Uno de los problemas más importantes de salud pública es la resistencia antimicrobiana, es decir, la capacidad de las bacterias de resistir los efectos de los antibióticos que se usan para combatirlas, lo que complica el tratamiento de infecciones comunes causadas por bacterias. A las bacterias que presentan estas características se les ha dado el nombre de “superbacterias”, las cuales se pueden definir en términos muy simples como bacterias comunes que han evolucionado para volverse “superresistentes” a los antibióticos. Ante esta situación, actualmente muchos científicos estudian el desarrollo de los péptidos antimicrobianos para combatir la resistencia antimicrobiana (Fig. 1).
Los péptidos antimicrobianos son pequeñas cadenas de aminoácidos (las piezas fundamentales que forman las proteínas) capaces de matar superbacterias. Sin embargo, descubrir un péptido que sea capaz de combatir las superbacterias es un gran desafío. Ante ello, los científicos están recurriendo al uso de novedosas herramientas de inteligencia artificial (IA) para acelerar su descubrimiento.
Pero, ¿qué es la IA? De forma sencilla, la IA es una rama de la informática capaz de desarrollar programas sofisticados con la capacidad de realizar tareas que requieren de inteligencia humana, como reconocer patrones, aprender de datos, tomar decisiones o realizar predicciones. Por ejemplo, los modelos de aprendizaje profundo (conocidos comúnmente como Deep Learning, DL) o de aprendizaje automático (Machine Learning, ML) son capaces de analizar grandes volúmenes de información y mejorar su rendimiento con la experiencia, sin necesidad de ser programados para cada tarea.
En este contexto, la IA es útil para el descubrimiento de péptidos antimicrobianos, ya que se utiliza para explorar enormes bases de datos disponibles en internet. Este proceso, que puede tardar años, ahora puede realizarse en mucho menos tiempo. Para identificar nuevos péptidos antimicrobianos, los modelos de DL o ML son entrenados con grandes bases de datos que contienen información de péptidos antimicrobianos conocidos, lo que les permite a dichos modelos ser entrenados para aprender a reconocer patrones de cómo se debería de “ver” un péptido con capacidad antimicrobiana y poder identificarlo en nuevos datos antes de tener la necesidad de ponerlo a prueba experimentalmente.
Sin embargo, no basta con identificar péptidos antimicrobianos; también se tiene que predecir su estructura, es decir, conocer cuál es su forma. Para esto se utiliza el modelado molecular, que es un conjunto de técnicas computacionales que permite representar y visualizar la estructura y estimar su comportamiento en diferentes escenarios. Todo esto se puede hacer actualmente mediante programas de computadora que ayudan a reducir la necesidad de realizar costosos experimentos de laboratorio. Esto permite estimar por computadora el comportamiento de un péptido antimicrobiano y saber si tiene la capacidad de matar a las superbacterias; este proceso se da cuando el péptido atraviesa la membrana celular, que es una envoltura que protege a la bacteria. Algo relevante de resaltar es que los péptidos se pueden mejorar para que sean más resistentes o específicos contra alguna bacteria en particular. Sin embargo, esto solo es el comienzo, ya que una vez que seleccionan los mejores péptidos antimicrobianos se comienzan los experimentos en laboratorio para finalmente seleccionar el mejor péptido antimicrobiano y que pueda ser utilizado como medicamento (Fig. 2).
Esta combinación de modelos basados en IA y modelado molecular resulta especialmente poderosa. Por un lado, la IA propone nuevos péptidos antimicrobianos con características prometedoras; por otro, el modelado molecular permite evaluar de manera detallada su posible eficacia antes de realizar experimentos en el laboratorio. Además, los programas son cada vez más potentes, incluso son capaces de diseñar nuevos péptidos antimicrobianos completamente nuevos.
En conjunto, la IA y el modelado molecular están transformando el proceso de descubrimiento de fármacos. Aunque todavía es necesario validar experimentalmente los resultados, estas tecnologías permiten reducir costos, ahorrar tiempo y aumentar las probabilidades de éxito. Así, se abren nuevas vías para combatir la resistencia antimicrobiana, uno de los mayores retos de salud global en el siglo XXI.
Los autores reconocen al Centro Nacional de Supercómputo (CNS) del Instituto Potosino de Investigación Científica y Tecnológica A.C. (IPICYT A.C.) por los recursos computacionales otorgados mediante el proyecto TKII-E-0325-I-280325-64/PR-64.
*Red de Estudios Moleculares Avanzados, INECOL A.C.
Para saber más:
Brizuela CA, Liu G, Stokes JM. et al. AI methods for antimicrobial peptides: progress and challenges. Microb Biotechnol. 2025;18:e70072. doi: 10.1111/1751-7915.70072
de la Fuente-Nunez C. Mining biology for antibiotic discovery. PLoS Biol. 2024;22:e3002946. doi: 10.1371/journal.pbio.3002946
WHO. WHO’s List Of Medically Important Antimicrobials: A Risk Management Tool for Mitigating Antimicrobial Resistance Due to Non-Human Use. Geneva, Switzerland: World Health Organization, 2024