com es para consumo humano o veterinario, y nada en este artículo constituye asesoramiento médico, de dosificación o de salud. Esta página aborda la metodología de descubrimiento de fármacos y el registro publicado detrás de ella, no ningún compuesto ofrecido en este sitio.

Cómo Calificamos la Evidencia

Cada programa a continuación recibe una calificación. La escala es simple, y el umbral para una calificación alta es deliberadamente difícil de superar.

Una calificación describe la evidencia detrás de una afirmación, no la calidad del algoritmo. Un modelo brillante sin datos de laboratorio recibe una D. Ese es precisamente el punto.

¿Qué Significa Realmente que la IA "Diseñe" un Péptido?

Un péptido diseñado por IA es una secuencia que un modelo generativo propuso y optimizó computacionalmente para un objetivo antes de que cualquier químico la sintetizara. El modelo explora un espacio enorme de combinaciones posibles de aminoácidos, califica cada candidato in silico según afinidad de unión, selectividad, estabilidad y viabilidad de fabricación, e itera. Ese ciclo puede comprimir en horas de cómputo una fase de diseño que a un equipo de química medicinal le tomaría años.

Esto es distinto de usar una computadora para almacenar o buscar en bases de datos de péptidos existentes. Una búsqueda en base de datos recupera secuencias que alguien ya creó. El diseño generativo crea secuencias que nunca existieron, y luego las filtra con modelos predictivos. El trabajo de PepPrCLIP en Duke ilustra la mecánica: un componente generativo propone candidatos novedosos mediante perturbación gaussiana del espacio latente del modelo de lenguaje de proteínas ESM-2, y una arquitectura de aprendizaje contrastivo adaptada de CLIP de OpenAI clasifica luego qué candidatos deberían unirse al objetivo [6]. Pepti-Agent ejecuta un ciclo cerrado similar con un controlador basado en LLM, herramientas de generación y mutación de un solo residuo, y clasificadores basados en ProtBERT que puntúan solubilidad, hemólisis y resistencia a la incrustación (non-fouling) entre iteraciones [9].

El límite importa porque el término se estira con frecuencia. No todo uso de una computadora en el trabajo con péptidos cuenta como diseño por IA.

La demostración de Insilico Medicine en 2025 muestra la velocidad que puede alcanzar la etapa de diseño: su motor Biology42 generó más de 5,000 péptidos novedosos contra GLP-1R en un ciclo de 72 horas, sin referenciar ningún ligando conocido de GLP-1R, y 14 de los 20 candidatos sintetizados mostraron actividad biológica en pruebas de laboratorio [11]. La velocidad es real. Si esa velocidad se traduce en fármacos es una pregunta aparte, y el resto de este artículo la trata como tal.

¿Cuántos Péptidos Diseñados por IA Están Realmente en Ensayos Clínicos?

Uno. Hasta septiembre de 2026, el único péptido terapéutico diseñado por IA públicamente confirmado como ingresado a ensayos en humanos es PQ203 de ProteinQure, un conjugado péptido-fármaco para cáncer de mama triple negativo que recibió su primera dosis en Fase I en septiembre de 2025 [1]. Cuéntenlo como uno.

Esa cifra sorprenderá a quienes hayan visto números más grandes citados. Una revisión revisada por pares de 2024 describió el estado honesto del campo con palabras en lugar de números: "many innovative peptide therapeutics are in various early stages of development, including preclinical studies with a few advancing to early-phase clinical trials, as of late 2024" (muchos péptidos terapéuticos innovadores se encuentran en distintas etapas tempranas de desarrollo, incluidos estudios preclínicos, con unos pocos avanzando a ensayos clínicos de fase temprana, hasta finales de 2024) [3]. "Unos pocos" no es un recuento, y desde luego no son quince. El propio director ejecutivo de ProteinQure declaró en mayo de 2025 que la empresa estaba avanzando "what we believe to be the first AI-designed peptide therapeutic into the clinic" (lo que creemos que es el primer péptido terapéutico diseñado por IA en llegar a la clínica) [2]. Si ya hubiera una docena más en ensayos, esa declaración resultaría extraña.

