Durante décadas, el descubrimiento de nuevos antibióticos fue sinónimo de paciencia y fracaso. Científicos pasaban años explorando variantes de compuestos ya conocidos, sometiendo miles de candidatos a pruebas que terminaban, en su mayoría, en un callejón sin salida. La resistencia bacteriana avanzaba más rápido que las soluciones. Pero un equipo de investigadores de Stanford y la Universidad McMaster acaba de cambiar las reglas del juego de una manera que, hace apenas una década, habría parecido ciencia ficción.

La herramienta se llama SyntheMol-RL: un modelo generativo de inteligencia artificial capaz de diseñar moléculas completamente nuevas, optimizadas para combatir bacterias resistentes, y de hacerlo a una escala y velocidad sin precedentes. Lo más notable no es solo que diseñe esas moléculas en el mundo digital, sino que las propuestas pueden fabricarse en un laboratorio real y demostrar actividad biológica concreta contra algunas de las amenazas infecciosas más graves del planeta.

El problema que ningún laboratorio había podido resolver

La resistencia a los antibióticos no es una advertencia futura: ya es una crisis activa. Más de 1,27 millones de personas mueren cada año en el mundo a causa de infecciones bacterianas que han aprendido a esquivar los fármacos disponibles. El MRSA —Staphylococcus aureus resistente a la meticilina— encabeza esa lista de amenazas: una bacteria capaz de sobrevivir a múltiples antibióticos y causar infecciones graves tanto en hospitales como fuera de ellos.

El método tradicional para encontrar soluciones era lento, costoso y fundamentalmente reactivo: se exploraban variantes de compuestos ya conocidos, se modificaban estructuras existentes, y la gran mayoría de los intentos terminaban en fracaso antes de llegar a ensayos en humanos. La IA abre una vía radicalmente distinta.

Cómo funciona SyntheMol-RL: diseño molecular desde cero

A diferencia de sistemas de IA anteriores que simplemente analizaban compuestos ya conocidos, SyntheMol-RL fue entrenado para generar. Su punto de partida fueron datos de más de diez mil compuestos probados contra el Staphylococcus aureus, incluyendo mediciones de solubilidad, una variable crítica para que un fármaco pueda administrarse y distribuirse en el organismo. Con esa base, el modelo aprendió a identificar qué estructuras químicas tienen mayor probabilidad de éxito.

El sistema no trabaja por azar ni repite fórmulas: aplica aprendizaje por refuerzo para explorar activamente el espacio químico, ajustando sus propios criterios de búsqueda en función de los resultados obtenidos. Es, en cierto modo, un científico que aprende de sus propios experimentos en tiempo real, pero a una velocidad y escala que ningún equipo humano podría igualar.

Synthecin: la molécula que superó la prueba real

De las 79 moléculas generadas por el sistema y sintetizadas en laboratorio, 13 demostraron alta actividad contra el Staphylococcus aureus en experimentos controlados. Pero una destacó por encima del resto: un compuesto al que los investigadores denominaron synthecin.

Synthecin no solo fue eficaz en cultivos de laboratorio. Al probarlo en un modelo de herida infectada en ratones con MRSA, logró frenar la infección activamente. No es una cura comercializable de inmediato —los investigadores son cuidadosos en señalar que aún queda un largo camino de validación antes de que pueda probarse en humanos—, pero el resultado tiene un peso científico considerable: una molécula que no existía en la naturaleza ni en ningún catálogo químico previo, diseñada por una IA, fue capaz de actuar contra una de las superbacterias más problemáticas del mundo en condiciones biológicas reales.

El ecosistema que rodea el descubrimiento

El trabajo de Stanford y McMaster no surge en el vacío. En paralelo, el campo del diseño molecular asistido por IA está creciendo a una velocidad sin precedentes. Amazon presentó recientemente Amazon Bio Discovery, una plataforma que combina modelos de IA especializados con una red de laboratorios físicos asociados: permite diseñar moléculas candidatas y enviarlas directamente a síntesis, comprimiendo en semanas procesos que antes llevaban meses enteros.

Por otro lado, la startup europea Generare trabaja en una dirección complementaria: no generar moléculas sintéticas desde cero, sino desbloquear el vasto reservorio de química molecular que existe codificado en genomas microbianos y que hasta ahora permanecía sin explorar. Se estima que el 97% de los productos naturales codificados en esos genomas nunca ha sido caracterizado. Generare sostiene que el verdadero cuello de botella no son los algoritmos, sino la ausencia de datos moleculares auténticamente novedosos y de alta calidad para entrenarlos.

Lo que la IA todavía no puede hacer sola

Los propios autores del estudio son los primeros en señalar los límites del sistema. La tasa de éxito del 16% —13 moléculas activas de 79 generadas— es prometedora como prueba de concepto, pero insuficiente para una aplicación industrial eficiente. Mejorar los modelos predictivos para reducir los fallos antes de la síntesis es una de las prioridades declaradas del equipo.

Además, el salto desde la actividad en modelos animales hasta ensayos clínicos en humanos sigue siendo largo y costoso. Las validaciones regulatorias, los estudios de toxicidad, las pruebas de farmacocinética —cómo se distribuye, metaboliza y elimina el fármaco en el organismo— son etapas que la IA puede acelerar pero no sustituir. La ciencia sigue necesitando el criterio experto humano para interpretar los resultados, diseñar los protocolos de prueba y tomar las decisiones críticas sobre qué candidatos vale la pena llevar adelante.

Una nueva era del descubrimiento: la biología como lenguaje

Lo que subyace a todos estos avances es una idea conceptual profunda: la biología molecular tiene su propia gramática. Las secuencias de proteínas, las estructuras químicas, los espectros de masas son, en cierto modo, lenguajes con sus propias reglas y patrones. Los modelos de IA generativa —los mismos principios que permiten a un sistema de lenguaje completar una frase— pueden aprender esa gramática y utilizarla para proponer construcciones nuevas, igual que un escritor puede inventar palabras que no existían pero que suenan plausibles dentro de su idioma.

La diferencia con el lenguaje natural es que en química cada «palabra» nueva puede fabricarse físicamente y probarse en el mundo real. Eso convierte a los modelos generativos en algo más que herramientas de análisis: son instrumentos de síntesis, capaces de expandir el espacio de lo posible más allá de lo que la exploración humana podría alcanzar en tiempo razonable.