La crisis de resistencia antimicrobiana tiene un cuello de botella bien conocido: el pipeline de descubrimiento. Los métodos tradicionales de cribado son lentos, costosos y han producido pocos candidatos viables para uso clínico. Un equipo de la Universidad de California, Davis ha demostrado ahora un enfoque de IA generativa que podría acelerar el proceso drásticamente.
ARCADIAMP, Antimicrobial Rapid Candidate Generation through AI-driven Diffusion and Iterative Assessment of Membrane-active Peptides, combina un modelo de difusión de eliminación de ruido discreto (D3PM) con un clasificador de dos etapas basado en ESM2, un filtro de novedad y un bucle de autoaprendizaje iterativo. De un grupo de 1 millón de candidatos generados, la plataforma filtró hasta solo 10 péptidos para síntesis experimental. Ocho de los 10 mostraron actividad antimicrobiana con una concentración mínima inhibitoria (CMI) de 32 µg/mL o menos, una tasa de acierto del 80 por ciento que supera ampliamente el cribado convencional.
El candidato principal, designado Péptido-7 y nombrado Arcinin, es un péptido alfa-helicoidal de 29 aminoácidos con una secuencia (GRWRRVGRKLRTLGKSFGKVAHVAGKAIFA) que no muestra similitud significativa con ningún péptido antimicrobiano conocido.
Potente contra cinco de seis patógenos ESKAPE
Arcinin fue probado contra el panel ESKAPE, las seis especies bacterianas responsables de la mayoría de las infecciones hospitalarias en todo el mundo y conocidas por su resistencia a múltiples fármacos. Los resultados:
| Patógeno | CMI (µg/mL) | Categoría |
|———-|————-|———–|
| Klebsiella pneumoniae | 8 | Gramnegativo, ESKAPE |
| Acinetobacter baumannii | 8 | Gramnegativo, ESKAPE |
| Pseudomonas aeruginosa | 8 | Gramnegativo, ESKAPE |
| Escherichia coli | 8 | Sustituto Gramnegativo para Enterobacter |
| Staphylococcus aureus | 16 | Grampositivo, ESKAPE |
| Enterococcus faecalis | 64 | Grampositivo, ESKAPE (débil) |
A concentraciones de 8–16 µg/mL, Arcinin iguala la potencia de pexiganán, un péptido antimicrobiano en fase clínica, contra cinco de las seis especies. Contra E. faecalis, la actividad fue más débil a 64 µg/mL.
Lo que distingue a Arcinin es su perfil de seguridad. Contra glóbulos rojos humanos, la CL₅₀ (la concentración que mata la mitad de las células) fue superior a 512 µg/mL, un margen de seguridad comparable al de pexiganán y dramáticamente mejor que el de melitina (veneno de abeja), cuya CL₅₀ es de solo 5,32 µg/mL contra células HEK293. La CL₅₀ HEK293 de Arcinin fue de 50,84 µg/mL, aproximadamente diez veces menos tóxica que la melitina y comparable a los 37,75 µg/mL de pexiganán.
Mecanismo y resultados in vivo
Arcinin mata bacterias mediante la disrupción de la membrana, insertándose en la bicapa lipídica en submicrosegundos y formando lesiones discretas que causan una pérdida catastrófica de la homeostasis interna. Las cinéticas de muerte muestran una erradicación completa a 2× CMI en 30–60 minutos. La microscopía electrónica revela diferentes efectos según la especie: las células de S. aureus se desinflan y muestran septos anormales; las células de E. coli pierden su forma de bastón y se vuelven amorfas; K. pneumoniae muestra un sutil arrugamiento superficial.
En un modelo murino de infección de herida de espesor total a 5 mg/kg de tratamiento tópico, Arcinin logró una reducción de 4,56 log en UFC de S. aureus y una reducción de 4,47 log en UFC de E. coli, ambas con p < 0,0001. Esto corresponde a una reducción de más del 99,99 por ciento en la carga bacteriana. El cierre de la herida en el día 6 fue de aproximadamente el 71 por ciento para heridas infectadas con S. aureus (frente al 45 por ciento para el control PBS, p = 0,0006) y del 66 por ciento para heridas infectadas con E. coli (frente al 34 por ciento, p = 0,0024). La histopatología en el día 8 mostró una reepitelización mejorada e infiltración inflamatoria reducida.
Las pruebas de estabilidad sérica mostraron que Arcinin mantuvo una CMI de 32 µg/mL en suero bovino al 50 por ciento para cuatro especies ESKAPE, comparable a pexiganán.
Cómo funciona ARCADIAMP
La innovación central de la plataforma es su diseño de aprendizaje iterativo. El modelo generativo, un D3PM entrenado desde cero (no preentrenado), generó un grupo inicial de candidatos, que pasó por un clasificador de dos etapas. La primera etapa distingue los AMP de los no AMP (puntuación F1: 0,86). La segunda etapa identifica AMP fuertes con CMI inferior a 8 µg/mL (F1: 0,68). Un filtro de novedad que utiliza alineamiento BLOSUM62 excluyó candidatos con similitud superior a 0,45 o identidad superior a 0,65 con cualquiera de los 27 636 péptidos antimicrobianos conocidos.
Un mecanismo de ponderación de muestras basado en el índice terapéutico, log₁₀(CL₅₀) menos log₁₀(CMI), optimizó conjuntamente la actividad y la toxicidad simultáneamente.
La plataforma luego reentrenó el modelo generativo en su propia producción de alta puntuación. Antes de este aumento, la CMI predicha media era de 495,3 µg/mL. Después del aumento, cayó a 37,8 µg/mL (p < 2,2 × 10⁻¹⁶). La novedad mejoró de una similitud de 0,63 a 0,49 (p < 2,2 × 10⁻¹⁶).
El desafío de la traducción
El artículo, publicado en Nature Communications el 7 de julio de 2026 (DOI: 10.1038/s41467-026-75030-8), señala que ningún péptido antimicrobiano nuevo ha sido aprobado para uso clínico desde la introducción de la clase. La validación in vivo se limitó a un modelo tópico de herida; los modelos de infección sistémica (sepsis) aún no se han probado. El código ARCADIAMP está disponible bajo licencia Apache 2.0 en GitHub.
Aun así, la tasa de acierto del 80 por ciento de un pipeline computacional que cooptimiza actividad y toxicidad representa un paso significativo hacia la resolución del problema del descubrimiento antimicrobiano. Para los 4,95 millones de muertes asociadas con la resistencia antimicrobiana cada año, enfoques como ARCADIAMP ofrecen un camino que el cribado tradicional no puede igualar.
Traducido por Alessandra
Sources
1. Markakis, K., Kim, S., Tan, C-E. & Tagkopoulos, I., “Discovery of potent low-toxicity antimicrobial peptides through diffusion modeling”, Nature Communications (2026). DOI: 10.1038/s41467-026-75030-8
2. ARCADIAMP GitHub repository: https://github.com/IBPA/ARCADIAMP