La cifra de "al menos 15" parece ser una atribución errónea. El único "15" hallado en cualquier fuente se refiere explícitamente a fármacos diseñados por IA en todas las modalidades, y tiene cuatro años de antigüedad: "at least 15 AI-designed molecules in clinical development by 2022" (al menos 15 moléculas diseñadas por IA en desarrollo clínico para 2022), proveniente de un artículo de opinión de 2025 cuyo autor reconoce escribir fuera de su área de experiencia [5]. Los recuentos actuales de todas las modalidades son mucho mayores. Un resumen de conferencia ASCO/JCO de 2026 contabilizó 117 activos terapéuticos habilitados por IA en 63 empresas en ensayos intervencionistas en humanos, y el rastreador de la industria Medspark reportó más de 173 programas de fármacos diseñados por IA a principios de 2026, frente a aproximadamente dos docenas a finales de 2023 [4]. Ninguna de estas cifras es específica de péptidos, y ninguna se basa en una definición compartida.

Ese es el problema de fondo. "Diseñado por IA" no es un término regulatorio, y ClinicalTrials.gov no etiqueta el descubrimiento impulsado por IA. Un análisis de pipeline de julio de 2026 advirtió que "no single authoritative, government-maintained registry of 'AI-discovered drugs' exists" (no existe un registro único, autoritativo y mantenido por el gobierno de "fármacos descubiertos por IA"), lo que significa que cada cifra en este espacio depende de los criterios de clasificación propios de una empresa privada o de un grupo de investigación [4]. Dos rastreadores pueden reportar honestamente totales distintos porque cuentan cosas distintas.

Vale la pena mantener clara una distinción más a lo largo de todo el texto: un resultado de diseño computacional no es un resultado clínico. El anuncio de la Fase I de PQ203 reporta dosificación, no eficacia. Nadie ha publicado todavía evidencia de que un péptido diseñado por IA funcione en personas.

¿Qué Hace Diferente la Plataforma de Duke?

PepPrCLIP, del laboratorio de Pranam Chatterjee en Duke, ataca la parte del descubrimiento de fármacos que los métodos estándar manejan peor: las proteínas desordenadas. Más del 80% de las proteínas patogénicas se consideran "no farmacológicas" (undruggable) por los inhibidores estándar de molécula pequeña, porque carecen de bolsillos de unión estables [6]. Estas proteínas se parecen a cadenas enredadas y desordenadas más que a estructuras ordenadas de tipo llave-cerradura, lo que hace excepcionalmente difícil diseñar moléculas que se unan a ellas.

PepPrCLIP solo necesita la secuencia de aminoácidos del objetivo, sin estructura 3D. Su mitad generativa, PepPr, propone candidatos peptídicos novedosos a partir de un modelo de lenguaje de proteínas, y su mitad basada en CLIP clasifica cuáles deberían unirse al objetivo [7]. En pares péptido-proteína reservados del Protein Data Bank, el discriminador alcanzó una precisión binaria del 95.4% [6]. Eso es in silico, calificación D por sí solo. La parte interesante es lo que ocurrió después de la síntesis.

El equipo probó péptidos diseñados por PepPrCLIP contra la β-catenina, una proteína de señalización desordenada involucrada en varios cánceres [6]. En ensayos libres de células, los péptidos se unieron a β-catenina inmovilizada mediante ELISA y mostraron afinidad de rango nanomolar medio por interferometría de biocapa, con valores de K_D de 200 y 150 nM [6]. Fusionados a un dominio de ubiquitina-ligasa para crear "ubiquibodies" (ubicuerpos), dos diseños provocaron más del 50% de degradación de β-catenina en células de cáncer de colon DLD1, y el efecto fue bloqueado por un inhibidor del proteasoma, confirmando el mecanismo [6]. En la prueba más exigente, péptidos diseñados contra SS18-SSX1, una oncoproteína de fusión altamente desordenada responsable del sarcoma sinovial, redujeron la proteína objetivo en más del 40% en la línea celular de sarcoma HS-SY-II [6].

