Tabla de contenido
Antibióticos diseñados con IA: cómo el MIT inventó dos moléculas
El MIT generó 36 millones de compuestos y solo dos curaron ratones. Los antibióticos diseñados con IA explicados paso a paso, con actividades por edad en casa.
Los antibióticos diseñados con IA que salieron del MIT en 2025 vinieron de un embudo cuya forma todo niño debería ver: entran 36 millones de moléculas, salen dos medicamentos útiles. El laboratorio de James Collins usó algoritmos generativos para diseñar más de 36 millones de compuestos candidatos, los filtró por computadora según actividad antibacteriana y toxicidad, se quedó con unos mil prometedores y ahí chocó con el muro que frena a casi toda la química con IA: de 80 compuestos elegidos para sintetizar en una rama del proyecto, los químicos solo pudieron fabricar dos. Esos dos, NG1 y DN1, después eliminaron infecciones de gonorrea multirresistente y de MRSA en ratones. El artículo salió en Cell el 14 de agosto de 2025.
Puntos clave
- Se usaron dos estrategias generativas distintas: una basada en fragmentos (partir de una pieza química que el modelo prefería) y una sin restricciones (generar libremente, solo exigiendo que la química fuera plausible).
- Escala: más de 36 millones de compuestos generados. La rama de fragmentos filtró ~45 millones de fragmentos a 4 millones, luego a 1 millón, generó ~7 millones de moléculas completas, predijo ~1.000 activas, seleccionó 80 y sintetizó 2.
- NG1 mata Neisseria gonorrhoeae resistente atacando una proteína llamada LptA, que construye la membrana externa de la bacteria. DN1 mata MRSA alterando membranas bacterianas de forma más general.
- Los dos funcionaron en modelos de infección en ratones. Ninguno se ha probado en humanos. La organización sin fines de lucro Phare Bio hace el seguimiento de química medicinal.
- El cuello de botella de la síntesis es la verdadera historia: un modelo imagina una molécula con mucha más facilidad de la que un químico tiene para construirla.
Por qué hacían falta antibióticos nuevos con tanta urgencia
Casi ninguna clase estructuralmente nueva de antibiótico ha llegado a la clínica en décadas, mientras la resistencia sigue creciendo. Los CDC de Estados Unidos cuentan más de 2,8 millones de infecciones resistentes y más de 35.000 muertes por año solo en ese país (CDC).
La gonorrea es una alarma específica. Neisseria gonorrhoeae ha desarrollado resistencia a casi todas las clases de fármacos que se le han lanzado, y la Organización Mundial de la Salud la clasifica entre los patógenos prioritarios. El MRSA, Staphylococcus aureus resistente a meticilina, es el otro objetivo: común en hospitales y en infecciones de piel, incluidas las de niños.
El descubrimiento tradicional de antibióticos consistía en tamizar bacterias del suelo y productos naturales con la esperanza de que apareciera algo nuevo. Ese pozo está casi seco. La química generativa hace otra pregunta: en vez de buscar lo que existe, ¿podemos diseñar lo que no existe?
El embudo de los antibióticos diseñados con IA, etapa por etapa
El trabajo lo dirigió James Collins, profesor Termeer de Ingeniería y Ciencia Médica en el MIT, con Aarti Krishnan, Melis Anahtar y Jacqueline Valeri como primeras autoras (MIT News).
Qué calcularon los modelos. Dos algoritmos hicieron la generación. CReM (Chemically Reasonable Mutations) toma una molécula existente y hace ediciones pequeñas y legales: agregar un átomo, cambiar un átomo, borrar un grupo. Cada edición respeta reglas químicas reales, así que la salida es al menos construible en principio. F-VAE (autocodificador variacional basado en fragmentos) funciona distinto: aprendió patrones de más de un millón de moléculas de la base de datos ChEMBL y ensambla moléculas completas a partir de fragmentos, como armarías una frase con expresiones que ya escuchaste.
Qué datos usaron. ChEMBL, una base pública de moléculas bioactivas, para aprender cómo se ve la química tipo fármaco. Y sus propios datos de tamizaje sobre qué fragmentos químicos muestran actividad antimicrobiana, para entrenar los predictores de actividad.
