La informática de materiales (Materials Informatics, en adelante «MI») es un enfoque que acelera la búsqueda y el diseño de nuevos materiales mediante técnicas de ciencia de datos, entre las que destaca el aprendizaje automático.En noviembre de 2023, Google DeepMind anunció que había descubierto 2,2 millones de nuevas estructuras cristalinas con su herramienta de aprendizaje profundo «GNoME» (publicado en la revista *Nature*),y en enero de 2025 se publicó en la revista *Nature* un artículo sobre «MatterGen», la IA generativa de Microsoft; así, la búsqueda de materiales mediante IA ha acaparado una gran atención en los últimos años.También en Japón, la empresa conjunta de Preferred Networks (PFN) y ENEOS ofrece desde julio de 2021 en la nube el simulador genérico a nivel atómico «Matlantis», que, a fecha de agosto de 2024, ha sido implantado en más de 90 empresas y organizaciones.
En este artículo, tras verificar la existencia de las patentes de este campo en fuentes primarias (Google Patents, J-PlatPat y WIPO PATENTSCOPE), se analizan: ① las estadísticas sobre las tendencias en las solicitudes de patente; ② ocho patentes registradas por empresas japonesas; ③ seis patentes registradas por empresas extranjeras;④ el núcleo de la práctica de examen: ¿se pueden obtener patentes para «materiales predichos únicamente por la IA»? (casos de examen con IA de la Oficina de Patentes n.º 51 y 52, entre otros), y ⑤ la distinción entre la protección mediante patente y el secreto comercial —desde el punto de vista de un agente de patentes.
Índice
El desarrollo de materiales tradicional se basaba principalmente en la formulación de hipótesis a partir de la experiencia y la intuición de los investigadores, así como en repetidos procesos de ensayo y error mediante experimentos, lo que hacía que la comercialización de nuevos materiales requiriera muchos años.La MI pretende reducir drásticamente este proceso de ensayo y error mediante el aprendizaje automático, que extrae de los datos experimentales y computacionales acumulados la correlación entre la estructura y las propiedades de los materiales, y predice «qué candidato se debe probar a continuación».La «Estrategia para el refuerzo de la capacidad de innovación en materiales» (aprobada el 27 de abril de Reiwa 3 y revisada el 4 de junio de Reiwa 7) por el Consejo de Promoción de la Estrategia de Innovación Integrada también establece como política básica del Estado el desarrollo de una infraestructura de I+D basada en datos.
Como hitos tecnológicos, cabe destacar los tres acontecimientos siguientes.
| Fecha | Acontecimiento |
|---|---|
| 6 de julio de 2021 | La empresa conjunta de PFN y ENEOS (PFCC) comienza a ofrecer el simulador de uso general a nivel atómico «Matlantis». Afirma que, gracias al aprendizaje profundo, ofrece una velocidad varias decenas de miles de veces superior a la de los cálculos de primeros principios (DFT). En septiembre de 2024 se anunció su compatibilidad con 96 elementos y su implantación en más de 90 empresas y organizaciones. |
| 29 de noviembre de 2023 | Google DeepMind anunció que, gracias a «GNoME», había descubierto 2,2 millones de nuevas estructuras cristalinas (de las cuales unas 380 000 se consideran las más estables) (publicado en la revista *Nature*). Según investigaciones externas, 736 de ellas ya se han sintetizado experimentalmente de forma independiente. |
| 16 de enero de 2025 | Se publica en la revista *Nature* el artículo sobre «MatterGen» de Microsoft. El modelo de difusión genera directamente materiales inorgánicos a partir de las propiedades deseadas y se ha demostrado incluso la síntesis experimental del material generado, el TaCr₂O₆ (módulo de elasticidad volumétrico: 169 GPa medido, frente a los 200 GPa previstos en el diseño). |
En cuanto al tamaño del mercado, existen grandes diferencias en las definiciones entre las empresas de investigación: Grand View Research estima unos 135 millones de dólares estadounidenses en 2023 (con una tasa de crecimiento medio anual del 16,5 %),mientras que 360iResearch estima unos 720 millones de dólares estadounidenses en 2025 (con una tasa de crecimiento anual del 18,34 %), aunque las previsiones difieren, todas coinciden en que se prevé una elevada tasa de crecimiento.
