Un péptido modular contra MRSA: 99,500× más potente que vancomicina#
El antibiótico más vendido del mundo deja vivas casi 10 millones de bacterias por mililitro. El péptido nuevo deja 100.
Paper: Modular peptide nanofibres that self-assemble on bacterial membranes overcome antimicrobial resistance Nature Biomedical Engineering · DOI: 10.1038/s41551-026-01680-0
Pendiente: link al short de YouTube
El problema#
MRSA (Staphylococcus aureus resistente a meticilina) es un patógeno que mata aproximadamente 100.000 personas al año. Los péptidos antimicrobianos (AMPs) son una vieja promesa: no atacan a una enzima específica que la bacteria pueda mutar, sino directamente a la membrana. El problema clásico es que también atacan membranas humanas y son caros de fabricar.
La idea es un péptido modular con tres piezas — un ancla que se mete en la membrana, un enlazador que ensambla varias copias juntas, y una cabeza catiónica que rompe la bicapa. Solo cambiaron el ancla. De 8 candidatos, uno (Bip-FK9, con un grupo bifenilo) cambió todo el resultado.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
COMPUESTO_ESTRELLA = 'Bip-FK9' # El péptido modular ganador
COMPUESTO_REFERENCIA = 'Vancomicina' # Antibiótico estándar de comparación
LIMITE_DETECCION = 100 # CFU/mL — placas LB con 10 uL plaqueados
FUENTE = 'Fuente: Garrood et al. (2026), Nature Biomedical Engineering | Source Data Figs. 1, 2, 4'
COLOR_BIP = '#2563EB' # Azul CaM — Bip-FK9
COLOR_VAN = '#DC2626' # Rojo — vancomicina (contraste)
COLOR_CONTROL = '#BBBBBB' # Gris — controles / sin tratamiento
COLOR_DECOY = '#D97706' # Amber — el lípido decoy clave (PG)
# ══════════════════════════════════════════════════════════════
import os, urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.ticker import LogLocator, FormatStrFormatter
BASE = 'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main'
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
style_file = '/tmp/cam.mplstyle'
if not os.path.exists(style_file):
urllib.request.urlretrieve(f'{BASE}/cam.mplstyle', style_file)
plt.style.use(style_file)
screening = pd.read_csv('datos/screening_variantes.csv')
dosis = pd.read_csv('datos/dosis_respuesta.csv')
lipidos = pd.read_csv('datos/especificidad_lipidos.csv')
in_vivo = pd.read_csv('datos/in_vivo_dosis.csv')
print(f'Screening 8 variantes: {len(screening):>3} filas ({screening.variante.nunique()} grupos × 3 réplicas)')
print(f'Dosis-respuesta in vitro: {len(dosis):>3} filas (9 dosis × 2 compuestos × 3 réplicas, con huecos)')
print(f'Especificidad de lípidos: {len(lipidos):>3} filas (6 condiciones × 3 réplicas)')
print(f'Dosis-respuesta in vivo: {len(in_vivo):>3} filas (7 dosis × 3 ratones)')
Screening 8 variantes: 24 filas (8 grupos × 3 réplicas)
Dosis-respuesta in vitro: 48 filas (9 dosis × 2 compuestos × 3 réplicas, con huecos)
Especificidad de lípidos: 30 filas (6 condiciones × 3 réplicas)
Dosis-respuesta in vivo: 21 filas (7 dosis × 3 ratones)
Aquí está#
fig, ax = plt.subplots(figsize=(13, 5.5))
# Calcular media + std por (concentración, compuesto)
agg = dosis.groupby(['concentracion_um', 'compuesto'])['cfu_per_ml'].agg(['mean', 'std']).reset_index()
van = agg[agg.compuesto == COMPUESTO_REFERENCIA].sort_values('concentracion_um')
bip = agg[agg.compuesto == COMPUESTO_ESTRELLA].sort_values('concentracion_um')
