La inteligencia artificial podría transformar el descubrimiento de insecticidas.

El descubrimiento de insecticidas debe pasar de cribados empíricos a gran escala a sistemas guiados por dianas moleculares, inteligencia artificial y quimioinformática. Esta es la principal conclusión de un estudio que evalúa cómo los conceptos de la investigación farmacéutica pueden respaldar el desarrollo de moléculas para el control de insectos, con mayor selectividad, menor riesgo para organismos no objetivo y una mejor respuesta a la resistencia.

Los investigadores señalan una falta de innovación en el descubrimiento de insecticidas. La introducción de compuestos con modos de acción verdaderamente novedosos se ha ralentizado, mientras que la resistencia de las plagas, los requisitos normativos y las restricciones ambientales han aumentado. Según ellos, el arsenal actual aún se basa en solo unos pocos grupos de modos de acción. Esta situación reduce la durabilidad de los productos y aumenta el riesgo de resistencia cruzada.

Propuesta central

La propuesta central consiste en adoptar una lógica inspirada en el descubrimiento de fármacos. El proceso comienza con la selección y validación de dianas biológicas. A continuación, se procede a la identificación de moléculas activas, el desarrollo de compuestos prometedores y la optimización de múltiples parámetros. Este enfoque incluye ciclos de diseño, producción, ensayo y análisis. Este modelo permite evaluar la potencia, la selectividad, la seguridad, las propiedades fisicoquímicas y el riesgo de resistencia desde las etapas iniciales.

Los investigadores destacan el papel de la inteligencia artificial como capa de apoyo a la toma de decisiones. Los modelos computacionales pueden ayudar en el cribado virtual, la predicción de la actividad, el diseño generativo de moléculas, el aprendizaje activo y la priorización de compuestos. La quimioinformática proporciona la base para representar moléculas mediante descriptores, huellas dactilares, cadenas SMILES, grafos moleculares y estructuras tridimensionales.

Sin embargo, los científicos advierten sobre importantes limitaciones. La inteligencia artificial por sí sola no resuelve el problema de la innovación. El rendimiento de los modelos depende de la calidad de los datos, la estandarización de las pruebas, el ámbito de aplicación y la validación experimental. La revisión destaca la brecha entre los resultados obtenidos mediante simulación computacional y los productos aplicables en la práctica.

Objetivos consolidados

Entre los objetivos ya identificados, los científicos mencionan la acetilcolinesterasa, los canales de cloruro activados por GABA, los canales de sodio dependientes de voltaje y los receptores nicotínicos de acetilcolina. Estos objetivos sustentan clases comerciales relevantes, pero presentan problemas relacionados con la resistencia y la selectividad. Según la revisión, la oportunidad no reside en repetir métodos químicos antiguos, sino en el rediseño orientado a la estructura, la comparación entre ortólogos y la evaluación de mutaciones asociadas a la resistencia.

Objetivos emergentes

El estudio también destaca objetivos emergentes o poco explorados. Los receptores de octopamina están despertando interés debido a la ausencia de un sistema equivalente directo en vertebrados. La biosíntesis de quitina ofrece selectividad, ya que la quitina participa en la formación de la cutícula y la matriz peritrófica en artrópodos, pero no en vertebrados ni plantas. Los receptores de ecdisona y las vías de la hormona juvenil también se presentan como opciones para insecticidas vinculados al desarrollo. Los receptores de neuropéptidos acoplados a proteínas G constituyen otro grupo prometedor, debido a su importancia en la alimentación, la diuresis, la reproducción y las respuestas al estrés.

La selectividad recibe especial atención. La comparación entre proteínas ortólogas de plagas, mamíferos, polinizadores y artrópodos beneficiosos puede revelar diferencias en los sitios de unión. Estas diferencias pueden dirigir las moléculas con mayor afinidad hacia la plaga objetivo y menor interacción con organismos no objetivo. El artículo destaca un punto crucial: la selectividad para insectos no implica automáticamente seguridad para los polinizadores.

Biología estructural

La biología estructural se presenta como una condición para el avance del diseño racional. Las estructuras experimentales y los modelos predictivos ayudan a localizar sitios de unión, interpretar mutaciones de resistencia y comparar dianas entre especies. Las herramientas de predicción estructural amplían el número de proteínas explotables, pero aún requieren precaución. Los modelos pueden fallar en regiones flexibles, estados conformacionales, complejos de membrana e interacciones dependientes de ligandos.

Los científicos concluyen que el futuro del descubrimiento de insecticidas depende de un ecosistema integrado. Este ecosistema debe conectar la biología del objetivo, los datos estructurales, la química sintética, el modelado predictivo, la validación experimental, la seguridad ambiental y la viabilidad en el campo.

Más información en doi.org/10.1016/j.pestbp.2026.107190