La Oficina de Patentes ha incluido el MI en su estudio sobre las tendencias tecnológicas de las solicitudes de patente correspondiente al año Reiwa 1 (publicado en febrero de Reiwa 2). Según dicho estudio, entre 2010 y 2017 (según el año de reivindicación de prioridad), el número total de familias de patentes relacionadas con el MI en Japón, EE. UU., Europa, China, Corea del Sur e India ascendió a 493.Por nacionalidad de los solicitantes, destaca China con 332 solicitudes (67,3 %), seguida de Corea del Sur con 55 (11,2 %), Japón con 37 (7,5 %) y Estados Unidos con 35 (7,1 %).Las solicitudes comenzaron a aumentar a partir de 2015 aproximadamente (de 48 en 2015 a 116 en 2017), una tendencia que coincide con el auge del aprendizaje profundo. Entre los solicitantes japoneses, Pacific Cement (10 solicitudes) figura entre los primeros puestos.
Nota: Estas estadísticas se basan en el recuento realizado en 2020 de las solicitudes presentadas entre 2010 y 2017, por lo que la situación actual ha cambiado aún más. A modo de referencia, según el «Estudio sobre la situación de las solicitudes de invenciones relacionadas con la IA»(edición de octubre de 2025), las solicitudes de invenciones relacionadas con la IA en Japón aumentarán hasta alcanzar unas 11 400 en 2023, mientras que las solicitudes de invenciones fundamentales de IA (clasificadas en G06N) en China superarán las 100 000 en 2023, lo que supone más de cinco veces la cifra de Estados Unidos.
En cuanto a la clasificación de patentes, con la reforma de la Clasificación Internacional de Patentes (IPC) de enero de 2019 se creó la nueva categoría «G16C (Química computacional, informática química y ciencia de materiales computacional)», que incluye grupos como el aprendizaje automático y la quimiometría (G16C 20/70),la predicción de propiedades físicas de compuestos (G16C 20/30), el diseño molecular (G16C 20/50) y la ciencia de materiales computacional (G16C 60/00).En la práctica, las invenciones relacionadas con la MI suelen buscarse y clasificarse mediante una combinación de esta clase G16C (del lado de las aplicaciones) y la clase G06N (del lado de los métodos de IA), que representa el aprendizaje automático en sí mismo; por lo tanto, el punto de partida para los estudios de estado de la técnica y de libertad para actuar (FTO) es cubrir estas dos líneas.
A continuación, presentamos ocho patentes registradas por empresas japonesas cuyos datos bibliográficos y estado de registro ha verificado nuestro despacho en las páginas web de Google Patents, J-PlatPat y WIPO PATENTSCOPE (investigación a fecha de 18 de julio de 2026; no se trata de una lista exhaustiva).
| N.º de patente | Titular | Puntos clave de la tecnología |
|---|---|---|
| Patente n.º 6950119 | Showa Denko (actualmente Resonac) | Sistema de diseño de materiales de «división del trabajo» en el que un científico de datos crea el modelo y lo utilizan numerosos usuarios sin conocimientos especializados (compatible tanto con el problema directo como con el inverso) |
| Patente n.º 7190615 | Showa Denko (actualmente Resonac) | Método para predecir las propiedades de los materiales dependientes de la temperatura añadiendo como variables explicativas la temperatura de evaluación y el tiempo de mantenimiento de dichas propiedades (por ejemplo, la resistencia a la tracción de las aleaciones de aluminio) |
| Patente n.º 7109339 | Showa Denko | Cálculo de los valores previstos de las propiedades físicas y de la incertidumbre mediante regresión de procesos gaussianos, para a continuación recomendar la estructura del polímero que debe verificarse (búsqueda de tipo optimización bayesiana) |
| Patente n.º 7218519 | Yokohama Rubber | Predicción de las propiedades físicas del caucho vulcanizado mediante aprendizaje automático a partir de la composición y las condiciones de procesamiento. Se caracteriza por un preprocesamiento en el que se interpolan los datos de un número reducido de muestras mediante análisis de regresión |
| Patente n.º 7215017 | Yokohama Rubber | Búsqueda inversa de la formulación de caucho que permite alcanzar las propiedades físicas deseadas mediante un modelo entrenado y un algoritmo evolutivo (con restricciones en el número de materias primas). |
| Patente n.º 7302297 | Fujitsu | Cálculo de la similitud de estructuras moleculares mediante la «búsqueda del conjunto independiente máximo» para predecir la constante dieléctrica relativa, entre otras propiedades |
| Patente n.º 7388217 | Fujitsu | Representación gráfica de la estructura cristalina, formulación del análisis de similitud en el modelo de Ising y resolución mediante una máquina de recocido (cálculo inspirado en la física cuántica × MI) |
| Patente n.º 7403032 | Preferred Networks | Tecnología de generalización que, durante el entrenamiento del potencial de redes neuronales (NNP), absorbe las diferencias en las condiciones de los cálculos de primeros principios como «información de etiquetas» |
Para ilustrar cómo se redactan las reivindicaciones de las patentes de MI, citaré, a modo de ejemplo, la reivindicación 1 de la patente n.º 6950119.
