Frente al problema de la resistencia a los antibióticos, la IA puede contribuir a identificar nuevas oportunidades en escenarios biológicos y químicos que hasta ahora resultaban difíciles de explorar.
La resistencia a los antibióticos es un serio problema para la medicina actual. A medida que las bacterias acumulan mecanismos para esquivar los tratamientos disponibles, disminuyen las opciones terapéuticas para los pacientes. Consecuentemente existe una necesidad acuciante para encontrar moléculas con propiedades antibióticas que sean efectivas frente a infecciones difíciles de tratar.
El número de compuestos químicos y elementos biológicos que podrían tener actividad antimicrobiana es elevado. Sin embargo, analizar todas las posibilidades mediante ensayos convencionales está fuera del alcance de la investigación actual, ya que se necesitan mucho tiempo y recursos.
En este escenario, la inteligencia artificial puede ayudar a acotar la búsqueda y priorizar los candidatos más prometedores. Los modelos computacionales pueden aprender de datos experimentales, reconocer patrones moleculares, predecir actividad antimicrobiana y priorizar moléculas para su posterior síntesis y validación.
Los pasos siguientes para confirmar si un candidato actúa realmente contra bacterias, seguirán dependiendo de los laboratorios articulados por personas y de los estudios preclínicos en modelos y clínicos en pacientes. Sin embargo, las herramientas basadas en IA pueden acelerar los pasos previos y ayudar a reducir el número de candidatos que llegan a esa fase.
Este avance ya está ocurriendo. Dos trabajos recientes muestran distintas formas de aplicar la IA en antibióticos. El grupo de César de la Fuente, en la Universidad de Pensilvania, ha utilizado aprendizaje profundo para buscar péptidos antimicrobianos en fuentes biológicas poco habituales y para mejorar candidatos ya identificados. Por su parte, investigadores del MIT de la Universidad de Harvard han aplicado redes neuronales al descubrimiento de moléculas activas frente a Neisseria gonorrhoeae, una bacteria con resistencia creciente a múltiples antibióticos.
IA para identificar antibióticos en secuencias biológicas ocultas
El laboratorio de César de la Fuente en la Universidad de Pensilvania utiliza herramientas computacionales para acelerar el descubrimiento de moléculas con posible utilidad biomédica, especialmente péptidos antimicrobianos. Estos péptidos, formados por cadenas cortas de aminoácidos, pueden formar parte de la defensa natural frente a microorganismos y son una fuente de interés para el desarrollo de nuevos antibióticos.
Una de las líneas principales del grupo consiste en buscar fragmentos con actividad biológica dentro de proteínas de mayor tamaño. Estos fragmentos, denominados péptidos encriptados, pueden pasar desapercibidos cuando se estudia la proteína completa, pero mostrar actividad cuando se analizan por separado. Con esta estrategia, el laboratorio ha explorado de forma exhaustiva el proteoma humano, microorganismos antiguos, microbiomas y venenos, entre otras fuentes.
En su trabajo más reciente la búsqueda se ha dirigido a las proteínas asociadas a priones. El equipo se planteó si estas proteínas, que se conocen principalmente por su plegamiento anómalo en enfermedades neurodegenerativas, podrían contener regiones con propiedades biológicas de interés. Para saberlo analizaron 19,3 millones de fragmentos procedentes de 2897 proteínas priónicas o similares a priones mediante APEX 1.1, una plataforma de aprendizaje profundo diseñada para predecir actividad antimicrobiana.
El modelo identificó 1179 candidatos, a los que los investigadores denominaron prioninas. Posteriormente, el equipo sintetizó 75 de estos péptidos para comprobar su actividad en el laboratorio. Entre esta selección, 59 de los candidatos inhibieron al menos un patógeno bacteriano, 53 alteraron membranas bacterianas y dos redujeron la carga de Acinetobacter baumannii en un modelo en ratón.
Los resultados del trabajo, publicados en Nature Microbiology, muestran que es posible identificar fuentes de antibióticos en lugares inesperados. Las proteínas relacionadas con priones no se habían considerado tradicionalmente una fuente de antibióticos. De hecho, los investigadores señalan que el trabajo no demuestra que estas prioninas se liberen de forma natural durante una infección ni que las proteínas priónicas actúen como antibióticos en el organismo. La aportación principal es identificar una nueva reserva de candidatos que puede explorarse con mayor detalle.
IA para mejorar péptidos antimicrobianos candidatos
En paralelo a la identificación de moléculas antimicrobianas y el trabajo con las prioninas, el laboratorio de César de la Fuente también desarrolla herramientas para mejorar péptidos que ya muestran cierto potencial antibiótico.