# Línea + scatter para cada compuesto. Reemplazar 0 por un pseudo-valor para log-scale del eje X.
def x_log_safe(x):
return [xi if xi > 0 else 0.5 for xi in x]
ax.plot(x_log_safe(van.concentracion_um), van['mean'], 'o-', color=COLOR_VAN,
markersize=9, linewidth=2.2, label=COMPUESTO_REFERENCIA, zorder=4,
markeredgecolor='white', markeredgewidth=0.6)
ax.plot(x_log_safe(bip.concentracion_um), bip['mean'], 'o-', color=COLOR_BIP,
markersize=9, linewidth=2.2, label=f'{COMPUESTO_ESTRELLA} (péptido nuevo)', zorder=5,
markeredgecolor='white', markeredgewidth=0.6)
# Error bars (std) — con cap pequeño para no saturar
ax.errorbar(x_log_safe(van.concentracion_um), van['mean'], yerr=van['std'],
fmt='none', ecolor=COLOR_VAN, alpha=0.5, capsize=3, capthick=1, zorder=3)
ax.errorbar(x_log_safe(bip.concentracion_um), bip['mean'], yerr=bip['std'],
fmt='none', ecolor=COLOR_BIP, alpha=0.5, capsize=3, capthick=1, zorder=3)
# Línea horizontal del límite de detección
ax.axhline(y=LIMITE_DETECCION, color='#666666', linestyle=':', linewidth=1.2, alpha=0.7)
ax.text(0.7, LIMITE_DETECCION * 1.4, 'Límite de detección (100 CFU/mL)',
fontsize=8.5, color='#666666', style='italic')
# Anotar la concentración clave (128 uM)
ax.annotate('', xy=(128, 100), xytext=(128, 9_950_000),
arrowprops=dict(arrowstyle='<->', color='#333333', lw=1.5))
ax.text(150, 30_000, '~99,500×\nde diferencia',
fontsize=11, fontweight='bold', color='#333333',
ha='left', va='center')
ax.set_xscale('log')
ax.set_yscale('log')
ax.set_xlabel('Concentración del compuesto (μM, escala log)')
ax.set_ylabel('MRSA viables tras 4 h (CFU/mL, escala log)')
ax.set_title('¿Cuánto MRSA queda vivo según la dosis?',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Bip-FK9 vs vancomicina · MRSA inicial 1×10⁸ CFU/mL · 3 réplicas por dosis',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xticks([0.5, 8, 32, 128, 512])
ax.set_xticklabels(['0', '8', '32', '128', '512'])
ax.legend(fontsize=10, loc='lower left', framealpha=0.9)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/hero_dosis_respuesta.png', dpi=200, bbox_inches='tight')
plt.show()
# Imprimir las cifras clave (para auditar)
print(f'A 128 μM: vancomicina deja {int(van[van.concentracion_um==128]["mean"].iloc[0]):>12,} CFU/mL')
print(f' {COMPUESTO_ESTRELLA} deja {int(bip[bip.concentracion_um==128]["mean"].iloc[0]):>12,} CFU/mL (límite de detección)')
print(f' ratio ≈ {van[van.concentracion_um==128]["mean"].iloc[0] / bip[bip.concentracion_um==128]["mean"].iloc[0]:,.0f}×')
A 128 μM: vancomicina deja 9,950,000 CFU/mL
Bip-FK9 deja 100 CFU/mL (límite de detección)
ratio ≈ 99,500×
La curva azul cae en picada entre 32 y 128 μM. La roja se queda casi plana en ese tramo.
A 128 μM, vancomicina aún deja casi 10 millones de bacterias por mililitro. Bip-FK9 ya está en el suelo del ensayo (100 CFU/mL es el límite de detección — no podemos saber si quedaron menos, solo que ninguna creció en la placa).
La vancomicina termina llegando al mismo punto, pero necesita una concentración 4× mayor para hacerlo (512 μM). El paper enmarca esto como una ventaja de potencia, no como una nueva clase de actividad — ambos antibióticos eventualmente matan MRSA. La diferencia es cuánto se necesita.