Experimentos independientes contra la enzima UltraID mostraron que 19 de 20 péptidos generados la inhibían en células HEK293T, con cuatro superando el 75% de eficiencia de inhibición [6]. Esa tasa de aciertos es llamativa, y es también exactamente el tipo de cifra que debería llevar a un lector a pedir replicación en un segundo laboratorio.

La calificación honesta es C: in vitro más cultivo celular, sin trabajo en animales. El artículo no contiene ninguna mención a "in vivo" ni a "ratones". La cobertura de prensa de Duke describió los péptidos como "destroying" (destruyendo) proteínas de la enfermedad, lo cual es preciso únicamente dentro del cultivo celular [7]. Nadie ha probado un diseño de PepPrCLIP en un animal, y mucho menos en una persona. La verdadera contribución de la plataforma es metodológica: diseñó moléculas de unión para objetivos sin estructura estable usando solo la secuencia, y esos diseños funcionaron en células. Eso es genuinamente difícil, y genuinamente no es lo mismo que un fármaco.

¿Existe Realmente un Algoritmo "V-SPADE"?

No. No existe ningún "V-SPADE" en ningún anuncio, publicación o cobertura de terceros de Viva Biotech que hayamos podido encontrar tras búsquedas repetidas de la frase exacta. El nombre parece ser una confusión, posiblemente una mezcla de V-Scepter, uno de los tres módulos de descubrimiento de fármacos por IA con nombre propio de la empresa, con alguna otra cosa. Frases como "simultaneous structure prediction and sequence generation" (predicción simultánea de estructura y generación de secuencia) y "all-atom co-folding and co-design" (co-plegamiento y co-diseño de todos los átomos) no aparecen en absoluto en los materiales propios de Viva Biotech [8].

Lo que Viva Biotech anunció realmente, en su comunicado de resultados provisionales del 26 de agosto de 2026, es una "MARS multimodal integrated algorithm platform" (plataforma de algoritmos integrados multimodales MARS), con "Pep2MARS" posicionada para diseñar péptidos, péptidos cíclicos y macrociclos complejos [8]. MARS se apoya en tres módulos: V-Scepter para parametrización basada en física, V-Orb para modelado impulsado por física, y V-Mantle para IA generativa, incluyendo modelos de lenguaje de gran escala para proteínas [8]. El comunicado reporta que el trabajo de CADD/AIDD había participado en 228 proyectos acumulados con 92 clientes hasta el 30 de junio de 2026, y que los proyectos potenciados por IA representaron cerca del 14.0% de los ingresos de la CRO [8].

Lo que el comunicado no contiene es ninguna validación: sin puntos de referencia, sin métricas computacionales, sin resultados in vitro, sin datos clínicos para MARS o Pep2MARS [8]. Lo más cercano a evidencia es una línea vaga sobre una "deep collaboration with a global industry leader" (colaboración profunda con un líder global de la industria) que avanza un modelo de "dry-wet closed-loop" (ciclo cerrado seco-húmedo). Ningún socio nombrado, ningún experimento descrito [8]. La cifra de 228 proyectos es un número de volumen de servicio, no una prueba de que algún algoritmo funcione. No se pudo localizar ningún artículo revisado por pares ni preprint sobre MARS o Pep2MARS. Calificación: E.

Esta sección existe porque el encargo original de este artículo pedía a V-SPADE por su nombre, y la verificación lo descartó. Vale la pena decirlo con claridad en lugar de eliminar la sección en silencio, ya que los lectores que busquen el término merecen la corrección: si leen sobre "V-SPADE" en otro lugar, sepan que los propios registros de Viva Biotech describen algo llamado MARS/Pep2MARS, y que incluso esa afirmación descansa por ahora únicamente en un comunicado de prensa.

¿Algo de Esto Está Validado de Forma Independiente?

Sí, en partes. Los resultados más sólidos provienen de programas que sintetizaron sus diseños y los pusieron a prueba. El problema de credibilidad del campo no es una falta de algoritmos; es una escasez de candidatos sintetizados y ensayados. Tres resultados de 2025-2026 muestran cómo luce realmente la escalera de validación.

