Gaceta Crítica

César de la Fuente-Núñez, Henry Skinner y Cristina Yen (Boletín de los Científicos Atómicos de EEUU), 26 de Mayo de 2025

El 30 de junio de 1924, Calvin Coolidge Jr. jugó un partido de tenis contra su hermano mayor, John, en la Casa Blanca. Hacía calor y humedad, y el joven de 16 años, sin calcetines, desarrolló una pequeña ampolla en el tercer dedo del pie derecho (Rhoads, 2014). Pronto se le hinchó y le dolió debido a una infección. La fiebre le subió, los ganglios linfáticos se inflamaron y le aparecieron manchas rojas en la pierna, una señal alarmante de que las bacterias se habían infiltrado en su fascia y, pronto, en el torrente sanguíneo. Ingresó en el Hospital Militar Walter Reed el 5 de julio, donde la infección derivó en sepsis y falleció dos días después (Shapell, 2017).

En la década de 1920, el equipo médico no pudo hacer mucho para salvar a Calvin Jr. Daba igual si eras pobre o el hijo del presidente: en lo que respecta a las infecciones bacterianas, las opciones de tratamiento eran limitadas, rudimentarias y, en gran medida, ineficaces. Alexander Fleming aún no había descubierto la penicilina, y las infecciones proliferaban en la era preantibiótica. La neumonía era la principal causa de muerte, con una tasa del 30 %, enfermedades infantiles comunes como la faringitis estreptocócica a menudo resultaban mortales, e incluso lesiones aparentemente menores, como un rasguño de un rosal o una ampolla, podían transformarse en una pesadilla bacteriana, trayendo la guadaña de la muerte a la puerta.

Se mantuvo así en gran medida hasta el apogeo de la Segunda Guerra Mundial, cuando un consorcio de investigadores aliados del mundo académico, la industria y los gobiernos de Estados Unidos y Gran Bretaña desarrolló los primeros métodos para producir y purificar grandes cantidades de penicilina. La aparición de la penicilina trajo consigo rápidamente mejoras drásticas (Podolsky, 2006). La tasa de mortalidad por neumonía bacteriana se redujo de más del 30 % a menos del 10 % en esos primeros años, y las muertes por escarlatina y sífilis se redujeron a más de la mitad (Alsan, 2019).

A medida que se hicieron evidentes los beneficios clínicos de la penicilina, también lo fue el potencial comercial de los antibióticos. Empresas como Eli Lilly, Pfizer y Merck reinvirtieron las ganancias derivadas de la penicilina en investigación y desarrollo de antimicrobianos, iniciando lo que hoy se conoce como la «Edad de Oro de los Antibióticos». Entre las décadas de 1950 y 1980, investigadores descubrieron y sintetizaron docenas de fármacos antibacterianos capaces de curar y prevenir infecciones. La amenaza de las bacterias disminuyó considerablemente. Se salvaron millones de vidas y la medicina en su conjunto se benefició, ya que los antibióticos hicieron que procedimientos como el parto, la cirugía, la quimioterapia, los reemplazos articulares y las cesáreas fueran exponencialmente más seguros.

Eso fue entonces.

Esto es ahora.

“Nada perdura”, como dijo Robert Frost, y las presiones comerciales han alejado a las farmacéuticas y a los inversores privados del desarrollo de nuevos antibióticos, lo que ha frenado la innovación durante las últimas cuatro décadas. No se ha comercializado ninguna nueva clase de antibióticos desde la década de 1980, y los antibióticos disponibles para los médicos son cada vez más ineficaces debido a la rápida aparición de bacterias resistentes a los antimicrobianos (RAM), conocidas coloquialmente como “superbacterias”.

La RAM es una de las principales amenazas para la salud mundial, que actualmente causa más de 4,5 millones de muertes al año en todo el mundo, más que la malaria o el VIH/sida (GBD 2024). Para 2050, se estima que 10 millones de personas podrían morir anualmente por infecciones de RAM, lo que la equipara con el cáncer en cuanto a pérdidas de vidas. La pérdida de antibióticos eficaces conlleva importantes consecuencias que se extenderán a nuestros sistemas de salud y sociedades, y los patógenos resistentes ya proliferan entre los más vulnerables. Un estudio reciente reveló que los pacientes con cáncer hospitalizados en Estados Unidos tenían hasta el doble de probabilidades de contraer una infección causada por bacterias resistentes a los medicamentos que los pacientes sin cáncer.