Las dos estrategias. En la rama de fragmentos, dirigida a la gonorrea, el equipo primero tamizó unos 45 millones de fragmentos químicos, eligió una pieza prometedora llamada F1 y pidió a los generadores construir moléculas completas que la contuvieran. En la rama sin restricciones, dirigida a S. aureus, dejaron que los algoritmos produjeran moléculas sin requisito estructural más allá de ser químicamente sensatas, generando más de 29 millones.
Los filtros. Actividad antimicrobiana predicha. Citotoxicidad predicha, para que el compuesto no envenene células humanas. Y falta de parecido con antibióticos existentes, porque el objetivo era una clase estructural nueva que los mecanismos de resistencia no hayan visto.
Qué acertó. NG1 ataca LptA, una proteína que participa en ensamblar la membrana externa de lipopolisacáridos de las bacterias gramnegativas. Golpear LptA es un mecanismo inusual, y eso importa porque la resistencia existente no aplica. Eliminó gonorrea resistente en cultivos y en un modelo de infección en ratones. DN1 alteró membranas bacterianas de forma más amplia y eliminó infecciones cutáneas de MRSA en ratones.
Qué falló, o no pudo hacer. Los números de síntesis son brutales y vale repetirlos. En la rama de fragmentos, se eligieron 80 compuestos para sintetizar y se lograron 2. En la rama sin restricciones, unos 90 candidatos rindieron 22 sintetizados. Un modelo puede proponer una molécula legal en el papel y de todos modos imposible de fabricar, porque no existe una secuencia de reacciones conocida que llegue ahí a un costo razonable. Nada se ha probado en humanos. La eficacia en ratones es un hito real y también la etapa donde la mayoría de los candidatos a antibiótico acaba fallando.
La analogía: una máquina que diseña naves de LEGO
Imagina un programa que estudió un millón de manuales de LEGO. Nunca tocó un ladrillo. Le pides diseños nuevos de naves y produce 36 millones, todos obedeciendo la regla de que los pernos encajan en los huecos.
Ahora intenta construirlos. La mayoría pide un ladrillo de un color y forma que no existe en ningún set. Algunos necesitan insertar una pieza en el centro después de sellar el casco, lo cual es físicamente imposible. De 80 diseños que elegiste, logras armar dos. Y los dos vuelan mejor que todo lo que había en los manuales.
Esa es la química generativa con las herramientas de hoy. “Químicamente plausible” y “sintetizable en esta década” son estándares distintos, y la brecha entre ambos es donde murieron 78 de los 80 diseños.
El embudo en números: dónde 36 millones se volvieron 2
| Etapa | Rama por fragmentos (gonorrea) | Rama sin restricciones (MRSA) |
|---|---|---|
| Punto de partida | ~45 millones de fragmentos tamizados | Sin restricción inicial |
| Tras predicción antimicrobiana | ~4 millones de fragmentos | — |
| Tras filtros de toxicidad y novedad | ~1 millón de fragmentos | — |
| Moléculas completas generadas | ~7 millones (CReM y F-VAE) | más de 29 millones |
| Predichas activas | ~1.000 compuestos | ~90 candidatos |
| Seleccionadas para síntesis | 80 | ~90 |
| Realmente sintetizadas | 2 | 22 |
| Eliminaron la infección en ratones | 1 (NG1) | 1 (DN1) |
Lee la tabla de izquierda a derecha y la lección salta: las etapas de computadora recortan órdenes de magnitud a bajo costo, y las etapas de laboratorio son donde el proyecto casi se muere.
Cómo enseñarle esto a tu hijo
De 5 a 8 años: construir una molécula con palillos
Usa malvaviscos o bolitas de plastilina como átomos y palillos como enlaces. Dale una regla: cada bolita blanca recibe exactamente un palillo, cada bolita negra recibe exactamente cuatro. Pídele que invente tres formas nuevas que cumplan las reglas. Después pídele que construya una que dibujó sin revisar las reglas antes. Casi siempre no se puede armar. Ese es el cuello de botella de la síntesis, sentido con las manos y sin vocabulario de química.
