Un laboratorio envía a un robot una lista de mil moléculas candidatas para un nuevo fármaco. El robot predictor, entrenado con datos antiguos, da para cada una una evaluación de 'apta o no apta'. Pero cuando la lista proviene de un área desconocida —otro virus o un tumor raro—, el robot empieza a confundirse. Su confianza sigue siendo alta, pero los aciertos reales caen a cero.
La herramienta CaliPPer resuelve este problema sin una sola respuesta de verificación. Mide cuán lejos ha ido la nueva muestra de los ejemplos de entrenamiento conocidos —algo así como un navegador que evalúa cuánto te has desviado de las rutas conocidas. Para cada molécula se calcula una 'distancia a los conocidos' (S2DD), y sobre esa base el modelo dice honestamente: 'En esta zona me oriento mal, mejor no confiar en mis evaluaciones'.
En diez modelos diferentes que predicen la unión de células inmunitarias a dianas, CaliPPer mostró una correlación entre la distancia y la precisión real de 0.80–0.92 (donde 1 es una coincidencia perfecta). El error en la estimación de calidad cayó a 0.008–0.070. En cinco estudios reales donde los modelos habituales no encontraron ninguna molécula funcional (0 de 5), el recálculo de la confianza permitió confirmar 3 de 5 —simplemente porque los falsos favoritos fueron rebajados y los candidatos modestos pero fiables subieron en el ranking.
Esto no sustituye al experimento, sino que es un filtro inteligente entre el ordenador y el tubo de ensayo. En lugar de gastar semanas comprobando cientos de puestos vacíos, el biólogo recibe una lista corta con una evaluación honesta de las probabilidades.
La distancia a los datos de entrenamiento (S2DD) funciona como una 'extrañeza': si una molécula nueva difiere mucho de todo lo que el modelo ha visto antes, su predicción casi con seguridad es errónea, incluso si el modelo está seguro de ella.