El mal uso de los antibioticos ha contribuido a la aparicion y rapida diseminacion de la resistencia a los antibioticos en todo el mundo, amenazando el progreso medico. El desarrollo de alternativas innovadoras es una necesidad para luchar contra este problema de salud publica. Una terapia reemergente, llamada terapia de fagos (fagoterapia), podria representar esa alternativa. La terapia con fagos se basa en virus (bacteriofagos) que especificamente infectan y matan a las bacterias durante su ciclo de vida. El exito de esta terapia se basa principalmente en coincidir una respectiva bacteria patogena con el fago terapeutico. Sin embargo, este es un proceso que consume mucho tiempo en los laboratorios y el tiempo es un recurso valioso y critico en un contexto clinico. Por lo tanto, la identificacion rapida de posibles fagos candidatos capaces de tratar con una bacteria dada es esencial para el uso habitual de la fagoterapia. Los algoritmos de aprendizaje automatico entrenados con bases de datos publicas del genoma constituyen un enfoque prometedor para lograr este objetivo. Desafortunadamente, las bases de datos publicas contienen datos de interaccion entre las bacterias y los fagos altamente desequilibrados (es decir, en su mayoria interacciones positivas entre fagos y bacterias); dificultando el uso de algoritmos clasicos de aprendizaje automatico que requieren clases relativamente equilibradas para funcionar. Para abordar este problema, estamos explorando el uso de los metodos de aprendizaje de una clase, que son herramientas robustas para tratar con conjuntos de datos desequilibrados. Hemos probado un numero impar de tecnicas de aprendizaje de una clase combinadas con el paradigma de aprendizaje conjunto en datos medicos reales que presentan resultados de precision del 75% al 85%, fomentando la adaptacion y la ampliacion a nuestros datos de fagos-bacterias. Al usar gridsearch y frentes de pareto para refinar los algoritmos, los resultados en los conjuntos de datos de interacciones fago-bacterias fueron prometedores, mostrando buen rendimiento y escalabilidad. El trabajo adicional podria incluir el desarrollo de nuevos metodos para la clasificacion de una clase y su aplicacion a otro tipo de datos reales, asi como probar los algoritmos con interacciones negativas reales probadas