De 9 a 12 años: el juego del embudo de filtros
Escribe 40 “nombres de moléculas” inventados en papelitos. Aplica tres filtros en orden: quédate solo con los que tienen vocal en la segunda posición (filtro de actividad), luego solo los de menos de ocho letras (filtro de toxicidad), y luego solo los que no rimen con un nombre existente (filtro de novedad). Cuenten los sobrevivientes en cada paso. Después comparen con los números reales del MIT: 45 millones a 4 millones a 1 millón. Pregúntale cuál filtro cortó más y por qué importa el orden.
De 13 en adelante: leer el embudo y hallar el cuello de botella
Dale la tabla de arriba y una sola pregunta: si tuvieras poder de cómputo ilimitado pero el mismo laboratorio de química, ¿cuántos fármacos más obtendrías? (Respuesta: casi ninguno. El cuello de botella es la síntesis, no la generación.) Después pídele que busque “predicción de retrosíntesis”, el subcampo de IA que intenta arreglar exactamente eso, y escriba tres frases sobre por qué podría importar más que mejores generadores de moléculas. Para una versión práctica, MolView permite dibujar moléculas en el navegador y verlas en 3D al instante.
La pregunta que debes hacer: “La IA diseñó 36 millones de moléculas y los químicos fabricaron 24. ¿Cuál número te dice más sobre qué tan cerca estamos de un medicamento nuevo?”
¿Y en América Latina?
La resistencia a los antibióticos pesa más en la región que en Estados Unidos por una razón concreta: en muchos países todavía se consigue amoxicilina o ciprofloxacino sin receta en la farmacia de la esquina. México prohibió la venta sin receta en 2010 y Colombia, Chile y Argentina tienen reglas similares, pero el cumplimiento es desigual y la automedicación sigue siendo costumbre familiar. Cada tratamiento incompleto para un resfriado viral es una lección práctica de evolución que le damos a las bacterias.
En el plano educativo, el contraste vale la pena: PISA 2025, publicado el 8 de septiembre de 2026, mostró ciencias estable o al alza en Colombia (414, +3) y México (414, +4), pero matemáticas en caída, con Argentina en 367, su peor resultado desde 2006, según Infobae. Y el 56 % de los estudiantes colombianos ya usa IA cada semana, según Pulzo. Un adolescente que puede calcular tasas de paso en un embudo de 36 millones a 2 está usando matemáticas para entender ciencia, que es justo lo que esos puntajes dicen que falta.
Qué hacer en casa
Separar “diseñado” de “entregado”
Un titular que dice que la IA creó un antibiótico nuevo es cierto e incompleto. La versión precisa: la IA propuso estructuras, los humanos construyeron un par de docenas, dos funcionaron en ratones y los ensayos en personas no han empezado. Enseñarle a tu hijo a agregar “¿y después qué pasó?” a cada titular de IA en ciencia es una habilidad portátil.
Señalar que el mecanismo importa, no solo el resultado
NG1 funciona golpeando LptA. Esa especificidad es la razón por la que el compuesto importa: es un mecanismo contra el cual los genes de resistencia existentes no fueron seleccionados. Los niños que aprenden a preguntar “¿cómo funciona?” en vez de “¿funciona?” terminan entendiendo la medicina, no solo consumiéndola.
Usar los números, no los adjetivos
“36 millones diseñados, 24 sintetizados, 2 efectivos en ratones” es más memorable y más honesto que “avance histórico”. Nuestro artículo hermano sobre el embudo de descubrimiento de materiales con IA usa el mismo encuadre para ciencia de materiales, y el paralelo es exacto.
Conectarlo con por qué el pediatra se resiste a recetar antibióticos
El problema de la resistencia es la razón entera por la que existe esta investigación. Si alguna vez salieron del consultorio sin el antibiótico que esperaban, ese es el frente de batalla. Nuestra guía sobre uso excesivo de antibióticos en niños explica el lado clínico, y esta investigación es una de las respuestas de largo plazo.
Lo que no debes hacer
No le digas a tu hijo que la IA “descubrió” NG1 como Fleming descubrió la penicilina. Es un acto distinto. Fleming notó algo real en una placa. El modelo produjo una estructura que después humanos tuvieron que sintetizar y probar. Las dos cosas son ciencia, pero los papeles no son intercambiables, y confundirlos hace más difícil leer la próxima década de titulares.
Qué observar en los próximos 3 meses
- Semana 4: tu hijo puede decir el embudo en voz alta: millones diseñados, docenas construidas, dos funcionaron en ratones. La precisión en esos tres números es la meta.
