Cerca de 4.95 millones de muertes fueron asociadas en 2019 a la resistencia bacteriana a los antimicrobianos, de las cuales 1.27 millones se atribuyeron directamente a esta causa. Frente a ese escenario, la inteligencia artificial está redefiniendo el proceso de descubrimiento de nuevos antibióticos, una carrera científica que lleva décadas estancada: desde finales de los años sesenta no se ha introducido una nueva clase de antibióticos eficaz contra bacterias gramnegativas, las más difíciles de tratar por su arquitectura celular y sus mecanismos de defensa.
Del laboratorio físico al laboratorio virtual
El cuello de botella tradicional en el desarrollo de antibióticos ha sido la necesidad de sintetizar y evaluar físicamente millones de moléculas antes de identificar candidatos viables. La IA invierte esa lógica: primero predice cuáles compuestos tienen mayor probabilidad de funcionar como antibióticos y, solo entonces, los investigadores los fabrican y someten a pruebas experimentales.
Este enfoque, conocido como Lab in the Loop, opera en ciclos iterativos: el modelo hace predicciones, el laboratorio sintetiza las moléculas seleccionadas, los resultados experimentales retroalimentan el modelo y este ajusta sus parámetros para la siguiente ronda. El proceso permite ampliar drásticamente el universo de moléculas consideradas sin multiplicar los costos de producción en las fases tempranas.
"Una de las cosas que la inteligencia artificial nos está ayudando a hacer es ampliar la cantidad de moléculas que podemos considerar desarrollar, porque ahora podemos realizar gran parte del trabajo de manera virtual", explicó Kenneth Bradley, jefe global de Descubrimiento de Enfermedades Infecciosas de Roche, durante el Roche Press Day 2026 celebrado en Costa Rica.
Modelos entrenados con una década de datos
Los sistemas de IA aplicados a este campo no parten de cero. Están entrenados con millones de registros acumulados a lo largo de diez años de investigación, lo que les permite reconocer patrones moleculares asociados con actividad antibiótica. La precisión de las predicciones depende directamente de la calidad y volumen de esos datos históricos.
Un criterio clave en el diseño de estos modelos es la viabilidad química: no basta con que una molécula sea prometedora en simulación; debe ser sintetizable en condiciones reales de laboratorio. "Queremos que la inteligencia artificial haga predicciones sobre moléculas que nuestros químicos realmente puedan sintetizar", señaló Bradley, apuntando a uno de los desafíos más frecuentes cuando la computación y la química experimental no están alineadas.
Una amenaza con impacto desigual en América Latina
La resistencia antimicrobiana no distribuye su carga de forma homogénea. América Latina concentra una proporción desproporcionada de casos graves, impulsada por factores como el uso inadecuado de antibióticos, la debilidad de sistemas de vigilancia epidemiológica y las brechas en acceso a diagnóstico oportuno.
Esa asimetría convierte a la región en un escenario de alta relevancia para cualquier avance en el desarrollo de nuevos agentes antibacterianos. La aceleración del proceso de descubrimiento mediante IA no solo tiene implicaciones científicas: reduce el tiempo entre la identificación de un candidato y su entrada a ensayos clínicos, lo que puede traducirse en tratamientos disponibles antes de que la resistencia se vuelva inmanejable en contextos de alta carga infecciosa.
La convergencia entre biología computacional, química medicinal e inteligencia artificial está reconfigurando uno de los campos más críticos de la salud pública global, con consecuencias directas sobre la capacidad de los sistemas de salud para responder a infecciones que hoy ya no responden a los tratamientos disponibles.