«Sistema de diseño de materiales destinado al diseño de materiales objeto de diseño que incluyen materiales compuestos por múltiples composiciones o materiales fabricados mediante combinaciones de múltiples condiciones de fabricación,que comprende un terminal de experto que puede utilizar una interfaz de aprendizaje de modelos para llevar a cabo el aprendizaje automático de un modelo, tomando como entradas y salidas la relación de correspondencia entre las condiciones de diseño del material objeto de diseño y los valores de las propiedades del material; y que, para un material objeto de diseño específico,utilizando el modelo entrenado para dicho material objeto de diseño específico, creado por el terminal de experto, para estimar los valores de las propiedades del material a partir de las condiciones de diseño, o las condiciones de diseño a partir de los valores de las propiedades del material, y que cuenta con varios terminales de uso general que pueden utilizar dicha interfaz de diseño de materiales».
Cabe destacar que esta reivindicación no se centra en el algoritmo de aprendizaje automático en sí mismo, sino que concibe la invención en términos de la estructura del sistema (mecanismo de funcionamiento) que distingue entre «la parte que crea el modelo (terminal de experto)» y «la parte que utiliza el modelo (varios terminales de uso general)».Aunque resulte difícil diferenciar el modelo de predicción en sí mismo, se consigue la protección mediante la incorporación de este mecanismo para poner en marcha el aprendizaje de máquinas (MI) en el ámbito del desarrollo de materiales; se trata de un enfoque típico de las patentes de MI.
La patente n.º 7403032 de PFN (registrada el 21 de diciembre de 2023), que se enmarca dentro de las tecnologías fundamentales de Matlantis, se refiere a un método de entrenamiento de NNP (potencial de redes neuronales).Dado que los cálculos de primeros principios arrojan resultados ligeramente diferentes en función del software y los parámetros de cálculo, la precisión disminuye si se mezclan sin más los datos de entrenamiento generados en condiciones distintas. Para hacer frente a este problema, la patente propone introducir las condiciones de cálculo en el modelo como «información de etiquetado», lo que permite mezclar datos generados en condiciones diferentes para el entrenamiento.(Resumen basado en la reivindicación 1 de la publicación internacional WO2022/260178. La redacción de las reivindicaciones en el momento del registro puede diferir debido a las correcciones realizadas durante el proceso de examen).Se trata de una tecnología que respalda la simulación atómica «genérica», capaz de generalizarse tanto a cristales (condiciones de contorno periódicas) como a moléculas (condiciones de contorno libres), y refleja un enfoque de protección de derechos propio de una empresa de IA —a diferencia de los fabricantes de materiales— que consiste en patentar el propio método de entrenamiento de los modelos de IA.
Además, las dos patentes de Yokohama Rubber están estructuradas de tal forma que cubren, en patentes distintas, el «problema directo (formulación → predicción de propiedades)» y el «problema inverso (propiedades objetivo → búsqueda de la formulación)», mientras que las dos de Fujitsu combinan el problema clásico de optimización combinatoria de la búsqueda de estructuras similares con el aprendizaje automático y el cálculo de recocido.En la práctica, resulta interesante observar cómo los niveles de protección de los derechos (preprocesamiento de datos, entrenamiento de modelos, algoritmos de búsqueda y sistemas operativos) varían en función de la estructura empresarial de cada compañía.