Zoom: ¿qué cambió entre las 8 variantes?#
El esqueleto del péptido (FK9 + linker difenilalanina) es el mismo en todas las variantes. Lo único que cambia es el ancla — el grupo químico que se mete en la membrana primero. Si el ancla no importara, las 7 variantes deberían matar parecido. Veamos.
fig, ax = plt.subplots(figsize=(13, 5.5))
orden = ['Control', 'FK9', 'Chl-FK9', 'Ada-FK9', 'Nap-FK9', 'Oct-FK9', 'Iso-FK9', 'Bip-FK9']
np.random.seed(42)
for i, variante in enumerate(orden):
sub = screening[screening.variante == variante]
vals = sub.cfu_per_ml.values
n = len(vals)
x_jitter = np.linspace(i - 0.15, i + 0.15, n)
np.random.shuffle(x_jitter)
color = COLOR_BIP if variante == COMPUESTO_ESTRELLA else (
COLOR_CONTROL if variante == 'Control' else '#7C7C7C'
)
ax.scatter(x_jitter, vals, color=color, s=70, alpha=0.75,
edgecolors='white', linewidths=0.6, zorder=5)
# Media (barra horizontal)
ax.scatter([i], [vals.mean()], marker='_', color=color, s=600,
linewidths=2.5, zorder=6)
ax.set_yscale('log')
ax.set_xticks(range(len(orden)))
ax.set_xticklabels(orden, fontsize=10, fontweight='bold')
# Resaltar Bip-FK9 en azul en el xtick
for tick, variante in zip(ax.get_xticklabels(), orden):
if variante == COMPUESTO_ESTRELLA:
tick.set_color(COLOR_BIP)
elif variante == 'Control':
tick.set_color('#666666')
ax.set_ylabel('MRSA viables (CFU/mL, escala log)')
ax.set_title('¿Importa qué ancla pongas? Sí, y mucho.',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Screening de 7 anclas distintas sobre el mismo esqueleto peptídico, 8 μM, 24 h, MRSA inicial 5×10⁵ CFU/mL',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
# Nota explicativa
ax.text(0.98, 0.02, '━ media · puntos = 3 réplicas',
transform=ax.transAxes, fontsize=8, color='#999999',
ha='right', va='bottom', style='italic')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/screening_variantes.png', dpi=200, bbox_inches='tight')
plt.show()
# Resumen numérico
print('\nMedias por variante (CFU/mL, ordenadas por potencia):')
medias = screening.groupby('variante')['cfu_per_ml'].mean().sort_values()
for v, m in medias.items():
marker = '←' if v == COMPUESTO_ESTRELLA else ''
print(f' {v:>10}: {m:>15,.0f} {marker}')
Medias por variante (CFU/mL, ordenadas por potencia):
Bip-FK9: 16,340,000 ←
Iso-FK9: 1,302,666,667
Oct-FK9: 1,333,333,333
Nap-FK9: 1,654,000,000
Ada-FK9: 2,226,666,667
Chl-FK9: 3,384,000,000
FK9: 5,385,333,333
Control: 6,688,666,667
Solo Bip-FK9 cae fuera del rango de los otros — dos órdenes de magnitud por debajo del resto. El ancla sí importa: el bifenilo hace algo que los demás no.
¿Qué hace? El paper plantea una hipótesis específica: el péptido se ancla en un lípido particular de la membrana bacteriana llamado PG (fosfatidilglicerol). Si eso es cierto, podemos probarlo: si añadimos PG libre al medio de cultivo antes del péptido, el PG debería «secuestrar» al péptido y dejarlo sin blanco. Ningún otro lípido bacteriano debería hacer eso.