La situación es grave. El director general de la Organización Mundial de la Salud, Tedros Ghebreyesus, calificó recientemente la adopción de medidas contra la RAM como «tan urgente» como la adopción de medidas contra el cambio climático (Naciones Unidas, 2024). Guillermo, príncipe de Gales, advirtió a los líderes mundiales que «la RAM amenaza nuestra salud, nuestro medio ambiente, nuestros medios de vida y nuestro futuro» (Royal Family Channel, 2024).

Sin embargo, la brecha en la innovación parece estar ensanchándose. Según la OMS, solo 32 fármacos antimicrobianos se encuentran en desarrollo clínico para patógenos bacterianos prioritarios, y de ellos, solo 12 pueden considerarse innovadores (OMS, 2023). Estadísticamente, la mayoría, si no todos, estos candidatos fracasarán en las pruebas clínicas y nunca obtendrán la aprobación regulatoria, y es poco probable que los pocos que la obtengan sean ampliamente accesibles para los pacientes que la necesitan. Para agravar aún más el problema de la RAM, los médicos se ven limitados por diagnósticos tardíos, y las iniciativas de vigilancia son irregulares e imprecisas.

Para contener el aumento de la RAM, los científicos necesitan crear nuevos fármacos en el laboratorio y los médicos necesitan administrar el fármaco adecuado al paciente adecuado. La inteligencia artificial (IA) podría ser la herramienta que la humanidad necesita para revertir la situación de la RAM, proporcionando un conjunto de soluciones sofisticadas que pueden impulsar el descubrimiento de fármacos, predecir amenazas emergentes y mejorar la atención clínica.

Si bien la IA (y sus subconjuntos, el aprendizaje automático y el aprendizaje profundo) aparentemente han tocado todos los aspectos de la medicina en los últimos años, su mayor potencial puede residir en abordar la crisis de la RAM.

Las oportunidades son enormes, pero también lo son los desafíos.

Las dificultades de desarrollar nuevos fármacos

El desarrollo de antibióticos nunca ha sido rápido ni directo. Un desafío es que las sustancias antibacterianas se encuentran en la naturaleza y en todo el mundo. Basta con frotar la barandilla de una concurrida estación de autobuses o recoger un poco de tierra de un parque infantil popular para encontrar organismos que producen sustancias químicas que matan las bacterias.

La inmensidad de la reserva natural de antibióticos llevó a las empresas a recorrer el mundo con la esperanza de encontrar fármacos prometedores. Es bien sabido que Eli Lilly equipó a algunos empleados itinerantes con tubos de recolección estériles y les pidió que recolectaran una cucharada de tierra de dondequiera que su trabajo los llevara. La empresa también proporcionó tubos de recolección a misioneros asignados a lugares remotos. En una ocasión, un misionero llamado William Bouw envió por correo barro de las selvas de Borneo. En él, los científicos de la empresa encontraron una bacteria actinomiceto que producía sustancias químicas que mataban a las bacterias grampositivas; sustancias químicas que dieron lugar a la vancomicina, un antibiótico de gran eficacia que se ha utilizado durante décadas y sigue siendo un tratamiento importante para pacientes con infecciones graves (McKenna, 2011).

Encontrar nuevos antibióticos hoy en día exige explorar nuevas fronteras y adentrarse en ámbitos inexplorados, tareas que algoritmos de vanguardia y modelos de aprendizaje automático pueden realizar de manera mucho más eficiente que los misioneros y los vendedores viajeros.

Imagine examinar el material genético de criaturas que habitaron la Tierra hace decenas de miles de años, como los neandertales y los mamuts lanudos, y descubrir moléculas con el potencial de revolucionar la medicina moderna (Maasch, 2023). Gracias a sofisticados algoritmos de IA, esto ya no es una posibilidad remota. Las herramientas actuales de aprendizaje automático pueden explorar el ADN y las proteínas de organismos vivos y extintos con mucha mayor eficiencia que cualquier equipo de investigación dirigido por humanos, al menos cuando se trata de buscar la «pista» inicial, en la que los investigadores analizan grandes cantidades de sustancias químicas para buscar una molécula con actividad contra un objetivo biológico (Wan, 2024). En 2022, por ejemplo, los científicos utilizaron IA para escanear todo el proteoma humano (el conjunto completo de proteínas codificadas por nuestros genes) y descubrieron miles de péptidos antimicrobianos previamente desconocidos (Torres, 2021). Estos descubrimientos apuntan a un mundo oculto de inmunidad basada en péptidos, durante mucho tiempo ignorado pero repleto de posibilidades (Torres 2025).