Su modelo ApexGO analiza estos péptidos prometedores y propone cambios concretos en su secuencia de aminoácidos. Después, predice si esas modificaciones pueden aumentar la actividad antimicrobiana y utiliza esa información para guiar nuevas rondas de diseño. La herramienta combina la capacidad predictiva de APEX con métodos de optimización bayesiana, para explorar de forma más eficiente el gran número de variantes posibles.
Según los datos proporcionados por el equipo, las pruebas de laboratorio respaldaron una parte importante de las predicciones: el 85% de las moléculas generadas detuvo el crecimiento bacteriano y el 72% superó a los péptidos de partida. Además, dos péptidos creados con ApexGO redujeron la carga bacteriana en ratones a niveles comparables a los observados con polimixina B.
Redes neuronales para buscar compuestos frente a Neisseria gonorrhoeae
Otro ejemplo de búsqueda de compuestos antibióticos mediante IA es el llevado a cabo por el equipo de James J. Collins en el Instituto de Tecnología de Massachussets. En este caso la investigación se ha centrado en la bacteria causante de la gonorrea, Neisseria gonorrhoeae, que ha desarrollado resistencia a varios antibióticos como la penicilina, la tetraciclina, el ciprofloxacino, la cefixima y la azitromicina. Además, se han detectado cepas con baja sensibilidad o resistencia a los tratamientos recomendados en diferentes regiones del mundo, lo que dificulta hacer frente a sus infecciones.
Los investigadores plantearon una estrategia basada en aprendizaje profundo para identificar compuestos con actividad frente a N. gonorrhoeae. En primer lugar, generaron un conjunto experimental de datos, evaluando la capacidad de 38 650 moléculas pequeñas para inhibir el crecimiento de la bacteria. Y con esos datos entrenaron una red neuronal de grafos, un tipo de modelo que representa las moléculas a partir de sus átomos y enlaces.
Una vez entrenado, el modelo se utilizó para cribar virtualmente alrededor de seis millones de compuestos. Los investigadores seleccionaron 213 candidatos para validarlos experimentalmente y observaron que 83 inhibían el crecimiento de la bacteria. Entre ellos destacan dos compuestos, denominados MP20 y A1, que presentaron tanto actividad frente a cepas multirresistentes como baja toxicidad en líneas celulares humanas en las condiciones estudiadas. Por ejemplo, ambos redujeron la carga bacteriana en un modelo de vagina en un sistema de microfluidos que reproduce algunos aspectos del tejido vaginal humano y permite estudiar interacciones entre células humanas, flujo de líquidos y microorganismos.
La IA como herramienta para acelerar, seleccionar y mejorar candidatos a antibióticos
Los trabajos de Collins y de la Fuente muestran el avance de la IA en la búsqueda de antibióticos desde perspectivas complementarias. En la Universidad de Pennsylvania, los modelos se aplican a secuencias biológicas y péptidos antimicrobianos. En el MIT, se utilizan para analizar moléculas pequeñas y seleccionar compuestos activos frente a un patógeno concreto.
En ambos casos, la inteligencia artificial ayuda a manejar una cantidad de posibilidades que excede la capacidad del cribado experimental directo. También permite explorar regiones poco estudiadas como en el caso de las prioninas o mejorar compuestos que ya muestran actividad microbiana en cierto grado. En cualquier caso, la validación experimental seguirá siendo imprescindible para evaluar eficacia, descartar toxicidad y confirmar o estudiar los mecanismos de acción antes de plantear una aplicación clínica.
De momento, los resultados se sitúan en una fase preclínica. Los péptidos y compuestos descritos todavía requieren optimización y deberán realizarse estudios adicionales antes de que se consideren candidatos terapéuticos. Aun así, estos trabajos muestran cómo las herramientas computacionales están ganando peso en la búsqueda de antibióticos y reflejan la tendencia de incorporar estas herramientas en todo tipo de investigaciones.
Artículos de investigación
Torres MDT, Zeng Y, Wan, F. et al. A generative artificial intelligence approach for peptide antibiotic optimization. Nat Mach Intell 8, 841–856 (2026). DOI: https://doi.org/10.1038/s42256-026-01237-5
Torres MDT, Wan F & de la Fuente-Nunez, C. Deep learning reveals antimicrobial peptides within prions. Nat Microbiol (2026). https://doi.org/10.1038/s41564-026-02408-1
Otras fuentes
AI uncovers potential antibiotics hidden in proteins linked to fatal brain disease. https://www.pennmedicine.org/news/ai-reveals-unexpected-source-of-antibiotic-candidates-in-prion-proteins
Anahtar MN, et al. Deep learning-enabled discovery of antibiotics effective against Neisseria gonorrhoeae. Sci Transl Med. 2026 Jun 17;18(854):eads4699. doi: 10.1126/scitranslmed.ads4699.