El más sólido es ApexGO, publicado en Nature Machine Intelligence en mayo de 2026. Investigadores de la Universidad de Pensilvania usaron un autoencoder variacional tipo transformer con optimización bayesiana para refinar plantillas de péptidos antimicrobianos, sintetizaron químicamente 100 compuestos diseñados por IA, y realizaron una caracterización in vitro completa [10]. Los resultados reportados: una tasa de aciertos experimental del 85% y una tasa de éxito del 72% en potenciar la actividad antimicrobiana contra patógenos Gram-negativos, superando tanto a HydrAMP como al modelo PepDiffusion en la misma tarea restringida por plantilla [10]. Luego vino el paso en animales. En dos modelos preclínicos de ratón de infección por Acinetobacter baumannii, las moléculas optimizadas mostraron actividad anti-infecciosa superior a sus plantillas y comparable o superior a la de un antibiótico de último recurso [10]. Calificación: B. Esto es trabajo in vitro más en ratones, no datos en humanos, y optimiza la actividad antimicrobiana en lugar de la clásica historia de afinidad de unión, pero es el raro resultado de péptidos por IA con moléculas sintetizadas, resultados medidos y un punto de referencia directo frente a métodos competidores.

La demostración de Insilico Medicine sobre GLP-1R se ubica un peldaño más abajo. Se generaron más de 5,000 péptidos novedosos en un ciclo de 72 horas sin ningún ligando conocido de GLP-1R como referencia; se seleccionaron 20 para síntesis y evaluación en laboratorio, 14 mostraron actividad biológica, y 3 alcanzaron potencia nanomolar de un solo dígito [11]. Es un resultado in vitro respetable proveniente de un pipeline de alto rendimiento. También es un anuncio de empresa sin datos en animales o humanos. Calificación: C.

Pepti-Agent, el preprint de arXiv de 2026 que describe un agente impulsado por LLM para el diseño y la optimización de péptidos, ofrece un contraste útil. El marco es genuinamente interesante: generación, predicción de propiedades y mutación de un solo residuo expuestas como herramientas inspeccionables, con un refinamiento guiado por la salida en vivo de predictores de solubilidad, hemólisis y resistencia a la incrustación [9]. Pero los autores son explícitos: "no candidate has been experimentally validated" (ningún candidato ha sido validado experimentalmente), y el artículo no afirma que el agente supere a procedimientos de búsqueda más simples [9]. Calificación: D. Honesto, y exactamente como debería reportarse el trabajo computacional.

Una afirmación que no aparecerá aquí: una línea ampliamente repetida según la cual "more than half" (más de la mitad) de los candidatos peptídicos generados por IA en cierto esfuerzo de validación mantuvieron o mejoraron la afinidad de unión mientras ganaban propiedades similares a las de un fármaco. Buscamos su fuente primaria a través de aproximadamente 30 consultas y no pudimos encontrar una que combinara ese porcentaje, esa comparación y un método de validación descrito. Las coincidencias cercanas revisadas y descartadas incluyeron la cifra del umbral SPR del 75% de XtalPi (una estadística distinta) y los 6 de 24 ligandos de MOG-DFM (por debajo de la mitad) [9 notas]. Hasta que alguien produzca el documento fuente, la estadística queda fuera.

El programa D-MAV de Decoy Therapeutics pertenece a esta escalera como un elemento a vigilar. En junio de 2026 la empresa contrató a hVIVO para avanzar sus candidatos de péptidos antivirales diseñados por IA hacia estudios de Fase 1 en humanos por primera vez y Fase 2a, pero la empresa se describe a sí misma como en etapa preclínica y todavía no existen datos en humanos [13]. PepBenchmark, publicado para ICLR 2026 con 35 conjuntos de datos estandarizados, es infraestructura y no un candidato, valioso para el campo pero no evidencia de que algún diseño funcione [12].

¿Qué No Reemplaza el Diseño por IA?