La verdadera emoción reside en la excelencia de la IA en la detección de patrones que los humanos a menudo pasan por alto. Al comparar códigos genéticos de un amplio espectro de especies, desde antiguos homínidos hasta los microorganismos que abundan en el suelo, los océanos e incluso nuestros propios microbiomas, los modelos de aprendizaje automático ahora pueden identificar compuestos antibióticos prometedores que, de otro modo, permanecerían enterrados en cuadernos de laboratorio o, en algunos casos, atrapados en el permafrost (Santos-Júnior 2024). Esta capacidad de ir más allá de los sospechosos habituales significa que los investigadores ya no se ven limitados por lo que pueden cultivar en una placa de Petri. En cambio, los análisis impulsados ​​por IA examinan rápidamente enormes bases de datos genómicas, destacando los candidatos más viables en una fracción del tiempo y a una fracción del costo.

En épocas anteriores, los científicos podrían haber dedicado años al cultivo minucioso de organismos solo para descubrir un solo antibiótico prometedor. Ahora, gracias a la velocidad y precisión de la IA, los plazos de descubrimiento se reducen drásticamente, las tasas de éxito aumentan y estamos preparados para acceder a una gama sin precedentes de compuestos novedosos para combatir patógenos resistentes a los fármacos.

Este cribado rápido es solo el comienzo. Una vez que una plataforma de IA identifica un compuesto prometedor, ya sea una molécula antigua o derivada de comunidades microbianas actuales, los investigadores pueden usar esos mismos algoritmos para perfeccionarlo rápidamente. Las herramientas de aprendizaje automático pueden simular modificaciones químicas, predecir su impacto en la eficacia y la toxicidad, y centrarse en las versiones con mayor probabilidad de éxito en modelos animales. En lugar de modificar manualmente las estructuras moleculares mediante ensayo y error, los científicos pueden iterar rápidamente en una computadora, lo que aumenta las probabilidades de crear una terapia segura y eficaz.

A nivel clínico, la promesa de antibióticos verdaderamente novedosos —derivados de fuentes inexploradas y perfeccionados mediante IA— es innegable. Los antibióticos actuales suelen compartir mecanismos de acción comunes, lo que significa que cuando las bacterias desarrollan resistencia a uno, pueden desarrollar rápidamente resistencia a otros. Al incorporar una nueva generación de compuestos a la práctica clínica, podemos diversificar el arsenal del que disponen los médicos y anticiparnos a las superbacterias.

Por supuesto, descubrir un fármaco candidato es solo el primer paso. Aún debe probarse su seguridad, fabricarse a gran escala y, en última instancia, obtener la aprobación regulatoria. Pero los plazos reducidos y las mayores tasas de éxito que ofrece la IA podrían transformar la forma en que desarrollamos antibióticos. Al analizar los tesoros genéticos que alberga el ADN neandertal o incluso los restos de mamut lanudo y combinarlos con métodos computacionales de vanguardia, la IA bien podría marcar el comienzo de una segunda era dorada en el descubrimiento de antibióticos. Hay mucho en juego; desvelar estos antiguos secretos podría ser nuestra mayor esperanza para superar a las superbacterias del futuro.

Obstáculos

A pesar de todo el poder y la eficiencia que la IA puede aportar a la I+D de antibióticos, no es una panacea. Ni mucho menos. La financiación, en particular la inversión privada, es escasa para quienes desarrollan antimicrobianos, y el mercado de antibióticos es lamentablemente disfuncional; en los últimos años, varias empresas incluso han obtenido la aprobación regulatoria para nuevos antibióticos, solo para declararse en quiebra poco después.