fig, ax = plt.subplots(figsize=(13, 5.5))
orden_lipidos = ['Lysyl-PG', 'CL', 'PA', 'PG']
x_pos = np.arange(len(orden_lipidos))
width = 0.35
medias_sin, stds_sin, medias_con, stds_con = [], [], [], []
for lip in orden_lipidos:
sin = lipidos[(lipidos.condicion == lip) & (lipidos.tratamiento == 'Sin Bip-FK9')].cfu_per_ml
con = lipidos[(lipidos.condicion == lip) & (lipidos.tratamiento == 'Con Bip-FK9')].cfu_per_ml
medias_sin.append(sin.mean()); stds_sin.append(sin.std(ddof=1))
medias_con.append(con.mean()); stds_con.append(con.std(ddof=1))
bars_sin = ax.bar(x_pos - width/2, medias_sin, width, yerr=stds_sin,
color=COLOR_CONTROL, alpha=0.85, label='Sin Bip-FK9',
capsize=4, edgecolor='white', linewidth=0.6)
# Color de la barra "Con Bip-FK9" especial para PG (decoy efectivo)
colores_con = [COLOR_BIP if l != 'PG' else COLOR_DECOY for l in orden_lipidos]
for i, (xp, m, s, c) in enumerate(zip(x_pos, medias_con, stds_con, colores_con)):
ax.bar(xp + width/2, m, width, yerr=s, color=c, alpha=0.9,
capsize=4, edgecolor='white', linewidth=0.6,
label='Con Bip-FK9' if i == 0 else None)
ax.set_yscale('log')
ax.set_xticks(x_pos)
ax.set_xticklabels(orden_lipidos, fontsize=10, fontweight='bold')
ax.set_ylabel('MRSA viables (CFU/mL, escala log)')
ax.set_title('¿Qué lípido secuestra al péptido? Solo el PG.',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Cuando añades un lípido al medio antes que Bip-FK9, ¿el péptido pierde su efecto?',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
# Anotar reducción log para cada lípido
for i, lip in enumerate(orden_lipidos):
red_log = np.log10(medias_sin[i] / medias_con[i])
marca = '✗ NO mata' if lip == 'PG' else '✓ sí mata'
color_txt = COLOR_DECOY if lip == 'PG' else '#333333'
ax.text(i, max(medias_sin[i], medias_con[i]) * 4.5,
f'{marca}\n−{red_log:.1f} log',
ha='center', fontsize=9.5, fontweight='bold', color=color_txt)
ax.legend(fontsize=10, loc='lower left', framealpha=0.9)
ax.set_ylim(top=ax.get_ylim()[1] * 2.5)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/decoy_lipidos.png', dpi=200, bbox_inches='tight')
plt.show()
print('\nReducción logarítmica al añadir Bip-FK9, por lípido decoy:')
for i, lip in enumerate(orden_lipidos):
red = np.log10(medias_sin[i] / medias_con[i])
print(f' {lip:>10}: {red:>5.2f} log{" ← cuando PG está libre, el péptido se queda sin blanco" if lip == "PG" else ""}')
Reducción logarítmica al añadir Bip-FK9, por lípido decoy:
Lysyl-PG: 2.30 log
CL: 2.41 log
PA: 2.68 log
PG: 0.04 log ← cuando PG está libre, el péptido se queda sin blanco
El golpe final: ¿funciona en un animal?#
In vitro es una cosa. En un ratón con neumonía MRSA real, el péptido se enfrenta a moco, surfactante, células inmunes y la cinética de un pulmón. El paper midió la carga bacteriana pulmonar como porcentaje (relativo al control sin tratar) tras inhalación de Bip-FK9 a 7 dosis crecientes.
