Los investigadores están utilizando inteligencia artificial para escanear enormes bibliotecas de péptidos, genes y medicamentos existentes para identificar moléculas que pueden ralentizar el envejecimiento biológico, reemplazando años de cribado manual de laboratorio con predicción computacional. Los esfuerzos de investigación separados en Brasil y Estados Unidos ilustran varios enfoques diferentes de IA que se aplican actualmente a esta cuestión.
Esta versión es una traducción automática del original (English). Leer el original
Los científicos que estudian el envejecimiento tienen una nueva herramienta: sistemas de inteligencia artificial que pueden escanear miles de moléculas o conjuntos de datos genéticos en días e identificar el puñado más probable de afectar cómo envejecen las células. Varios proyectos hechos públicos en las últimas semanas muestran cómo funciona esto en la práctica — entre ellos un laboratorio de universidad brasileño, una empresa de biotecnología internacional, y un equipo de investigación que extrae de grandes bases de datos genómicos públicas — y todos ellos se dirigen al mismo problema subyacente: el estrés oxidativo y el daño celular que se acumulan con la edad.
Un modelo de IA explicable busca péptidos antioxidantes
En la Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), un equipo liderado por el profesor de química André Silva Pimentel, trabajando con los investigadores Maria Carolina J. A. Schneider y Marina Geisiely Damaso Godinho Alves, publicó un estudio sobre inteligencia artificial explicable aplicada a péptidos antioxidantes, según un artículo que el equipo escribió para The Conversation Brasil el 5 de octubre de 2026. Los péptidos son cadenas cortas de aminoácidos que ocurren naturalmente en proteínas alimentarias o pueden ser sintetizados, y algunos de ellos pueden neutralizar radicales libres — moléculas inestables que dañan las células cuando se acumulan más rápido de lo que los sistemas antioxidantes del cuerpo pueden eliminarlas.
El grupo de PUC-Rio utilizó un método llamado IA explicable, que difiere de los modelos estándar de aprendizaje automático en un aspecto clave: en lugar de solo producir una predicción, también muestra qué partes de la secuencia de aminoácidos de un péptido influyeron más en esa predicción. Según los investigadores, esto permite a los científicos ver qué características estructurales hacen que un péptido sea más probable que actúe como antioxidante, en lugar de tratar la IA como una caja negra. El trabajo fue financiado por FAPERJ, la fundación estatal de investigación de Río de Janeiro, y también fue cubierto por el medio brasileño Brasil em Folhas, que describió el mismo laboratorio y metodología.
El valor práctico, escribieron los investigadores, es la velocidad: en lugar de probar grandes números de candidatos de péptidos uno por uno en un laboratorio, el modelo de IA reduce una larga lista a las pocas secuencias que más vale la pena probar experimentalmente. El equipo dijo que las aplicaciones potenciales se extienden más allá de cosméticos anti-envejecimiento y nutracéuticos a la investigación sobre condiciones relacionadas con estrés oxidativo como la enfermedad de Alzheimer, la enfermedad de Parkinson y el cáncer — aunque describieron esto como una dirección para estudios posteriores, no un tratamiento terminado.
Sistemas de IA más grandes escanean genomas y bibliotecas de medicamentos para objetivos de envejecimiento
Un esfuerzo separado a mayor escala proviene de Insilico Medicine, una empresa de biotecnología que desarrolla herramientas de IA para el descubrimiento de medicamentos. El 17 de septiembre de 2026, la empresa publicó un estudio en la portada de la revista Cell describiendo un kit de herramientas de código abierto para investigación de longevidad, construido con Liquid AI, el Buck Institute for Research on Aging, la Escuela de Medicina de Harvard y el Hospital Brigham and Women's, según el propio anuncio de Insilico Medicine.
El kit de herramientas tiene tres partes: LongevityBench, un punto de referencia que prueba qué tan bien los modelos de IA razonan sobre la biología del envejecimiento en cinco tipos de datos incluyendo genética y proteómica; Longevity-LLMs, una familia de modelos de lenguaje compactos (que van de 0,6 a 9 mil millones de parámetros) entrenados específicamente en datos relacionados con el envejecimiento; y Longevity Claw, una plataforma de investigación autónoma destinada a identificar y clasificar posibles objetivos relacionados con el envejecimiento. Insilico Medicine informó que su modelo especializado de 9 mil millones de parámetros igualó o superó a 16 sistemas de IA de propósito general fronterizos en tareas de biología del envejecimiento, y que Longevity Claw propuso 328 objetivos candidatos de intervención del envejecimiento, que dijo mostraron enriquecimiento de hasta 5,6 veces para genes relacionados con el envejecimiento en comparación con un conjunto de referencia de objetivos de envejecimiento validados experimentalmente publicado de forma independiente.
