Aplicación de la inteligencia artificial en el desarrollo de nuevos antibióticos.

Abstract

La resistencia antimicrobiana constituye uno de los principales desafíos para la salud pública global, agravado por la disminución en el desarrollo de nuevos antibióticos y las limitaciones de los métodos tradicionales de descubrimiento de fármacos. En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta prometedora capaz de optimizar y acelerar las fases iniciales del desarrollo farmacológico. El objetivo de este trabajo fue evaluar el papel de la IA en el descubrimiento de nuevos antibióticos y su impacto en la optimización del proceso de desarrollo. Para ello, se realizó una revisión bibliográfica sistemática en las bases de datos PubMed y Embase, aplicando criterios de inclusión centrados en estudios recientes que emplean técnicas de machine learning (ML), deep learning (DL) y modelado computacional en el diseño e identificación de compuestos antimicrobianos. Los resultados muestran que la IA permite gestionar grandes volúmenes de datos biológicos y químicos, reduciendo de forma significativa el número de candidatos desde escalas masivas hasta conjuntos manejables con mayor probabilidad de éxito. Asimismo, se observa una integración creciente de estas herramientas con metodologías tradicionales como el cribado virtual, el acoplamiento molecular (molecular docking) y la dinámica molecular. En términos temporales, diversos estudios evidencian una reducción notable en las fases iniciales del desarrollo, aunque la evidencia comparativa sigue siendo limitada. Además, la IA está ampliando su aplicación hacia el ámbito clínico, contribuyendo a la optimización del uso de antibióticos y a la lucha contra la resistencia bacteriana. En conclusión, la IA se consolida como una herramienta clave en el descubrimiento y desarrollo de nuevos antibióticos, no como sustituto, sino como complemento de los enfoques tradicionales. Su integración en un modelo multidisciplinar permite mejorar la eficiencia del proceso y ampliar el espacio de exploración terapéutica, aunque persisten limitaciones relacionadas con la calidad de los datos, la interpretabilidad de los modelos y la necesidad de validación experimental.

Antimicrobial resistance is one of the major challenges facing global public health, exacerbated by the decline in the development of new antibiotics and the limitations of traditional drug discovery methods. In this context, artificial intelligence (AI) has emerged as a promising tool capable of optimizing and accelerating the early stages of drug development. The objective of this study was to evaluate the role of AI in the discovery of new antibiotics and its impact on optimizing the development process. To this end, a systematic literature review was conducted in the PubMed and Embase databases, applying inclusion criteria focused on recent studies that employ machine learning (ML), deep learning (DL), and computational modeling techniques in the design and identification of antimicrobial compounds. The results show that AI enables the management of large volumes of biological and chemical data, significantly reducing the number of candidates from massive scales to manageable sets with a higher probability of success. Furthermore, there is a growing integration of these tools with traditional methodologies such as virtual screening, molecular docking, and molecular dynamics. In terms of time, various studies demonstrate a notable reduction in the initial phases of development, although comparative evidence remains limited. Furthermore, AI is expanding its application into the clinical setting, contributing to the optimization of antibiotic use and the fight against bacterial resistance. In conclusion, artificial intelligence is establishing itself as a key tool in the discovery and development of new antibiotics, not as a substitute, but as a complement to traditional approaches. Its integration into a multidisciplinary model improves process efficiency and expands the scope of therapeutic exploration, although limitations persist regarding data quality, model interpretability, and the need for experimental validation.