El problema es que los antibióticos no son rentables. En promedio, se necesitan alrededor de mil millones de dólares para desarrollar un nuevo antibiótico, y recuperar esa inversión, por no hablar de obtener ganancias, es extremadamente difícil. Esto se debe a que el valor de un fármaco en las condiciones actuales del mercado depende en gran medida de su volumen de ventas. Este modelo funciona bien en otras áreas terapéuticas, en particular para enfermedades crónicas que requieren terapia de por vida, pero no para los antibióticos que se suelen usar durante unos días o un par de semanas para curar la infección. Incluso cuando los profesionales sanitarios usan antibióticos en exceso —lo cual se desaconseja a nivel individual y sistémico—, muy pocos pacientes los tomarán durante años o décadas debido a la morbilidad y la mortalidad asociadas con la infección persistente.

Esta falta de rentabilidad ha llevado a la mayoría de las grandes farmacéuticas a cerrar sus programas de antibióticos y a los inversores privados a abandonar la inversión en este campo. Entre 2011 y 2020, la financiación de capital riesgo a empresas de antibacterianos ascendió a 1.600 millones de dólares, en comparación con los 26.500 millones de dólares destinados a empresas oncológicas (Thomas, 2022). Por lo tanto, incluso si la IA genera una gran cantidad de candidatos terapéuticos prometedores, no se dispondrá de la financiación necesaria para que estos fármacos completen las pruebas clínicas y, en última instancia, lleguen a los pacientes que los necesitan.

Al evaluar los obstáculos que la IA encontrará en la atención médica, Rifat Atun, profesor de sistemas de salud globales en la Universidad de Harvard, advirtió que «la escasez de innovación en el ámbito de las políticas» es uno de los mayores desafíos (Sweeney, 2021). «La IA tiene el potencial de transformar los sistemas de salud. Pero para que esto suceda, los sistemas de salud y las políticas que los rigen también deben transformarse», señaló.

La buena noticia es que los responsables políticos de todo el mundo han reconocido las deficiencias en la medición del valor de los antibióticos y se han comprometido a remediar esta deficiencia del mercado. El G7 —el foro político y económico intergubernamental, en cierto modo informal, integrado por Canadá, Francia, Alemania, Italia, Japón, el Reino Unido y los Estados Unidos (y, en ocasiones, un miembro adicional, la Unión Europea)— ha emitido en los últimos años numerosas declaraciones en apoyo de los llamados «incentivos de atracción», o políticas que garantizarían ingresos a las empresas que desarrollen con éxito antibióticos eficaces. La mala noticia es que solo el Reino Unido e Italia han promulgado una política significativa; el progreso en otros países es lento (Parlamento del Reino Unido, 2024; Rex, 2025).

El otro factor que la IA no puede resolver por completo es el tiempo. La resistencia a los antimicrobianos no es un problema del futuro. Ya contribuye a millones de muertes cada año. Si bien es cierto que la IA puede obtener eficiencias que acorten los plazos de descubrimiento de fármacos, las posibles terapias siempre deberán evaluarse rigurosamente en ensayos clínicos y examinarse exhaustivamente para garantizar su seguridad y eficacia.

En otras palabras, incluso con la IA en pleno auge, es probable que el desarrollo de antibióticos siga siendo un proceso de años. ¿Qué se puede hacer para salvar a los pacientes hoy?

IA en la clínica

Los nuevos fármacos son solo una parte de la solución para la resistencia a los antimicrobianos, y existen otras lagunas de conocimiento sobre la RAM que la IA podría subsanar de forma más inmediata. Consideremos la vigilancia de las aguas residuales.

Desde una perspectiva de salud pública, las aguas residuales pueden ser un tesoro. La epidemia de COVID-19 lo dejó muy claro, ya que las ciudades y condados implementaron programas de monitoreo de aguas residuales para identificar brotes locales del virus antes de que las personas desarrollaran síntomas, avisando con antelación a los hospitales de que otra ola de pacientes enfermos estaba a punto de alcanzar su punto máximo y llegar a sus servicios de urgencias, y brindando a los funcionarios de salud pública la oportunidad de dirigir recursos a zonas de alto riesgo.

