La tecnología permite analizar millones de moléculas y seleccionar candidatas con potencial para convertirse en nuevos tratamientos. El desafío es urgente: las bacterias resistentes dificultan cada vez más la atención de infecciones y afectan de manera desproporcionada a regiones como América Latina.

La carrera contra las bacterias resistentes tiene un nuevo aliado. La inteligencia artificial comienza a transformar la búsqueda de antibióticos al permitir que los investigadores exploren una cantidad mucho mayor de compuestos químicos, identifiquen cuáles podrían funcionar y reduzcan parte del tiempo y los recursos necesarios para avanzar hacia nuevos tratamientos.

El desafío es enorme. Las bacterias desarrollan mecanismos que les permiten sobrevivir a medicamentos que antes podían eliminarlas, mientras que el descubrimiento de nuevos antibióticos continúa siendo un proceso largo, costoso y con una elevada tasa de fracaso. En ese escenario, la inteligencia artificial ofrece herramientas para ampliar las posibilidades de la investigación científica, aunque todavía debe demostrar su utilidad en tratamientos seguros y eficaces para las personas.

La magnitud del problema quedó reflejada en un estudio publicado en la revista científica The Lancet, que estimó que la resistencia bacteriana a los antimicrobianos estuvo asociada con aproximadamente 4,95 millones de muertes en todo el mundo durante 2019. De ese total, alrededor de 1,27 millones de fallecimientos fueron atribuibles directamente a la resistencia.

Estas cifras muestran que no se trata solamente de un problema relacionado con los hospitales o con determinados medicamentos. Cuando una bacteria deja de responder a los tratamientos disponibles, infecciones que antes podían controlarse se vuelven más difíciles de tratar. También aumentan los riesgos asociados con cirugías, internaciones y procedimientos médicos que dependen de la capacidad de prevenir o controlar infecciones.

Una de las dificultades centrales es que desarrollar un medicamento nuevo puede llevar más de una década. El proceso incluye identificar una molécula prometedora, comprobar sus propiedades, estudiar su seguridad y eficacia y superar distintas etapas de evaluación antes de que pueda utilizarse en pacientes. La mayoría de los candidatos a fármacos no consigue completar ese recorrido.

La inteligencia artificial busca intervenir en las primeras etapas de esa cadena. En lugar de depender exclusivamente de la fabricación y evaluación física de enormes cantidades de compuestos, los modelos informáticos pueden analizar datos químicos y biológicos para predecir qué moléculas tienen características compatibles con un posible efecto antibiótico.

El objetivo no es reemplazar el laboratorio, sino utilizar mejor sus recursos. Los algoritmos pueden ayudar a descartar candidatos poco prometedores y orientar a los investigadores hacia aquellos que merecen ser estudiados con mayor profundidad. De esa manera, se reduce la cantidad de opciones que deben pasar por las primeras pruebas experimentales.

Kenneth Bradley, responsable global de Descubrimiento de Enfermedades Infecciosas de Roche, explicó durante el encuentro Roche Press Day 2026 que estas herramientas permiten ampliar considerablemente el universo de moléculas que los científicos pueden considerar. Parte del trabajo puede realizarse de manera virtual antes de invertir recursos en fabricar los compuestos y comprobar sus propiedades.

La compañía utiliza modelos entrenados con millones de datos recopilados durante aproximadamente una década para buscar moléculas con potencial para combatir infecciones bacterianas. El procedimiento combina predicciones digitales con experimentos físicos en un sistema conocido como Lab in the Loop, que integra el trabajo computacional con las pruebas de laboratorio.

El proceso funciona mediante una retroalimentación constante. Primero, los modelos identifican posibles candidatos. Después, los investigadores sintetizan las moléculas seleccionadas y evalúan experimentalmente sus propiedades. Los resultados se incorporan a los datos utilizados por los sistemas de inteligencia artificial, que pueden ajustar sus predicciones y orientar la siguiente etapa de búsqueda.

Esta combinación resulta importante porque una molécula que parece prometedora en una simulación no necesariamente funcionará en condiciones reales. Puede presentar problemas de seguridad, no alcanzar el lugar de la infección en concentraciones suficientes o mostrar una actividad antibacteriana menor de la esperada. Por eso, los experimentos siguen siendo indispensables.

La urgencia es especialmente visible en el caso de las bacterias gramnegativas, un grupo de microorganismos que incluye patógenos capaces de desarrollar resistencia frente a múltiples medicamentos. Su estructura biológica dificulta el ingreso de determinados antibióticos y representa un desafío importante para el desarrollo de nuevos tratamientos.

La escasez de nuevas clases de antibióticos capaces de actuar contra estos microorganismos es una de las preocupaciones de la investigación farmacéutica. Mientras las bacterias continúan evolucionando, la medicina necesita opciones que permitan tratar infecciones para las que los medicamentos existentes pierden eficacia.

En América Latina, el problema adquiere una dimensión particular. Las consecuencias de la resistencia antimicrobiana no se distribuyen de manera uniforme entre regiones y poblaciones. Las diferencias en el acceso a diagnósticos, tratamientos, sistemas de vigilancia epidemiológica y servicios sanitarios pueden influir tanto en la propagación de las infecciones resistentes como en la capacidad de responder a ellas.

Por eso, el desarrollo de nuevas moléculas no debería ser el único objetivo. También resulta necesario garantizar que los futuros tratamientos puedan llegar a quienes los necesitan, sin que su precio o la desigualdad entre los sistemas de salud se conviertan en barreras adicionales.

La inteligencia artificial tampoco resuelve por sí sola las causas que alimentan la resistencia. El uso inadecuado de antibióticos, su consumo cuando no son necesarios, las dificultades para acceder a diagnósticos precisos y las deficiencias en la prevención y el control de infecciones contribuyen a que las bacterias resistentes se desarrollen y propaguen.

Preservar la eficacia de los medicamentos disponibles requiere mejorar la vigilancia, fortalecer las medidas de higiene y prevención, ampliar el acceso a servicios sanitarios y utilizar los antibióticos de manera responsable. La innovación científica necesita avanzar junto con esas políticas para evitar que los nuevos tratamientos pierdan eficacia con el tiempo.

También será necesario evaluar con rigor los resultados de las herramientas de inteligencia artificial. Su capacidad para procesar grandes volúmenes de información puede acelerar determinadas etapas, pero las predicciones informáticas no garantizan que una molécula llegue a convertirse en un medicamento aprobado. Entre una posibilidad detectada por un algoritmo y un tratamiento disponible existe un largo recorrido científico y regulatorio.

El aporte de esta tecnología consiste, por ahora, en ampliar el campo de búsqueda y ayudar a tomar decisiones más informadas durante las primeras fases del desarrollo. En una investigación en la que muchos candidatos fracasan, identificar mejor cuáles merecen ser estudiados puede representar una diferencia significativa.

La lucha contra la resistencia antimicrobiana exige, en definitiva, algo más que encontrar una nueva molécula. Requiere ciencia sostenida, inversión, cooperación internacional y sistemas de salud capaces de transformar los avances de laboratorio en beneficios concretos para la población.

La inteligencia artificial abre una posibilidad importante en esa dirección. Su verdadero impacto, sin embargo, no se medirá por la cantidad de moléculas que consiga imaginar, sino por su capacidad para contribuir al desarrollo de tratamientos eficaces, accesibles y capaces de responder a una amenaza que ya condiciona la medicina contemporánea.