fig, ax = plt.subplots(figsize=(13, 5.5))
agg_iv = in_vivo.groupby('dosis_ug_per_ml')['carga_bacteriana_pct'].agg(['mean', 'std']).reset_index()
# Puntos individuales con jitter
np.random.seed(42)
x_log_dose = np.log10(in_vivo.dosis_ug_per_ml.values)
jitter = np.random.normal(0, 0.018, len(in_vivo))
ax.scatter(in_vivo.dosis_ug_per_ml * (10 ** jitter), in_vivo.carga_bacteriana_pct,
color=COLOR_BIP, s=55, alpha=0.55,
edgecolors='white', linewidths=0.6, zorder=4)
# Línea de la media
ax.plot(agg_iv.dosis_ug_per_ml, agg_iv['mean'], 'o-',
color=COLOR_BIP, markersize=11, linewidth=2.5, zorder=6,
markeredgecolor='white', markeredgewidth=0.8)
# Anotar dosis extremas
ax.annotate(f'{agg_iv[agg_iv.dosis_ug_per_ml==0.5]["mean"].iloc[0]:.0f}% de carga\n(dosis baja)',
xy=(0.5, agg_iv[agg_iv.dosis_ug_per_ml==0.5]['mean'].iloc[0]),
xytext=(0.6, 92), fontsize=10, color=COLOR_BIP,
arrowprops=dict(arrowstyle='->', color=COLOR_BIP, lw=1.3))
ax.annotate(f'{agg_iv[agg_iv.dosis_ug_per_ml==24]["mean"].iloc[0]:.1f}%\n(prácticamente eliminado)',
xy=(24, agg_iv[agg_iv.dosis_ug_per_ml==24]['mean'].iloc[0]),
xytext=(10, 25), fontsize=10, color=COLOR_BIP, fontweight='bold',
arrowprops=dict(arrowstyle='->', color=COLOR_BIP, lw=1.3))
ax.set_xscale('log')
ax.set_xlabel('Dosis de Bip-FK9 inhalado (μg/mL, escala log)')
ax.set_ylabel('Carga bacteriana pulmonar (% del control sin tratar)')
ax.set_title('De 82% a 1.4%: el péptido funciona en un pulmón infectado',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Ratones con neumonía MRSA · 3 ratones por dosis · endpoint a las 24 h post-inhalación',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xticks([0.5, 1, 2, 4, 8, 12, 24])
ax.set_xticklabels(['0.5', '1', '2', '4', '8', '12', '24'])
ax.set_ylim(-5, 100)
ax.text(0.98, 0.97, '━ media · puntos = 3 ratones',
transform=ax.transAxes, fontsize=8, color='#999999',
ha='right', va='top', style='italic')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/in_vivo_dosis.png', dpi=200, bbox_inches='tight')
plt.show()
print('\nCarga bacteriana pulmonar por dosis:')
for _, row in agg_iv.iterrows():
print(f' {row.dosis_ug_per_ml:>5} μg/mL: {row["mean"]:>5.1f}% (± {row["std"]:>4.1f})')
Carga bacteriana pulmonar por dosis:
0.5 μg/mL: 82.4% (± 5.6)
1.0 μg/mL: 66.4% (± 8.3)
2.0 μg/mL: 55.3% (± 4.4)
4.0 μg/mL: 28.9% (± 7.4)
8.0 μg/mL: 15.0% (± 4.9)
12.0 μg/mL: 5.4% (± 4.4)
24.0 μg/mL: 1.4% (± 1.0)
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
A 128 μM, Bip-FK9 reduce MRSA al límite de detección y vancomicina sigue dejando ~10⁷ CFU/mL |
✅ |
3 réplicas por compuesto. El paper lo afirma como hallazgo directo (verbo outperform). |
El bifenilo es el ancla que cambia el resultado entre las 8 variantes |
✅ |
Las otras 6 anclas con esqueleto idéntico se quedan en el rango 1.3×10⁹–5.4×10⁹ CFU/mL (medias por variante, n=3). Bip-FK9 baja a 1.6×10⁷ — dos órdenes de magnitud por debajo del siguiente mejor (Iso-FK9, 80×). |
PG (fosfatidilglicerol) es el blanco molecular específico |
✅ |
Solo PG libre bloquea la actividad (reducción −0.04 log). CL, PA y Lysyl-PG no protegen (reducción 2.3–2.7 log). |
Bip-FK9 inhalado reduce la carga bacteriana pulmonar de 82% a 1.4% con dosis crecientes |
✅ |
n=3 ratones por dosis. Caída monotónica entre 0.5 y 24 μg/mL. |
El péptido «no induce resistencia» tras pases serializados |
⚠️ |
Claim del paper, pero no graficamos esto — no hay CSV de passages-resistance en el supplementary procesado. |
Restaura la arquitectura pulmonar sin toxicidad detectable |
⚠️ |
Claim del paper basado en histopatología — no graficamos esto (sin CSV de histología). |
Limitaciones:
Las cifras vienen de los datos fuente (Source Data) del paper (MOESM12–16); el cuerpo del paper está en paywall. No pudimos cruzar con las figure legends originales más allá del supplementary text.