El entusiasmo y la financiación para el monitoreo de aguas residuales siguen siendo altos, pero los programas existentes han tardado en aprovecharlo para detectar patógenos bacterianos y patrones de resistencia a los antibióticos. Siendo justos, existen desafíos, como la carga bacteriana presente en los excrementos humanos, lo que dificulta traducir la detección de algunas bacterias en información precisa y práctica sobre la incidencia y prevalencia de enfermedades (Philo 2023).

La E. coli , por ejemplo, forma parte de un microbioma intestinal sano y está omnipresente en las deposiciones. Sin embargo, ciertas cepas de E. coli  pueden ser patógenas e indicar que una enfermedad transmitida por los alimentos se está propagando en una comunidad. Los sistemas actuales de aguas residuales no están optimizados para diferenciar entre ambos, pero la capacidad de la IA para realizar análisis metagenómicos rápidos podría cerrar la brecha. La IA también puede utilizarse para detectar genes resistentes a los antibióticos que fluyen desde hospitales o a través del alcantarillado de una ciudad, e identificar patrones que podrían proporcionar a las autoridades sanitarias alertas tempranas de posibles brotes o facilitar el desarrollo de directrices para informar a los médicos sobre los antibióticos más adecuados.

Conocer el entorno contribuye a una buena preparación de salud pública, pero los médicos necesitan saber qué está enfermando al paciente que tienen delante. Los diagnósticos actuales basados ​​en cultivos, desarrollados en el siglo XIX ^y que siguen siendo el estándar de atención, pueden tardar hasta cuatro días en producir resultados, un tiempo del que carece un paciente grave. Por ello, los médicos se ven obligados a tratar empíricamente, a veces alternando entre cuatro o cinco clases diferentes de antibióticos o administrando múltiples antibióticos a los pacientes para aumentar las probabilidades de que uno funcione.

Se necesita una herramienta de diagnóstico que proporcione resultados en minutos, no en días, e identifique a qué antibióticos y bacterias son susceptibles. Afortunadamente, los investigadores están avanzando a buen ritmo en este sentido. Cada vez hay más pruebas de diagnóstico rápido disponibles, lo que reduce esos días a horas. Se están desarrollando algoritmos avanzados que pueden aprovechar datos de múltiples fuentes en diversos formatos (historiales del paciente, imágenes, signos vitales y análisis de sangre) para ayudar a los médicos a analizar el árbol de decisiones diagnósticas (Cesaro 2025).

Otros trabajan en modelos de aprendizaje automático que pueden analizar extensas bibliotecas de aislados bacterianos, identificando conexiones entre las secuencias de ADN de un aislado y su perfil de resistencia a los antimicrobianos (RAM). Sin embargo, muchas pruebas de diagnóstico rápido siguen siendo costosas e inaccesibles para las zonas rurales y los pequeños hospitales comunitarios, donde muchos de nuestros pacientes más vulnerables reciben atención médica. También es importante implementar algoritmos avanzados y modelos de aprendizaje automático con la formación de profesionales sanitarios, para que puedan discernir cómo estas tecnologías pueden complementar, pero no sustituir, el razonamiento clínico.

Una mejor vigilancia y diagnósticos y pruebas de susceptibilidad más rápidos y precisos contribuirán en gran medida a fortalecer los programas de gestión del uso de antibióticos, que son de vital importancia para frenar la propagación de la RAM y mantener nuestro menguante suministro de antibióticos eficaces.

Cada hospital presenta distintos desafíos y necesidades en materia de administración. Es probable que un hospital de Detroit presente entre sus pacientes infecciones, patrones de resistencia y hábitos de consumo de antibióticos diferentes a los de un hospital en la zona rural de Luisiana. Al integrar los sistemas y conjuntos de datos adecuados para diferentes entornos, la capacidad de la IA para identificar patrones y asociaciones podría permitir la adaptación de las estrategias de administración a hospitales específicos y su actualización casi en tiempo real con base en datos clínicos pertinentes. Esto podría resultar especialmente beneficioso para los sistemas de salud rurales, donde los programas e iniciativas de administración tradicionalmente han carecido de financiación suficiente.