Si dirigimos la mirada al extranjero, vemos que las empresas de IA, los fabricantes de electrónica y los proveedores especializados en MI están avanzando en la obtención de derechos desde sus respectivas perspectivas. Las siguientes son también patentes registradas que se han comprobado en las páginas oficiales.
| Número de patente | Titular | Puntos clave de la tecnología |
|---|---|---|
| US 12.190.236 | DeepMind Technologies | Predicción de las propiedades de nuevos materiales mediante la incorporación (embedding) de estructuras de materiales conocidos (registrado en enero de 2025) |
| US 11.537.898 | Samsung Electronics | Diseño inverso que aprende la distribución de la relación entre estructura y propiedades mediante una red GAN y genera directamente la estructura del material a partir de las propiedades deseadas (también se ha registrado la patente europea correspondiente EP3800586B1) |
| US 12.135.927 | IBM | Búsqueda del tipo «Expert-in-the-Loop», en la que la IA aprende de las decisiones de aceptación o rechazo de los expertos respecto a los materiales candidatos generados por ella y las refleja en la clasificación de los candidatos. |
| US 11.901.045 | IBM | Marco que aprende características de una base de datos química y genera nuevos candidatos combinando las características de materiales existentes. |
| US 11.004.037 | Citrine Informatics | Genera, mediante aprendizaje automático, un mapa de capacidades que muestra «las combinaciones de propiedades alcanzables y su grado de dificultad», conectando así el diseño de productos con el desarrollo de materiales |
| US 10.984.145 | Citrine Informatics | Asistencia en el diseño de fórmulas que clasifica las fórmulas candidatas, incluidas las que contienen nuevas materias primas, según la probabilidad de que cumplan las características objetivo y las restricciones |
La reivindicación 1 de la patente US 12.190.236 de DeepMind (fecha de prioridad: 24 de abril de 2020; registrada el 7 de enero de 2025) comienza de la siguiente manera:
«Método implementado por ordenador para predecir una o más propiedades de un material, que comprende: mantener datos que especifican un conjunto de materiales conocidos, cada uno de los cuales tiene una estructura física conocida respectiva...»
(Método implementado en ordenador para predecir una o más propiedades de un material, que comprende: mantener datos que especifican un conjunto de materiales conocidos, cada uno de los cuales tiene una estructura física conocida respectiva...) (A continuación, se describe la configuración para la predicción de propiedades mediante la identificación e integración de materiales conocidos similares). Fuente: Google Patents (US12190236B2)
Entre los inventores de esta patente figuran Tian Xie y James Kirkpatrick, entre otros. Se trata de los mismos autores de los artículos sobre GNoME y MatterGen, lo que permite deducir que, tras los resultados de investigación que tanto han dado que hablar, se ha ido avanzando de forma constante en la presentación de solicitudes de patentes sobre la tecnología subyacente.Por otra parte, en la presente investigación (información pública a fecha de julio de 2026) no se ha podido confirmar ninguna solicitud de patente que corresponda directamente a «MatterGen» de Microsoft. Tenga en cuenta que, por norma general, las solicitudes de patente no se hacen públicas hasta 18 meses después de su presentación, por lo que el hecho de «no encontrar una solicitud» no implica necesariamente que «no se haya presentado».
Aspectos prácticos: Al igual que ocurre con la patente de ingeniería inversa de Samsung, la estructura básica de la generación de materiales mediante GAN y modelos generativos ya está protegida por derechos de propiedad intelectual con fechas de solicitud en torno al año 2020. Las empresas que desarrollen o implanten internamente sistemas de búsqueda de materiales basados en IA generativa deben empezar a considerar la necesidad de verificar la ausencia de infracciones de patentes de terceros (FTO) en relación con los propios métodos de búsqueda.
El mayor obstáculo a la hora de patentar los resultados de la IA no es la actividad inventiva ni el carácter de invención, sino los requisitos de descripción (requisitos de ejecutabilidad y de apoyo).La Oficina de Patentes ha aclarado este punto en los «Casos prácticos de examen de patentes relacionados con la tecnología de IA» (publicados en tres ocasiones: marzo de Heisei 29, enero de Heisei 31 y marzo de Reiwa 6; un total de 25 casos, incluidos en el anexo del Manual de examen de patentes y modelos de utilidad). La recopilación de casos establece la siguiente norma:
«Las invenciones de objetos que se presume que poseen una determinada función gracias a la IA no cumplen los requisitos de ejecutabilidad y de apoyo si en la descripción detallada de la invención no se incluyen ejemplos de realización en los que se haya fabricado realmente el objeto y se haya evaluado dicha función, salvo que los resultados de la estimación mediante IA puedan sustituir a la evaluación del objeto fabricado realmente.(Casos 51 y 52)»
— Extraído de la introducción del anexo del Manual de examen de patentes y modelos de utilidad, «Casos de examen de patentes relacionados con la tecnología de la IA».
