✨︎ Resumen (TL;DR):
- Duke y la Universidad de Wisconsin-Madison combinaron machine learning, optimización bayesiana y robots de laboratorio para encontrar una mezcla de fibra y bacterias intestinales capaz de maximizar la producción de butirato.
- El sistema recortó la búsqueda, que superaba un billón de combinaciones, a 5 tandas de hasta 390 experimentos simultáneos.
- La combinación base reunió inulina con las dos bacterias Bacteroides uniformis y Anaerostipes caccae; el sistema también detectó una interacción de orden superior con Prevotella copri y el patrón mantuvo su producción de butirato ante otras especies.
Un equipo de la Universidad de Duke y la Universidad de Wisconsin-Madison combinó machine learning, optimización bayesiana y robots de laboratorio para encontrar una mezcla de fibra y bacterias intestinales capaz de maximizar la producción de butirato. La mejor combinación reunió la fibra inulina con las dos bacterias Bacteroides uniformis y Anaerostipes caccae; el sistema además detectó una interacción de orden superior con Prevotella copri. Nature Chemical Biology publicó el estudio el lunes 27 de julio de 2026. Los investigadores realizaron las pruebas en cultivos y comunidades fecales humanas, no en personas.
El butirato es un ácido graso de cadena corta que las bacterias del colon producen al fermentar fibra dietética. Duke señala que aporta nutrientes esenciales para las células del tracto gastrointestinal. Por eso, el equipo lo eligió como el resultado a maximizar.
El equipo trabajó con 15 especies de microbios intestinales y 6 fibras dietéticas, 21 variables en total. Al combinar los microbios con sus dietas, las posibilidades superaban con creces un billón. Ningún laboratorio tiene tiempo ni presupuesto para recorrer ese espacio a mano.
Machine learning eligió las siguientes pruebas
El equipo recurrió al aprendizaje activo, también llamado optimización bayesiana. La optimización bayesiana es un método de aprendizaje activo que selecciona el siguiente experimento para cubrir los huecos del modelo y acercarse al objetivo. El proceso sigue un ciclo de diseñar, probar y aprender. En lugar de confirmar lo que ya sabe, el modelo elige la prueba que más información aporta sobre las combinaciones que todavía no entiende.
Los robots ejecutaron 5 tandas de alto rendimiento con hasta 390 condiciones simultáneas. Cada tanda aportó datos para decidir qué combinación convenía probar después.
Ophelia Venturelli, profesora asociada de ingeniería biomédica en Duke, explicó la lógica del diseño: “Si tomas una semilla y la plantas en un suelo sin nutrientes ni minerales, quizá no crezca muy bien. Lo mismo pasa al meter microbios en el microbioma intestinal de una persona. Este trabajo busca diseñar tanto el ambiente como las bacterias para mejorar la salud humana.”
La mezcla siguió produciendo butirato
Las pruebas revelaron efectos entre los microbios y las fibras que el equipo no había previsto. Eran interacciones tan complejas que no podían predecirse antes de correr los experimentos.
El resultado fue un patrón ecológico altamente productor de butirato y, sobre todo, estable. La combinación base reunió inulina, Bacteroides uniformis y Anaerostipes caccae. El sistema también identificó una interacción de orden superior con Prevotella copri.
Cuando los investigadores introdujeron las combinaciones diseñadas por el modelo en comunidades fecales humanas, los resultados siguieron siendo predecibles. El patrón continuó produciendo butirato de forma consistente cuando añadieron otras especies.
Esta estabilidad es relevante porque el resultado de un probiótico depende de con qué se encuentran las bacterias al llegar al intestino. El comunicado de Duke relaciona buena parte del fracaso comercial de los probióticos con esa variabilidad: el resultado depende de lo que las bacterias encuentren al llegar.
El mismo 27 de julio de 2026, Nature Chemical Biology publicó un comentario de Daniel M. Ferrer, Mark Holton y Guillaume Urtecho, de la División de Gastroenterología y Hepatología de la Universidad de California en San Diego. Los autores plantearon que el intestino convierte la fibra en metabolitos que moldean la salud, pero que encontrar la combinación correcta de microorganismos y nutrientes seguía siendo un problema abierto. A su juicio, el marco de machine learning ofrece una forma de abordarlo.
Un mercado de 130,000 millones de dólares
Según Duke, el mercado global de prebióticos y probióticos ronda 130,000 millones de dólares. El comunicado de la universidad afirma que el sector lleva años sin poder demostrar resultados consistentes ante sus clientes.
Ophelia Venturelli, profesora asociada de ingeniería biomédica en Duke, advirtió: “Los probióticos por sí solos quizá no logren colonizar el intestino de una persona el tiempo suficiente para hacer algo útil, porque ya vive demasiado ahí. Hay mucha incertidumbre sobre si los métodos actuales para restaurar la salud del microbioma intestinal funcionan siquiera, porque los resultados siguen siendo en gran medida impredecibles.”
La investigadora también señaló que ya hay compañías que mezclan bacterias y fibras en sus productos, pero todavía no buscan emparejar la interacción adecuada con el problema adecuado. Según su propuesta, un proceso como el suyo permitiría diseñar soluciones más ajustadas para distintos trastornos digestivos.
El hallazgo todavía no llega a humanos
El estudio publicado el 27 de julio de 2026 funciona como una prueba de concepto hecha en laboratorio y no como un ensayo en personas. Los investigadores trabajaron en cultivos y comunidades fecales humanas. Por ahora, nadie puede comprar la combinación.
Duke informa que el equipo ya prueba la mezcla en un modelo de ratón con enfermedad inflamatoria intestinal. La universidad habla de resultados preliminares alentadores, pero todavía no ha publicado esos datos.
El consejo de comer fibra sigue vigente. El aporte del trabajo está en el método para averiguar qué fibra puede trabajar con qué bacteria sin recorrer manualmente un espacio de más de un billón de combinaciones. Por ahora, el hallazgo identifica una combinación que funcionó en laboratorio, no un tratamiento demostrado en personas.