Al igual que con el descubrimiento de fármacos, el potencial de la IA en los ámbitos de la vigilancia, el diagnóstico y la atención clínica evoluciona a un ritmo mayor que los marcos regulatorios y de políticas que la rigen. Las preocupaciones sobre la recopilación de datos y la privacidad son importantes, al igual que las inquietudes sobre los sesgos algorítmicos, el impacto de la IA en las relaciones entre profesionales sanitarios y pacientes, y su influencia indebida e intencionada en la toma de decisiones clínicas. La comunidad investigadora se enfrenta a estos desafíos y seguirá haciéndolo a medida que la IA se integre en nuestros hospitales y sistemas de salud.

Sería miope adoptar el mantra actual de «moverse rápido y romper cosas», una mentalidad que ha llegado a dominar la generación actual de tecnólogos. Pero debemos actuar con la urgencia adecuada. Millones de vidas están en juego.

Si no logramos innovar en la lucha contra las bacterias, corremos el riesgo de volver a la era anterior a los antibióticos, cuando algo tan menor como una ampolla en un dedo del pie podía resultar fatal.

Fondos

Cesar de la Fuente-Nunez es titular de una cátedra presidencial en la Universidad de Pensilvania, recibió el premio Langer de la Fundación AIChE y reconoce la financiación del premio IADR Innovation in Oral Care, Procter & Gamble Company, United Therapeutics, una beca BBRF Young Investigator Grant, el premio Nemirovsky, el premio Penn Health-Tech Accelerator, el Dean’s Innovation Fund de la Perelman School of Medicine de la Universidad de Pensilvania, el National Institute of General Medical Sciences de los National Institutes of Health bajo el número de premio R35GM138201 y la Defense Threat Reduction Agency (DTRA; HDTRA1-22-10031, HDTRA1-21-1-0014 y HDTRA1-23-1-0001).

Declaración de divulgación

César de la Fuente-Núñez es cofundador y asesor científico de Peptaris, Inc., presta servicios de consultoría a Invaio Sciences y es miembro de los Consejos Científicos Asesores de Nowture SL, Peptidus, European Biotech Venture Builder, el Consorcio de Búsqueda de Fármacos Peptáceos (PDHC), ePhective Therapeutics, Inc. y Phare Bio. Los autores no declararon ningún posible conflicto de intereses.

Referencias

Alsan, M., Atella, V., Bhattacharya, J., Conti, V., Mejía-Guevara, I. y Miller, G. 2019. “Reducciones en las tasas de mortalidad y disparidades en salud con la introducción de la penicilina”, Resumen del documento de trabajo 25541. Oficina Nacional de Investigación Económica. 1 de julio. https://www.nber.org/bh-20192/reductions-mortality-rates-and-health-disparities-introduction-penicillin .

Cesaro, A., Hoffman, SC, Das, P. y de la Fuente-Nunez, C. 2025. “Desafíos y aplicaciones de la inteligencia artificial en enfermedades infecciosas y resistencia a los antimicrobianos”. NPT Antimicrobials and Resistance 3, n.º 2. 7 de enero. 0.1038/s44259-024-00068-x. https://www.nature.com/articles/s44259-024-00068-x#citeas

Santos-Júnior, C., Torres, MD, Duan, Y., Huerta-Cepas, J., Schmidt, TS, Chong, HH, Fullam, A., et al. 2024. “Descubrimiento de péptidos antimicrobianos en el microbioma global mediante aprendizaje automático”. Cell 187, n.° 14. 11 de julio: 3761-3778. 10.5281/zenodo.11055585. https://www.cell.com/cell/fulltext/S0092-8674(24)00522-1

Colaboradores de Resistencia Antimicrobiana del GBD 2021. 2024. “Carga global de resistencia antimicrobiana bacteriana 1990-2021: un análisis sistemático con pronósticos hasta 2050”. The Lancet 404, n.° 10459. 28 de septiembre: 1199-1226. https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(24)01867-1/fulltext

Maasch, JR, Torres, MD, Melo, MC y de la Fuente-Nunez, C. 2023. “Desextinción molecular de péptidos antimicrobianos antiguos gracias al aprendizaje automático”. Cell Host & Microbe 31, n.º 8. 9 de agosto: 1260-1274. 10.1016/j.chom.2023.07.001. https://www.sciencedirect.com/science/article/pii/S1931312823002962

McKenna, M. 2011. Superbacteria: La amenaza mortal del SARM . Nueva York: Free Press.

