La inteligencia artificial (IA) comenzó a utilizarse en Argentina como herramienta para acelerar el descubrimiento de antibióticos frente a bacterias que causan neumonía y tuberculosis, en un contexto atravesado por el avance de la resistencia antimicrobiana. El trabajo se apoya en enfoques computacionales que buscan reducir tiempos y costos en las primeras etapas de investigación, sin reemplazar la validación experimental.
La resistencia a los antibióticos se consolidó como un problema sanitario vigente, asociado al uso excesivo de estos fármacos tanto en medicina como en la producción animal. En ese marco, el doctor en Biología Darío Fernández Do Porto, investigador independiente del Conicet y director de la Especialización en Bioinformática del Instituto Universitario IUDPT, comparó el método tradicional con una búsqueda de baja eficiencia: “Descubrir un antibiótico mediante el método clásico es como buscar una aguja en un pajar”, dijo Fernández Do Porto.
Modelos entrenados con datos de laboratorio
Una de las estrategias consiste en entrenar modelos de IA con miles de moléculas cuya actividad antibacteriana ya fue medida en laboratorio. El objetivo es que el sistema aprenda patrones asociados a la inhibición del crecimiento bacteriano y, con ese aprendizaje, pueda rastrear entre millones de compuestos para priorizar candidatos. “Puede buscarlos entre millones de compuestos y señalar cuáles parecen más prometedores”, dijo Fernández Do Porto.
Ese enfoque permitió identificar moléculas como la halicina, que mostró actividad contra un amplio espectro de bacterias multirresistentes. Además, se mencionan modelos más recientes capaces de diseñar moléculas que nunca antes fueron sintetizadas.
Del genoma al blanco terapéutico
El trabajo también incorpora un camino inverso: comenzar por la bacteria, estudiar su genoma y su funcionamiento para detectar puntos vulnerables y luego buscar compuestos capaces de atacarlos. En ese marco, el grupo integra información genómica, redes metabólicas, expresión génica y estructura tridimensional de proteínas para priorizar blancos terapéuticos, identificar cuáles son indispensables para la supervivencia del microorganismo y cuáles difieren de proteínas humanas, con el fin de reducir el riesgo de afectar células del paciente.
Entre los avances que impulsaron este campo se destaca AlphaFold, un sistema de IA que predice estructuras tridimensionales de proteínas con precisión cercana a la obtenida experimentalmente. En paralelo, el equipo desarrolla desde 2018 la plataforma web abierta Target-Pathogen, orientada a analizar genomas completos y priorizar posibles blancos terapéuticos, que se encuentra en expansión para incorporar IA, predicción de estructuras y búsqueda de compuestos.
En el plano experimental, investigadores del equipo identificaron inhibidores de PknG, una proteína de Mycobacterium tuberculosis, y demostraron que esos compuestos podían bloquear su actividad. Aun así, el desarrollo requiere condiciones adicionales: el compuesto debe ingresar en la bacteria, evitar ser expulsado y resultar seguro para el paciente.
Uno de los focos actuales es Klebsiella pneumoniae, vinculada a neumonía, sepsis e infecciones urinarias o de heridas, con cepas que resisten incluso antibióticos de último recurso. Para avanzar, el equipo conformó un consorcio internacional con grupos de Argentina, Brasil y Canadá, seleccionado entre 18 proyectos para integrar Gr-ADI, una iniciativa impulsada por la Gates Foundation, la Novo Nordisk Foundation y Wellcome. El proyecto durará tres años y combinará IA, biología estructural y validación experimental, con la meta de obtener compuestos líderes para su optimización química, estudios preclínicos y, posteriormente, ensayos clínicos.
