La inteligencia artificial está abriendo una nueva ruta para descubrir antibióticos: explorar el ADN de especies extintas en busca de secuencias que codifiquen péptidos con actividad antimicrobiana. La estrategia combina genómica, biología computacional y química para ampliar un espacio de búsqueda que supera ampliamente las bibliotecas tradicionales de compuestos.
El desarrollo de esta tecnología tomó impulso en 2020, cuando un equipo liderado por el investigador del MIT James J. Collins utilizó aprendizaje profundo para identificar la halicina, una molécula con actividad frente a diferentes bacterias. El hallazgo demostró que los algoritmos podían detectar candidatos antibióticos fuera de los procesos convencionales de cribado.
Actualmente, los modelos generativos permiten ir más allá de las moléculas conocidas y diseñar estructuras que todavía no han sido sintetizadas. En paralelo, el laboratorio de César de la Fuente, de la Universidad de Pensilvania, utiliza herramientas de IA para explorar información genética de organismos actuales y extintos.
Su plataforma ha analizado secuencias procedentes de especies como el mamut lanudo, el perezoso gigante y antiguos elefantes, además de organismos de distintas ramas del árbol de la vida. El objetivo es identificar péptidos antimicrobianos que puedan convertirse en candidatos contra bacterias resistentes.
Algunas de las moléculas identificadas ya se encuentran en fases preclínicas y han mostrado actividad en modelos experimentales. Sin embargo, el descubrimiento computacional representa solo el inicio del proceso: los candidatos deben sintetizarse, caracterizarse y evaluarse por su eficacia, toxicidad, estabilidad y comportamiento dentro del organismo.
Este paso constituye uno de los principales cuellos de botella. La IA puede generar candidatos en minutos, pero la capacidad de los laboratorios para producirlos y validarlos es mucho más limitada. Además, propiedades farmacológicas como la absorción, el metabolismo y la capacidad de penetrar las barreras bacterianas siguen siendo difíciles de predecir completamente mediante algoritmos.
La calidad de los datos también es determinante. Los modelos pueden producir resultados poco fiables cuando se entrenan con información deficiente o con datos generados repetidamente por otras IA. Por ello, los investigadores destacan la necesidad de contar con datos experimentales rigurosos para mejorar la precisión de las predicciones.
En el contexto de la resistencia antimicrobiana, esta estrategia podría ampliar considerablemente el repertorio de moléculas disponibles para investigación. El ADN de organismos desaparecidos no “resucita” literalmente un antibiótico, sino que proporciona información evolutiva que puede utilizarse para diseñar y sintetizar nuevos candidatos.
El desafío definitivo será demostrar que estas moléculas pueden superar todas las etapas de validación hasta llegar a los ensayos clínicos. La IA ya está ampliando el universo de búsqueda; convertir esas predicciones en antibióticos seguros y eficaces será el verdadero salto hacia la práctica médica.
Fuente original aquí