Philo, SE, De León, KB, Noble, RT, Zhou, NA, Alghafri, R., Bar-Or, I., Darling, A., D’Souza, N., et al. 2023. “Vigilancia de aguas residuales para dianas bacterianas: desafíos actuales y objetivos futuros”. Applied and Environmental Biology 15, n.° 90. 15 de diciembre: 1428-23. 10.1128/aem.01428-23. https://pmc.ncbi.nlm.nih.gov/articles/PMC10807411/

Podolsky, SH 2006. Neumonía antes de los antibióticos: evolución terapéutica y evaluación en los Estados Unidos del siglo XX. Baltimore: Johns Hopkins University Press.

Rex, John y Damiano de Felice. 2025. «Italia ofrece un incentivo nacional de atracción». AMR. Solutions. 9 de enero. https://amr.solutions/2025/01/09/italy-delivers-a-national-pull-incentive-with-a-budget-of-eur-100-million-a-year/

Rhoads, J. 2014. “El contexto médico de la muerte prematura de Calvin Jr.”, Fundación Presidencial Calvin Coolidge. 7 de julio . https://coolidgefoundation.org/blog/the-medical-context-of-calvin-jr-s-untimely-death/

Shapell, B., y Willen, S. 2017. “La muerte de Calvin Coolidge Jr.”. Fundación de Manuscritos Shapell. 6 de julio. https://www.shapell.org/historical-perspectives/between-the-lines/death-calvin-coolidge-jr/ .

Sweeney, C. 2021. “Promesas y peligros de la inteligencia artificial”. Revista de Salud Pública de Harvard . 29 de septiembre. https://harvardpublichealth.org/alumni-post/artificial-intelligences-promise-and-peril/

Canal de la Familia Real. 2024. “El príncipe Guillermo llama a la acción para mejorar el acceso a las vacunas”. Canal de la Familia Real. 16 de mayo . https://www.youtube.com/watch?v=qaMCPusxQGg

Thomas, D., y Wessel, C. 2022. “El estado de la innovación en terapias antibacterianas”. Organización de Innovación Biotecnológica. 14 de febrero. https://www.bio.org/sites/default/files/2022-02/The-State-of-Innovation-in-Antibacterial-Therapeutics.pdf

Torres, MD, Cesaro, A. y de la Fuente-Nunez, C. “Los péptidos de proteínas no inmunitarias atacan las infecciones mediante propiedades antimicrobianas e inmunomoduladoras”. Trends Biotechnology. Enero de 2025; 43(1):184-205. 10.1016/j.tibtech.2024.09.008. https://www.cell.com/trends/biotechnology/fulltext/S0167-7799(24)00251-8

Torres, MD, Brooks, EF, Cesaro, A., Nicolaou, C., Bhatt, AS, Sberro, H., Gill, MO y de la Fuente-Nunez, C. 2024. “La extracción de microbiomas humanos revela una fuente sin explotar de antibióticos peptídicos”. Celda 187, núm. 19. 19 de septiembre: 5453-5467. 10.1016/j.cell.2024.07.027. https://www.cell.com/cell/fulltext/S0092-8674(24)00802-X

Torres, MD, Melo, MC, Flowers, L., Crescenzi, O., Notomista, E. y de la Fuente-Nunez, C. 2021. “Explotación de antibióticos peptídicos encriptados en el proteoma humano”. Nature Biomedical Engineering 6. 4 de noviembre: 67-75. https://www.nature.com/articles/s41551-021-00801-1

Parlamento del Reino Unido. 2024. «Netflix para antimicrobianos: El modelo de suscripción a productos antimicrobianos». Biblioteca de la Cámara de los Comunes. 18 de septiembre . https://commonslibrary.parliament.uk/netflix-for-antimicrobials-the-antimicrobial-products-subscription-model/

Wan, F., Torres, MD, Peng, J. y de la Fuente-Nunez, C. 2024. “Descubrimiento de antibióticos mediante aprendizaje profundo mediante la desextinción molecular”. Nature Biomedical Engineering , 8 de junio: 854-871.10.1038/s41551-024-01201-x. 11 de junio. https://www.nature.com/articles/s41551-024-01201-x

Organización Mundial de la Salud. 2023. “Agentes antibacterianos en desarrollo clínico y preclínico: visión general y análisis”. 14 de junio. https://www.who.int/publications/i/item/9789240094000