La IA del MIT que diseña antibióticos: dos nuevos compuestos vencen a bacterias resistentes

• curecompass
• 30 agosto, 2025
• I+D, Medicina, Tecnología
• Cell, Inteligencia Artificial, James Collins, MIT, Portada
• 0 Comments

Investigadores del MIT usaron algoritmos generativos para crear más de 36 millones de compuestos teóricos y hallaron dos candidatos —NG1 y DN1— que mostraron eficacia contra Neisseria gonorrhoeae resistente y Staphylococcus aureus multirresistente (MRSA) en ensayos de laboratorio y modelos en ratón. El trabajo, publicado en Cell, abre una vía acelerada para explorar espacios químicos hasta ahora inaccesibles.

Un salto en el diseño de fármacos: explorar lo que no existe

El equipo del profesor James Collins en el MIT aplicó IA generativa para diseñar y filtrar compuestos nunca antes sintetizados, con el objetivo de romper el estancamiento del descubrimiento de antibióticos. “Estamos entusiasmados por las nuevas posibilidades que abre este proyecto para el desarrollo de antibióticos”, dijo Collins, subrayando que la estrategia permite explotar “espacios químicos mucho más grandes que antes eran inaccesibles”.

En las últimas décadas la aprobación de antibióticos fue escasa y, al mismo tiempo, la resistencia bacteriana crece: se estima que las infecciones resistentes causan casi 5 millones de muertes al año en el mundo. Frente a eso, el laboratorio de Collins amplió su enfoque previo (halicin, abaucin) y trasladó la búsqueda hacia moléculas inéditas generadas por IA.

Dos rutas para generar candidatos: fragmentos guiados y diseño libre

Los científicos siguieron dos aproximaciones complementarias:

1. Diseño con fragmentos (objetivo: N. gonorrhoeae). Partieron de una librería de ~45 millones de fragmentos químicos posibles y, mediante modelos de aprendizaje automático, la redujeron primero a ~4 millones y luego a ~1 millón tras excluir fragmentos citotóxicos o similares a antibióticos existentes. De ese conjunto emergió un fragmento llamado F1, que sirvió de semilla para generar alrededor de 7 millones de compuestos mediante dos algoritmos: CReM (mutaciones químicamente razonables) y F-VAE (autoencoder variacional basado en fragmentos). Tras cribados computacionales quedaron unos 1.000 candidatos; de 80 que intentaron sintetizar, solo 2 pudieron producirse y uno, NG1, resultó muy eficaz in vitro y en un modelo murino de gonorrea resistente.
2. Diseño sin restricciones (objetivo: S. aureus MRSA). Con reglas químicas generales, los modelos (CReM y variantes de VAE) generaron >29 millones de moléculas. Después de filtros y pruebas, el equipo sintetizó 22 compuestos: 6 mostraron potente actividad antibacterial y el principal, DN1, eliminó una infección cutánea por MRSA en ratones.

Ambos compuestos parecen actuar alterando la membrana bacteriana; NG1, además, interacciona con la proteína LptA, implicada en la síntesis de la membrana externa de bacterias Gram-negativas —un mecanismo novedoso frente a los antibióticos clásicos.

De laboratorio a la clínica: etapas por delante

Los resultados son prometedores pero preliminares. Phare Bio, organización sin fines de lucro que participa en el proyecto Antibiotics-AI, trabaja ahora para optimizar NG1 y DN1 mediante química medicinal y avanzar candidatos en pruebas preclínicas. Como aclara Collins, la meta es aplicar estas plataformas a otros patógenos críticos, por ejemplo Mycobacterium tuberculosis y Pseudomonas aeruginosa.

Aarti Krishnan, primera autora del estudio, explicó la intención crítica detrás del método: «Queríamos eliminar todo lo que pareciera un antibiótico existente, para abordar la crisis de resistencia de una manera fundamentalmente distinta. Al aventurarnos en áreas poco exploradas del espacio químico, nuestro objetivo era descubrir mecanismos de acción novedosos».

Por qué importa y qué limita el avance

El hallazgo demuestra el poder de la IA para explorar miles de millones de combinaciones químicas y acelerar la identificación de compuestos con mecanismos inéditos. Sin embargo, quedan retos importantes: solo una fracción de los candidatos generados puede sintetizarse de forma práctica; la optimización para seguridad, farmacocinética y manufactura llevará meses o años; y la transición de modelos animales a ensayos humanos es incierta y costosa.

El estudio, liderado por Collins con Aarti Krishnan, Melis Anahtar y Jacqueline Valeri como autores principales, fue financiado por agencias públicas y fundaciones, entre ellas la Defense Threat Reduction Agency, los National Institutes of Health, la Audacious Project y la Wyss Foundation.

Cada vez más cerca de cambiarlo todo

La investigación del MIT muestra que la IA generativa no solo encuentra “más de lo mismo”, sino que puede proponer química radicalmente nueva con resultados biológicos reales: NG1 y DN1 son pruebas de concepto de que es posible diseñar antibióticos activos contra patógenos resistentes en un flujo de trabajo centrado en modelos computacionales y cribados dirigidos.

Aun así, la promesa clínica requerirá años de optimización y validación. Si esos pasos se cumplen, la técnica podría significar un cambio de paradigma en la lucha contra la resistencia antimicrobiana.