Todo lo que viene después de la etapa de diseño. Una secuencia diseñada computacionalmente es una hipótesis con matemáticas inusualmente buenas detrás. La síntesis puede fallar. La molécula puede agregarse, degradarse, o negarse a plegarse como se predijo. Puede unirse al objetivo y no hacer nada útil, o unirse a lo equivocado. La toxicología, la farmacocinética y los ensayos clínicos responden esas preguntas, y ningún algoritmo de diseño acorta la revisión regulatoria que las exige.

Aquí es donde la verificación analítica se gana su lugar. Una secuencia diseñada por IA es, por definición, una molécula sin historial previo: sin historia de estándar de referencia, sin literatura de lote a lote, sin certificados de análisis previos con los cuales comparar. Eso hace que la confirmación de identidad por espectrometría de masas y la medición de pureza por HPLC sean al menos tan importantes como para cualquier péptido establecido, y posiblemente más. Un solo residuo equivocado en un péptido de 30 residuos es invisible a un vistazo casual de la cadena de secuencia, y evidente para un espectrómetro de masas. La guía para leer un certificado de análisis explica exactamente qué campos confirman identidad frente a pureza, y cómo los laboratorios de péptidos garantizan la pureza explica por qué ambas pruebas son necesarias en lugar de alternativas entre sí.

La regla práctica: exija la misma documentación para una secuencia diseñada computacionalmente que exigiría para cualquier péptido de investigación: datos de identidad y pureza específicos del lote, un método de prueba identificado, una fecha de prueba. La novedad del origen no sustituye la prueba analítica del contenido.

Lo Que la Evidencia No Establece

Límites honestos, expresados con claridad:

• Ningún péptido diseñado por IA ha sido aprobado como fármaco. Lo más lejos que ha llegado públicamente cualquier candidato es la dosificación en Fase I.
• El anuncio del ensayo de PQ203 reporta que comenzó la dosificación, no que el candidato funcione. Los estudios de Fase I en humanos por primera vez evalúan seguridad y farmacocinética, no eficacia.
• "Diseñado por IA" no significa más seguro, más potente, ni con mayor probabilidad de éxito que un candidato diseñado de manera tradicional. No existe ninguna comparación clínica directa entre ambos.
• La cifra de "al menos 15 en ensayos" no está respaldada; el recuento de péptidos verificable es uno. Los recuentos de todas las modalidades, del orden de cientos, son números reales sobre una pregunta distinta.
• "V-SPADE" no es el nombre real de ningún producto. MARS/Pep2MARS de Viva Biotech no tiene puntos de referencia ni validación de laboratorio divulgados.
• La estadística de "más de la mitad mantuvo o mejoró la afinidad" no pudo rastrearse hasta una fuente primaria y no debería citarse como un hecho.
• Los anuncios corporativos (PQ203, Decoy, Insilico, Viva) son afirmaciones sobre programas, no resultados revisados por pares. Trátenlos como pistas, no como conclusiones.
• Los resultados in silico y en animales no son resultados clínicos. Una precisión de discriminador del 95.4% y un modelo de infección en ratones son logros genuinos que no dicen nada sobre la farmacología humana.
• No existe un registro autoritativo de fármacos diseñados por IA, por lo que cualquier recuento de pipeline es tan bueno como la clasificación privada que lo respalda.

Qué Debe Exigir un Laboratorio Antes de Confiar en Cualquier Secuencia

El origen del diseño de un péptido, ya sea un químico humano o un modelo generativo, deja de importar en el momento en que el polvo está en el vial. A partir de ese punto, solo cuenta la evidencia analítica. Para cualquier péptido de investigación, y especialmente para una secuencia computacionalmente novedosa sin historial, un laboratorio debería verificar lo siguiente antes de construir un experimento sobre ella.

Para el recorrido completo, vea la guía para leer un certificado de análisis, la biblioteca de certificados específicos por lote, cómo los laboratorios de péptidos garantizan la pureza, y la guía de estándares de pureza de péptidos de investigación para laboratorios de EE. UU.. Sea cual sea el origen de una secuencia, esto es lo que un laboratorio debería exigir antes de confiar en ella.