El caso 52, añadido en marzo del año Reiwa 6, tiene como tema precisamente el diseño inverso de la MI (predicción de la estructura química a partir de las propiedades de emisión de luz). Se trata de un ejemplo en el que se obtienen los compuestos A y B mediante IA; el compuesto A se sintetiza realmente y se miden sus propiedades físicas, mientras que el compuesto B es solo una predicción, y la conclusión es clara.① Las reivindicaciones limitadas al compuesto A, cuyas propiedades se han medido realmente, cumplen los requisitos de descripción; ② las reivindicaciones relativas al compuesto B, basado únicamente en predicciones, y las reivindicaciones generales definidas únicamente por valores de propiedades, infringen los requisitos de aplicabilidad y de apoyo; ③ la presentación de un certificado de resultados experimentales tras la solicitud no subsana la falta de descripción.En otras palabras, según la práctica actual de examen, no es posible obtener una patente de sustancia en la fase de «lista de candidatos prometedores generada por la IA», sino que solo se pueden obtener derechos sobre el ámbito en el que se ha completado la validación (como excepción, se considera que las predicciones pueden sustituir a las mediciones reales en casos como aquel en el que la precisión de las predicciones de la IA se haya verificado en la propia descripción).
En cuanto a las reivindicaciones de métodos de predicción, el caso 50 (predicción de la tasa de incidencia de alergias) resulta de gran utilidad.Las reivindicaciones de métodos de predicción amplios que no especifican los datos de entrada (descriptores) incumplen el requisito de apoyo, salvo que la correlación entre los datos pueda deducirse a partir de los conocimientos técnicos generales; por el contrario, se consideraron válidas las reivindicaciones limitadas a combinaciones de descriptores verificados. Además, en cuanto a la actividad inventiva, los casos 33 y 34muestran que no se reconoce la actividad inventiva cuando se trata de «una mera sistematización de tareas humanas mediante IA» o de «una simple sustitución del modelo de regresión por una red neuronal»; por su parte, el caso 34 demuestra que sí se reconoce la actividad inventiva cuando se obtienen efectos notables al añadir datos de entrada cuya correlación no formaba parte del conocimiento técnico común.La patentabilidad de las invenciones de MI reside, más que en la novedad del algoritmo, en la «selección no trivial de características y descriptores basada en los conocimientos del campo de los materiales»; esta es la directriz práctica que se desprende de los casos de examen.
Aspecto práctico: cuando se reivindican valores numéricos específicos o parámetros, es necesario incluir ejemplos de realización representativos del alcance de la reivindicación, teniendo en cuenta también los criterios normativos sobre los requisitos de apoyo establecidos en la sentencia del Gran Pleno del Tribunal Superior de Propiedad Intelectual (11 de noviembre de Heisei 17, caso de la película polarizadora).El diseño del calendario de presentación de solicitudes —«predicción mediante IA → síntesis y medición reales de un número reducido de candidatos prometedores → presentación de una solicitud de patente de sustancias y composiciones dentro del ámbito ya demostrado → presentación de una solicitud de mejora tras una demostración adicional»— constituye el modelo básico de la práctica de redacción de descripciones en la era de la inteligencia artificial (IA).
Se dice que la fuente de la competitividad de la IA no reside tanto en el modelo en sí mismo como en las bases de datos experimentales acumuladas a lo largo de muchos años y en los descriptores (características) diseñados a partir de ellas.Si bien estos son aptos para la confidencialidad, ya que no pueden obtenerse mediante ingeniería inversa a partir de los productos, también presentan debilidades a la hora de ejercer los derechos: si se solicita una patente, en principio se publican al cabo de 18 meses, y las reivindicaciones de método son difíciles de detectar cuando se ejecutan en servidores de otras empresas (este párrafo es una síntesis general desde el punto de vista práctico).Desde el punto de vista normativo, en la revisión del 31 de marzo de Reiwa 7 de las Directrices sobre la gestión de secretos comerciales del Ministerio de Economía, Comercio e Industria se aclaró que se puede reconocer la no divulgación incluso en el caso de combinaciones de información de dominio público, siempre que su obtención como datos para el aprendizaje de la IA requiera una cantidad considerable de tiempo y costes, lo que ha sentado las bases para proteger los conjuntos de datos experimentales de la MI como secretos comerciales.Si se opta por la confidencialidad, en la práctica es habitual asegurarse de obtener pruebas (como sellos de fecha y hora) que acrediten el derecho de uso anterior (artículo 79 de la Ley de Patentes) ante posibles solicitudes posteriores de otras empresas.
