Leash Bio lanza Minos, un laboratorio para agentes de IA

Leash Bio entrenó Hermes, un transformer de apenas 50 millones de parámetros, con datos generados íntegramente en su propio laboratorio, y lo puso a competir contra modelos estructurales mucho más grandes. Según el análisis del blog Owl Posting, ese modelo quedó a la par del estado del arte en benchmarks públicos. Ahora esa misma maquinaria de datos se convierte en Minos, un entorno para que agentes de IA entrenen razonamiento científico verificable. La noticia es de química, pero la lección es de producto: el foso competitivo no está en el modelo, está en los datos que nadie más puede generar.

¿Qué es Minos y qué liberó Leash Bio?

En el episodio más reciente del podcast Latent Space, Ian Quigley, cofundador de Leash Bio, adelantó algo que su equipo estaba explorando: un espacio de juego para que agentes de IA hicieran razonamiento científico verificable. La idea partió de un hallazgo inesperado: los datos que Leash venía acumulando durante años podían convertirse en decenas de miles de simulaciones "lab-in-the-loop", exactamente lo que un agente necesita para hacer aprendizaje por refuerzo científico.

Dos meses después, ese experimento maduró en Minos. Hoy Leash libera un preprint completo, un blog y un dataset abierto.

Vale la pena detenerse en la arquitectura del problema. La mayoría de los agentes de IA se entrenan contra tareas donde la recompensa es difusa: ¿la respuesta suena bien?, ¿el código compila? En ciencia, en cambio, existe una verdad de referencia. Una molécula se une o no se une. Esa etiqueta binaria, obtenida en un experimento físico, es una señal de recompensa limpia. En el episodio, Quigley describe el prototipo de ese espacio de juego: agentes que razonan sobre relaciones estructura-actividad (SAR) en inglés simple y buscan los mejores binders entre 6,5 millones de moléculas con un presupuesto de 100.

¿Por qué las DNA Encoded Libraries son la pieza clave?

Leash no es una empresa de software que compró datos. Construyó el motor que los produce. Su especialidad son las DNA Encoded Libraries (DEL): bibliotecas combinatorias donde cada molécula pequeña lleva un código de barras de ADN que identifica su estructura. Eso permite medir interacciones proteína-molécula a una escala imposible con métodos tradicionales.

La tecnología tiene mala fama. El propio episodio lo dice sin vueltas: los usuarios de DEL suelen acumular historias de terror por ruido y falsos negativos. La respuesta de Leash fue técnica y poco glamorosa: poner docenas de códigos de barras en cada molécula para detectar proteínas que se unen al ADN en lugar del fármaco. El resultado es data limpia y reproducible, justo lo que un modelo necesita.

En su propio blog, Leash lo resume así: un modelo entrenado con datos de DEL puede competir con el estado del arte, y lo evaluaron sobre casi 14 millones de ejemplos en más de 500 proteínas, el mayor conjunto de validación que dicen haber visto. En el episodio también mencionan que pasaron de un hit de DEL a buena farmacocinética en ratón en seis meses en un programa de inflamación.

El antecedente: BELKA, Hermes y la obsesión por no engañarse

Para entender por qué Minos importa hay que mirar los dos años anteriores. Leash nació en 2021 en Utah, fundada por dos ex-Recursion, Ian Quigley y Andrew Blevins, según el análisis de Owl Posting.

A fines de 2024, Leash liberó BELKA, un dataset con 133 millones de moléculas evaluadas contra tres dianas proteicas, y lanzó una competencia en Kaggle que atrajo a cerca de 2.000 equipos. El resultado fue incómodo: en el split más difícil, donde el set de prueba no compartía nada con el de entrenamiento, nadie superó el azar. La conclusión que Leash publicó entonces fue brutal: los computadores pueden memorizar, pero no crear fármacos.

Después vino el hallazgo que ellos llamaron "Clever Hans en química". Analizando ChEMBL, Leash mostró que un modelo puede adivinar qué químico creó una molécula a partir de su estructura, y que saber "quién la hizo" predice su actividad casi tan bien como la estructura misma. Es decir: buena parte de la señal que los modelos de actividad dicen haber aprendido es, en realidad, sociología del dataset.

Ese tipo de fuga es la razón por la que Leash entrena Hermes solo con química propia. Y explica por qué el equipo pasó a ingeniería de mutantes proteicos a escala cuando detectó que el modelo estaba memorizando "apodos" de proteínas en lugar de sitios de unión.

¿Qué significa esto para tu startup?

No necesitas un laboratorio de química para aplicar la lógica de Leash. Estas tres ideas se traducen directo a cualquier negocio que construya sobre IA:

• Tu benchmark puede estar midiendo el atajo, no la capacidad. Antes de celebrar una métrica, pregúntate qué señal trivial podría estar capturando tu modelo. Si tu dataset tiene un sesgo de origen —quién lo generó, cuándo, con qué proceso— el modelo lo va a explotar. Leash tardó años en construir validaciones sin fuga; tú puedes empezar auditando de dónde vienen tus datos de evaluación.
• Convierte tus datos operativos en un entorno de entrenamiento. Minos nació de datos que Leash ya tenía. Si tu operación genera resultados verificables —una transacción que se cierra, un ticket que se resuelve, una predicción que se confirma—, ahí hay un entorno de refuerzo esperando a ser empaquetado. Es la diferencia entre tener un dataset y tener una plataforma.
• Prueba el baseline aburrido antes de pagar GPUs. Leash compara Hermes contra XGBoost en cada evaluación, y en varios splits el método simple gana. Si tu modelo complejo no supera a la regresión o al árbol de decisión, no estás comprando inteligencia: estás comprando cómputo.

El contexto del sector refuerza la dirección. En septiembre de 2026, un equipo de Stanford publicó en Science el caso de una biotech virtual con 37.000 agentes de IA que analizaron unos 50.000 ensayos clínicos en menos de una semana, según reportó phys.org. La diferencia con Minos es la misma que separa un demo de un producto: los agentes de Leash no razonan sobre literatura, razonan contra resultados de experimentos.

Conclusión

Minos es, en el fondo, una apuesta sobre dónde vive la ventaja competitiva en IA aplicada. Leash no ganó por tener la arquitectura más sofisticada —Hermes es deliberadamente pequeño— sino por haber construido, durante años, un activo que nadie más puede copiar: datos propios, con etiquetas verificables y sin los sesgos que contaminan las bases públicas.

Para un founder, la pregunta incómoda es directa: si mañana un competidor con más capital lanzara un modelo igual al tuyo, ¿qué te queda? Si la respuesta es "nada", tu foso no existe. Si la respuesta es "un dataset que tardó tres años en construirse y que nadie puede replicar", tienes un negocio.

Fuentes

• Lab-in-the-Loop at Compute Speed — Ian Quigley, Leash Bio
• We now know what it will take — Leash
• The ML drug discovery startup trying really, really hard to not cheat
• Virtual biotech company puts thousands of AI scientist agents to work on drug discovery