- Mes 2, señales de alerta: dice “la IA curó el MRSA”. Vuelvan al lenguaje del artículo sobre modelos en ratones y agreguen las palabras que faltan: en ratones, todavía no en personas.
- Mes 3, autoevaluación: pídele que busque otro titular de fármacos con IA e identifique su embudo. Si el artículo no lo da, esa ausencia debería incomodarlo. Ese reflejo es el resultado que vale.
Preguntas frecuentes
¿NG1 y DN1 están disponibles como medicamentos?
No. Los dos mostraron eficacia en modelos de infección en ratones, una etapa preclínica temprana. Los ensayos en humanos requieren primero pruebas de seguridad extensas, búsqueda de dosis y trabajo de manufactura. Phare Bio explora modificaciones estructurales de ambos compuestos, y el equipo del MIT extiende la plataforma a Mycobacterium tuberculosis y Pseudomonas aeruginosa.
¿En qué se diferencia esto de AlphaFold o la predicción de proteínas?
La predicción de estructura de proteínas averigua la forma de una molécula que ya existe en la naturaleza. La química generativa inventa moléculas que no existen y propone sus estructuras. Problema distinto, falla distinta: una predicción equivocada es una respuesta equivocada, mientras una molécula generada equivocada suele ser una imposible de construir.
¿Por qué los químicos solo pudieron fabricar 2 de 80 compuestos?
Porque “químicamente razonable” en pantalla es una vara más baja que “sintetizable en un laboratorio real a costo razonable”. Construir una molécula exige una secuencia de reacciones que funcionen, en un orden que no destruya las partes anteriores. Muchas estructuras generadas no tienen ruta conocida. Por eso la predicción de retrosíntesis es un área activa de investigación en IA.
¿Esto significa que la IA va a reemplazar a los químicos?
Los números del MIT dicen lo contrario. La etapa generativa fue rápida y barata; la etapa de química humana fue la restricción. Si algo, este tipo de trabajo aumenta el valor de los químicos sintéticos, porque su capacidad ahora limita cuántas ideas de la IA se pueden probar.
¿Qué es LptA y por qué le sirve saberlo a un niño?
LptA es una proteína que ayuda a las bacterias gramnegativas a ensamblar su membrana externa, la capa protectora que también las hace difíciles de matar. Atacarla es inusual, lo que significa que las bacterias no han evolucionado defensas contra ese ataque específico. Para un niño es una ilustración limpia de por qué cómo funciona un fármaco determina si ya existe resistencia.
Sobre el autor
Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.
Fuentes
- Krishnan, A., Anahtar, M., Valeri, J., et al. (2025). Compuestos diseñados con IA generativa activos contra bacterias resistentes. Cell, 14 de agosto de 2025. https://news.mit.edu/2025/using-generative-ai-researchers-design-compounds-kill-drug-resistant-bacteria-0814
- MIT News. (2025, 14 de agosto). “Using generative AI, researchers design compounds that can kill drug-resistant bacteria.” https://news.mit.edu/2025/using-generative-ai-researchers-design-compounds-kill-drug-resistant-bacteria-0814
- MIT Technology Review. (2025, 21 de octubre). “AI-designed compounds can kill drug-resistant bacteria.” https://www.technologyreview.com/2025/10/21/1124755/a-i-designed-compounds-can-kill-drug-resistant-bacteria/
- Centers for Disease Control and Prevention. “About Antimicrobial Resistance.” https://www.cdc.gov/antimicrobial-resistance/about/index.html
- Centers for Disease Control and Prevention. (2019). Antibiotic Resistance Threats in the United States. https://www.cdc.gov/antimicrobial-resistance/media/pdfs/2019-ar-threats-report-508.pdf
- Euronews Health. (2025, 15 de agosto). “MIT scientists use AI to develop new antibiotics for stubborn gonorrhoea and MRSA.” https://www.euronews.com/health/2025/08/15/mit-scientists-use-ai-to-develop-new-antibiotics-for-stubborn-gonorrhoea-and-mrsa
- Organización Mundial de la Salud. “Antimicrobial resistance.” https://www.who.int/news-room/fact-sheets/detail/antimicrobial-resistance
- Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/