En cuanto a las solicitudes en las que la IA figura como inventora (caso DABUS), tanto la sentencia del Tribunal de Primera Instancia de Tokio, de 16 de mayo de Reiwa 6, como la del Tribunal Superior de Propiedad Intelectual, de 30 de enero de Reiwa 7, dictaminaron que, según la Ley de Patentes, el inventor debe ser una persona física (el Tribunal Superior de Propiedad Intelectual también hizo referencia a la necesidad de un debate legislativo).Estados Unidos (Thaler v. Vidal), el Tribunal Supremo del Reino Unido y la Oficina Europea de Patentes se han pronunciado en el mismo sentido. La consecuencia práctica en el contexto de la inteligencia artificial (IA) es sencilla: hay que identificar y consignar como inventor a la persona física que haya participado de forma creativa en la definición del problema, el diseño de los descriptores, la selección de candidatos y los ensayos de validación.En la Oficina de Patentes también se está examinando, desde un punto de vista institucional, cómo debe protegerse la «invención en la que la participación humana es reducida», tomando como ejemplo la búsqueda de materiales (Subcomité del Sistema de Patentes del Consejo de Estructura Industrial; documento de marzo de Reiwa 7).
① Las patentes relacionadas con la IA han aumentado desde 2015 y, en Japón, empresas como Resonac, Yokohama Rubber, Fujitsu y PFN han obtenido patentes registradas en las distintas capas de métodos de búsqueda, sistemas operativos y técnicas de entrenamiento.② En el extranjero, empresas como DeepMind, Samsung, IBM y Citrine han patentado la estructura básica, y ya existen patentes registradas sobre el diseño inverso mediante modelos generativos.③ La práctica de examen en Japón consiste en no conceder patentes de sustancias a «materiales que la IA se ha limitado a predecir» (casos 51 y 52), y el diseño de los ensayos de validación y el momento de la solicitud marcan la diferencia entre el éxito y el fracaso a la hora de obtener los derechos: estos tres puntos constituyen la estructura de este artículo.
Lista de comprobación previa a la solicitud de invenciones de MI×IA
En este blog tratamos de forma continua las tendencias en materia de propiedad intelectual relacionadas con la IA. Para saber cómo interpretar los litigios de patentes en curso, consulte el artículo explicativo sobre el litigio de patentes entre Kioxia y Viasat; en cuanto a la práctica de la formación de familias de patentes, le recomendamos que lea también el artículo explicativo sobre la estrategia de solicitudes divisionales.
Las empresas que estén considerando cómo combinar las solicitudes de patente de invenciones relacionadas con la inteligencia móvil (MI) y la IA (incluido el diseño de los ejemplos de aplicación en la memoria descriptiva y el análisis del alcance de la divulgación de los descriptores), los estudios de estado de la técnica y de libertad para actuar (FTO), y la gestión de los secretos comerciales, pueden ponerse en contacto con nosotros sin compromiso a través del formulario de consulta de la agencia de propiedad intelectual EVORIX.
[Aviso legal] Este artículo es una explicación general basada en información pública disponible a fecha de 18 de julio de 2026 (Google Patents, J-PlatPat, WIPO PATENTSCOPE, documentos publicados por la Oficina de Patentes y comunicados de prensa de las distintas empresas, entre otros) y no constituye asesoramiento jurídico.Se han comprobado los datos bibliográficos de todas las patentes mencionadas en el artículo en las páginas correspondientes de las bases de datos públicas; sin embargo, esto no implica una interpretación del alcance de los derechos ni una evaluación de su validez, ni indica que exista una relación comercial entre las empresas mencionadas y nuestro despacho.Las reivindicaciones de la patente n.º 7403032 se refieren a la versión publicada internacionalmente, por lo que su redacción puede diferir debido a las correcciones introducidas en el momento del registro. Los valores estadísticos dependen del momento de la recopilación y de las definiciones de las fuentes. (Supervisado por un agente de patentes)