La comunidad de longevidad está avanzando más allá de relojes de envejecimiento estáticos hacia modelos fundamentales capaces de generar información medible y procesable.
— Alex Zhavoronkov, Fundador y Co-CEO de Insilico Medicine
Un tercer enfoque, descrito por el sitio de noticias de investigación de envejecimiento Lifespan.io, utilizó una herramienta de IA llamada ClockBase Agent — construida por un equipo liderado por el investigador Vadim Gladyshev — para extraer más de 2 millones de conjuntos de datos de secuenciación de ARN y epigenéticos existentes que cubren 43.529 intervenciones biológicas registradas. El sistema identificó medicamentos conocidos incluyendo rapamicina, metformina, fenofibrato y ouabaína como vinculados al envejecimiento biológico más lento en los datos; Lifespan.io informó que en pruebas de seguimiento en ratones de 20 meses, tres meses de tratamiento con ouabaína se asoció con puntuaciones de fragilidad mejoradas, rendimiento cognitivo, condición del pelaje y función cardíaca, aunque el preprint que describe el estudio completo fue publicado en noviembre de 2025 y aún no ha sido confirmado en ensayos humanos.
Lo que esta investigación muestra y no muestra
Ninguno de estos proyectos afirma haber producido un tratamiento anti-envejecimiento aprobado. El modelo de péptidos de PUC-Rio y la lista de objetivos de Insilico Medicine son herramientas de predicción destinadas a priorizar candidatos para pruebas de laboratorio y clínicas, no terapias terminadas. Los hallazgos de ouabaína descritos por Lifespan.io provienen de experimentos con animales, no de ensayos en humanos. Los investigadores involucrados en el estudio de PUC-Rio e Insilico Medicine enmarcan su trabajo como reducir un espacio de búsqueda muy grande — millones de moléculas posibles u objetivos de genes — para que los escasos recursos de laboratorio y clínicos se gasten probando primero los candidatos más prometedores.
IA explicable (PUC-Rio): marca qué secuencias de aminoácidos en péptidos derivados de alimentos o sintéticos son probables antioxidantes.
LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine, con Buck Institute y Escuela de Medicina de Harvard): punto de referencia y clasificar objetivos genéticos vinculados al envejecimiento en conjuntos de datos ómicos.
ClockBase Agent (equipo de investigación de Gladyshev): extrae conjuntos de datos genómicos públicos existentes para marcar medicamentos existentes asociados con envejecimiento biológico más lento en datos de animales.
Tres enfoques de IA para encontrar moléculas relacionadas con el envejecimiento
Proyecto
Institución(es) líder(es)
Lo que la IA busca
Escala reportada
Etapa
Modelo de péptido de IA explicable
PUC-Rio (Brasil)
Secuencias de péptidos antioxidantes
No especificado por los investigadores
Estudio publicado, etapa de validación de laboratorio
LongevityBench / Longevity Claw
Insilico Medicine, Buck Institute, Escuela de Medicina de Harvard
Objetivos de genes relacionados con el envejecimiento en datos ómicos
328 objetivos candidatos nominados
Publicado en Cell, 17 de septiembre de 2026
ClockBase Agent
Equipo de investigación de Gladyshev
Medicamentos existentes en conjuntos de datos genómicos públicos
43.529 intervenciones registradas examinadas
Preprint; pruebas a nivel de ratón
Preguntas
¿Ha descubierto la IA ya un nuevo medicamento anti-envejecimiento que las personas puedan tomar?
No. Los proyectos descritos aquí son herramientas de predicción y priorización. El modelo de péptidos de PUC-Rio y la lista de objetivos génicos de Insilico Medicine están destinados a guiar futuras pruebas de laboratorio, y los resultados de ouabaína informados por Lifespan.io provienen de experimentos con ratones, no de tratamientos humanos aprobados.
¿Qué es un péptido antioxidante y por qué importa para el envejecimiento?