El eje Y de la gráfica in vivo está en porcentaje según convención del paper (carga relativa al control sin tratar). No tenemos las cifras absolutas de CFU/pulmón.
n=3 réplicas in vitro y n=3 ratones por dosis es pequeño — el paper no discute potencia estadística; nuestras barras muestran ± std observada, no intervalo de confianza.
Toda la dosis-respuesta in vitro asume 4 h de incubación en PBS, no medio rico. En clínica el péptido se enfrentaría a otra cinética.
Ahora tú#
Tres preguntas para explorar los datos por tu cuenta:
¿Qué pasa si el ancla y la cabeza catiónica se intercambian? Mira la tabla de medias por variante. La diferencia entre Bip-FK9 y el segundo mejor (Iso-FK9) es de ~80×. Esa diferencia no viene del esqueleto, viene del bifenilo. ¿Cómo se vería el screening si normalizas todas las medias al control?
¿Es la caída in vivo lineal en escala log de dosis? Calcula
np.log(carga_bacteriana_pct)vsnp.log(dosis_ug_per_ml)y ajusta una recta. Si la pendiente es cercana a −1, el efecto es «log-linear», típico de una unión competitiva.El control «Con Bip-FK9» del experimento de decoy (sin lípido añadido) sirve como referencia. Compara la reducción de cada lípido contra ese control puro. ¿Cuál se acerca más al control? ¿Cuál está más lejos?
# --- EXPERIMENTA AQUÍ ---
# Pregunta 1: ¿Qué tan grande es la ventaja del bifenilo sobre el siguiente mejor?
medias = screening.groupby('variante')['cfu_per_ml'].mean()
control_mean = medias['Control']
print('Reducción respecto al control sin tratar (factor):')
ordenado = medias.sort_values()
for v, m in ordenado.items():
factor = control_mean / m
print(f' {v:>10}: {factor:>10,.1f}×')
print()
print(f'Ventaja de Bip-FK9 sobre el siguiente mejor (Iso-FK9):')
factor_relativo = medias['Iso-FK9'] / medias['Bip-FK9']
print(f' {factor_relativo:.1f}× más bacterias quedan con Iso-FK9 que con Bip-FK9')
Reducción respecto al control sin tratar (factor):
Bip-FK9: 409.3×
Iso-FK9: 5.1×
Oct-FK9: 5.0×
Nap-FK9: 4.0×
Ada-FK9: 3.0×
Chl-FK9: 2.0×
FK9: 1.2×
Control: 1.0×
Ventaja de Bip-FK9 sobre el siguiente mejor (Iso-FK9):
79.7× más bacterias quedan con Iso-FK9 que con Bip-FK9
Fuentes#
Paper: Modular peptide nanofibres that self-assemble on bacterial membranes overcome antimicrobial resistance
Nature Biomedical Engineering, 2026-05-20 · body paywalled
Supplementary Material: Supplementary Information — Modular peptide nanofibres (MOESM1_ESM.pdf)
Métodos detallados, accesible sin paywall
Source Data (datasets de Nature Biomedical Engineering, mismo DOI):
Statistical source data — Fig. 1b (MOESM12_ESM.xlsx) — Source Data Fig. 1
Statistical source data — Fig. 1l (MOESM13_ESM.xlsx) — Source Data Fig. 1
Statistical source data — Fig. 2i (MOESM14_ESM.xlsx) — Source Data Fig. 2
Statistical source data — Fig. 4e (MOESM16_ESM.xlsx) — Source Data Fig. 4
14 afirmaciones del notebook verificadas contra estas fuentes
Reproducir#
git clone https://github.com/Ciencia-a-Mordiscos/lab.git
cd lab/papers/2026-05-20-peptide-nanofibres-antimicrobial
pip install pandas matplotlib numpy
jupyter execute notebook.ipynb
O directo en
Licencia y créditos#
Datos: Source Data Figs. 1b, 1l, 2i, 4e del paper, distribuidos por Nature Biomedical Engineering bajo la licencia del journal.
Código del notebook: MIT, parte de Ciencia a Mordiscos / lab.
Generado el 2026-05-27 como parte de El Lab — la extensión verificable del canal CaM.