Inteligencia artificial vs resistencia bacteriana
DOI:
https://doi.org/10.22201/ceide.16076079e.2026.27.4.6Palabras clave:
infecciones bacterianas, resistencia antimicrobiana, inteligencia artificial, antibióticos, salud públicaResumen
¿Te imaginas ir al doctor por una infección estomacal… y que no haya medicamento que te cure? Suena como algo del pasado, pero podría ser nuestro futuro. Cada vez es más común que las bacterias que nos enferman aprendan a defenderse de los medicamentos que usamos para eliminarlos. Este fenómeno, conocido como resistencia bacteriana, se está expandiendo a nivel mundial y vuelve peligrosas a infecciones comunes que solían ser fáciles de tratar. Frente a este reto, la inteligencia artificial (ia) se perfila como una aliada clave. Su capacidad para analizar grandes volúmenes de datos genéticos, moleculares y farmacológicos permite detectar patrones de resistencia, optimizar tratamientos y acelerar el desarrollo de nuevos antibióticos. Este artículo revisa los avances recientes en el uso de algoritmos para combatir infecciones resistentes y los desafíos que implica integrar la ia en la medicina.
Citas
Antimicrobial Resistance Collaborators (2022). Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. The Lancet, 399 (10325), 629–655. https://doi.org/10.1016/S0140-6736(21)02724-0
Chen, C., Li, S. L., So, A. D., Xu, Y. Y., Guo, Z. F., Wang, X., Graham, D. W., y Zhu, Y. G. (2025). Using Large Language Models to Assist Antimicrobial Resistance Policy Development: Integrating the Environment into Health Protection Planning. Environmental Science & Technology , 59 (2), 1243–1252. https://doi.org/10.1021/acs.est.4c07842
Krishnan, A., Anahtar, M. N., Valeri, J. A., Jin, W., Donghia, N. M., Sieben, L., Luttens, A., Zhang, Y., Modaresi, S. M., Hennes, A., Fromer, J., Bandyopadhyay, P., Chen, J. C., Rehman, D., Desai, R., Edwards, P., Lach, R. S., Aschtgen, M. S., Gaborieau, M., Gaetani, M., … Collins, J. J. (2025). A generative deep learning approach to de novo antibiotic design. Cell , 188(21) https://doi.org/10.1016/j.cell.2025.07.033
Pirnay, J. P., Djebara, S., Steurs, G., Griselain, J., Cochez, C., De Soir, S., Glonti, T., Spiessens, A., Vanden Berghe, E., Green, S., Wagemans, J., Lood, C., Schrevens, E., Chanishvili, N., Kutateladze, M., de Jode, M., Ceyssens, P. J., Draye, J. P., Verbeken, G., De Vos, D., … Merabishvili, M. (2024). Personalized bacteriophage therapy outcomes for 100 consecutive cases: a multicentre, multinational, retrospective observational study. Nature Microbiology , 9 , 1434–1453. https://doi.org/10.1038/s41564-024-01705-x
Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., MacNair, C. R., French, S., Carfrae, L. A., Bloom-Ackermann, Z., Tran, V. M., Chiappino-Pepe, A., Badran, A. H., Andrews, I. W., Chory, E. J., Church, G. M., Brown, E. D., Jaakkola, T. S., Barzilay, R., y Collins, J. J. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell, 180 (4), 688–702.e13. https://doi.org/10.1016/j.cell.2020.01.021
Wolin, E., Guo, J. K., Blanco, M. R., Goronzy, I. N., Gorhe, D., Dong, W., Perez, A. A., Keskin, A., Valenzuela, E., Abdou, A. A., Urbinati, C. R., Kaufhold, R., Rube, H. T., Brito Querido, J., Guttman, M., y Jovanovic, M. (2025). spidr enables multiplexed mapping of rna-protein interactions and uncovers a mechanism for selective translational suppression upon cell stress. Cell, 188 (19). https://doi.org/10.1016/j.cell.2025.06.042
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Revista Digital Universitaria

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Revista Digital Universitaria es editada por la Universidad Nacional Autónoma de México se distribuye bajo la licencia Creative Commons Atribución/Reconocimiento-
NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0).
Basada en una obra en http://revista.unam.mx/.