Según los investigadores de PUC-Rio, los péptidos antioxidantes son cadenas cortas de aminoácidos, encontradas en proteínas alimentarias o sintetizadas, que pueden neutralizar radicales libres — moléculas que dañan las células cuando se acumulan más rápido de lo que el cuerpo puede eliminarlas, un proceso vinculado al envejecimiento y a condiciones como el Alzheimer y la enfermedad de Parkinson.
¿Cuál es la herramienta Longevity Claw de Insilico Medicine?
Es una plataforma de investigación de IA, publicada como parte de un estudio de portada de Cell el 17 de septiembre de 2026, que nominó 328 objetivos genéticos candidatos vinculados al envejecimiento, reportando enriquecimiento de hasta 5,6 veces en comparación con un conjunto de referencia publicado de forma independiente de objetivos de envejecimiento validados experimentalmente, según el anuncio de la empresa.
¿Por qué usar IA explicable en lugar de un modelo estándar de aprendizaje automático para péptidos?
El equipo de PUC-Rio dijo que la IA explicable muestra qué partes de la secuencia de un péptido impulsaron su predicción, permitiendo a los investigadores entender por qué una molécula es marcada como un probable antioxidante en lugar de tratar el resultado como un resultado no explicado.
¿Qué medicamentos existentes identificó el estudio de ClockBase Agent como vinculados al envejecimiento más lento?
Lifespan.io informó que el sistema, construido por un equipo liderado por el investigador Vadim Gladyshev, identificó rapamicina, metformina, fenofibrato y ouabaína en su análisis de conjuntos de datos genómicos públicos, con experimentos en ratones sobre ouabaína informados en un preprint publicado en noviembre de 2025.
Cómo lo cuenta el mundo
PortuguésLa cobertura brasileña (The Conversation Brasil, escrita por los propios investigadores de PUC-Rio, y Brasil em Folhas) enmarcan la historia principalmente como un logro académico de química financiado por la fundación FAPERJ de Río de Janeiro, enfatizando la IA explicable como una característica de transparencia y vinculando péptidos antioxidantes a futuras aplicaciones en cosméticos, nutracéuticos y enfermedades relacionadas con estrés oxidativo en lugar de a productos de longevidad comercial.
Este texto se preparó con inteligencia artificial y pasó una verificación automática de fuentes antes de publicarse. Si ves un error, pide una corrección. Pedir una corrección o réplica · Cómo lo hacemos
La campaña de vacunación contra COVID-19 e influenza 2026-2027 de Francia comenzó el 13 de octubre, ya que médicos y salas de emergencia reportaron más casos sospechosos de COVID-19 en todo el país. Un epidemiólogo describió el aumento como una nueva onda, pero el Ministerio de Salud dijo el 5 de octubre que el aumento no justificaba adelantar la fecha de inicio de la campaña.
Los ritmos circadianos son ciclos de aproximadamente 24 horas, establecidos principalmente por la luz y la oscuridad, que le indican al cuerpo cuándo dormir, liberar hormonas y digerir alimentos. Cuando este reloj interno se desincroniza con el ambiente —a través de horarios irregulares, trabajo por turnos o jet lag— la calidad del sueño, el estado de ánimo, el metabolismo y el estado de alerta sufren, según las agencias federales de salud de EE.UU. y la Escuela Médica de Harvard.
Los incendios forestales y de tierras en Sumatra han empujado la calidad del aire en la provincia de Jambi de Indonesia a la categoría 'peligrosa', con lecturas de PM2,5 más del doble del umbral de peligro y la visibilidad cayendo por debajo de 1 kilómetro. El departamento de salud de la ciudad de Jambi dice que los casos de infección respiratoria aguda (ISPA) han alcanzado 12.000 desde que comenzaron los incendios, un aumento desde 10.151 hace unos días.
La semaglutida y otros agonistas del receptor GLP-1 causan pérdida de peso al imitar una hormona intestinal que reduce el apetito y ralentiza la digestión. Ya están relacionados con efectos secundarios gastrointestinales comunes y riesgos graves poco frecuentes como la pancreatitis, y una encuesta de 2026 presentada en un congreso europeo de dermatología encontró que el desprendimiento de uñas y la caída de cabello inusual fueron reportados mucho más frecuentemente por los usuarios que por los no usuarios, aunque los investigadores dicen que esto no prueba que los medicamentos lo causaran.