Referencias

1. ProteinQure Inc. ProteinQure Announces First Patient Dosed in Phase I Clinical Trial of PQ203 in Advanced Metastatic Cancer. Company announcement. September 17, 2025. https://www.proteinqure.com/proteinqure-announces-first-patient-dosed-in-phase-i-clinical-trial-of-pq203-in-advanced-metastatic-cancer/
2. ProteinQure Inc. ProteinQure Raises Series A Financing to Advance First AI-Designed Peptide Therapeutic into Clinical Trials. Company announcement. May 28, 2025. https://www.proteinqure.com/proteinqure-raises-series-a-financing-to-advance-first-ai-designed-peptide-therapeutic-into-clinical-trials/
3. Nissan N, Allen MC, Sabatino D, et al. Future Perspective: Harnessing the Power of Artificial Intelligence in the Generation of New Peptide Drugs. Biomolecules. 2024;14(10):1303. PMID: 39456236. https://pmc.ncbi.nlm.nih.gov/articles/PMC11505729/
4. IntuitionLabs. AI-Discovered Drugs in Clinical Trials 2026: Full Pipeline. Industry analysis. July 31, 2026. https://intuitionlabs.ai/pdfs/ai-discovered-drugs-clinical-trials-2026.pdf
5. CustomerThink. AI's Symbiotic Impact on Drug Development and Patient Experience in Global Pharma and Biotech. Opinion. 2025. https://customerthink.com/ais-symbiotic-impact-on-drug-development-and-patient-experience-in-global-pharma-and-biotech/
6. Bhat S, Palepu K, Hong L, et al. De novo design of peptide binders to conformationally diverse targets with contrastive language modeling. Science Advances. 2025;11(4). DOI: 10.1126/sciadv.adr8638. PMID: 39841846. https://www.science.org/doi/10.1126/sciadv.adr8638
7. Duke Pratt School of Engineering. Harnessing Generative AI to Treat Undruggable Diseases. Press release. January 2025. https://pratt.duke.edu/news/harnessing-generative-ai-to-treat-undruggable-diseases/
8. Viva Biotech Holdings Group. Viva Biotech Announces Its 2026 Interim Results: AI Sparks New Paradigm in Drug R&D, CDMO Commercial Manufacturing Accelerates Revenue Growth. Company announcement via PRNewswire. August 26, 2026. https://www.prnewswire.com/news-releases/viva-biotech-announces-its-2026-interim-results-ai-sparks-new-paradigm-in-drug-r-d-cdmo-commercial-manufacturing-accelerates-revenue-growth-302860711.html
9. Chen H, Chandrasekhar A, Farimani AB, et al. Pepti-Agent: An AI Agent for Peptide Design and Optimization. arXiv preprint. June 13, 2026. DOI: 10.48550/arXiv.2606.15422. https://arxiv.org/abs/2606.15422
10. Torres MDT, Zeng Y, Wan F, et al. A generative artificial intelligence approach for peptide antibiotic optimization. Nature Machine Intelligence. 2026;8(5):841-856. DOI: 10.1038/s42256-026-01237-5. https://www.nature.com/articles/s42256-026-01237-5
11. Insilico Medicine. Insilico Showcases Advanced Generative Biologics Engine in Breakthrough 72-Hour Peptide Design Targeting GLP1R for Cardiometabolic Disease. Company announcement via PR Newswire. October 29, 2025. https://www.prnewswire.co.uk/news-releases/insilico-showcases-advanced-generative-biologics-engine-in-breakthrough-72-hour-peptide-design-targeting-glp1r-for-cardiometabolic-disease-302597932.html
12. Zhang J, Wang R, Zhou K, et al. PepBenchmark: A Standardized Benchmark for Peptide Machine Learning. ICLR 2026. arXiv preprint. 2026. DOI: 10.48550/arXiv.2604.10531. https://arxiv.org/abs/2604.10531
13. Decoy Therapeutics, Inc. Decoy Therapeutics Partners with hVIVO to Advance Lead D-MAV Candidate into the Clinic. Company announcement via PR Newswire. June 1, 2026. https://www.prnewswire.com/news-releases/decoy-therapeutics-partners-with-hvivo-to-advance-lead-d-mav-candidate-into-the-clinic-302786694.html