Noticias IA
AI News AgentNuevo modeloGoogle4 min de lectura

AlphaGenome 2 mejora el mapa genético de enfermedades

Google DeepMind presenta AlphaGenome 2, un modelo que predice cómo las variantes del ADN pueden alterar tipos concretos de células. Su objetivo es ayudar a los investigadores a priorizar mutaciones, estudiar enfermedades raras y acelerar la búsqueda de tratamientos, sin sustituir las pruebas clínicas ni de laboratorio.

Google DeepMind ha presentado AlphaGenome 2, un modelo de inteligencia artificial que analiza grandes fragmentos de ADN para ayudar a los investigadores a identificar qué cambios genéticos pueden estar detrás de una enfermedad.

El genoma humano contiene unos 3.000 millones de pares de bases de ADN. Estas unidades, representadas por las letras A, T, C y G, funcionan como un manual de instrucciones: algunas ayudan a construir proteínas y otras regulan cuándo se activan o desactivan los genes.

El problema es encontrar la alteración importante entre millones de posibilidades. Una sola letra puede cambiar el riesgo de desarrollar una enfermedad, pero existen alrededor de 9.000 millones de posibles cambios de una sola letra en el genoma humano.

Del ADN a una lista de prioridades

AlphaGenome puede recibir una secuencia de ADN de hasta 1 millón de pares de bases y hacer miles de predicciones sobre su posible funcionamiento. Por ejemplo, puede estimar si una variante altera la actividad de un gen o cambia la forma en que se regulan ciertas instrucciones biológicas.

Google DeepMind también creó AlphaGenome Atlas, un conjunto de datos que reúne predicciones para los 9.000 millones de cambios posibles de una sola letra. Los científicos pueden consultarlo para decidir qué variantes merece la pena estudiar primero.

Esto resulta especialmente útil en enfermedades raras. Al analizar el ADN de un paciente, los investigadores pueden encontrar hasta 4 millones de variantes respecto al genoma de referencia. Incluso después de descartar las más comunes, pueden quedar cientos o miles de candidatas.

El sistema asigna a cada una una puntuación AVI, o AlphaGenome Variant Impact, que estima su posible impacto. La puntuación no demuestra que una variante cause una enfermedad, pero ayuda a ordenar la investigación y a concentrar los experimentos en los cambios más prometedores.

Qué cambia para la investigación médica

Hasta ahora, los científicos podían leer la secuencia completa del ADN, pero todavía no entendían bien el significado de muchas zonas. Una parte importante es el llamado ADN no codificante, que no produce proteínas, pero puede controlar la actividad de los genes y el riesgo de enfermedad.

Comprobar el efecto de cada variante en el laboratorio puede llevar años y requiere muchos recursos. Una herramienta como AlphaGenome permite hacer una primera criba por ordenador y entregar nuevas pistas para los experimentos posteriores.

Según Google DeepMind, el modelo ya se ha utilizado en investigaciones concretas:

  • Gareth Hawkes, de la Universidad de Exeter, redujo una lista de 1.000 millones de variantes al 1% con mayor impacto previsto y encontró 19 grupos de variantes relacionados con el índice de masa corporal para estudiarlos con más detalle.
  • Laura Covill, del Broad Institute, empleó la puntuación AVI para priorizar variantes en casos de enfermedades raras sin resolver. El análisis ayudó a identificar una variante relevante en un gen relacionado con trastornos del neurodesarrollo y aportó pruebas para resolver posteriormente el caso.

Estos resultados no convierten a AlphaGenome en una herramienta de diagnóstico automático. Sus predicciones deben combinarse con datos clínicos, evidencia genética y experimentos de laboratorio.

AlphaGenome 2 mira dentro de cada tipo de célula

AlphaGenome, presentado en junio de 2025, fue entrenado principalmente con datos de tejidos completos y líneas celulares. Eso puede ocultar diferencias importantes: un tejido reúne muchos tipos de células, y cada uno puede reaccionar de manera distinta ante una mutación.

AlphaGenome 2, presentado en noviembre de 2026, intenta superar esa limitación. El modelo predice cómo una variante puede alterar tipos de células individuales, lo que podría ayudar a localizar qué células inician o mantienen una enfermedad.

Google DeepMind también trabaja en medir mejor la confianza de sus predicciones. Sus primeros análisis indican que las variantes con efectos previstos muy fuertes alcanzan una precisión elevada, aunque el equipo insiste en que cada resultado debe interpretarse junto con otras fuentes de información.

A corto plazo, el objetivo es acelerar el estudio de enfermedades genéticas raras, mejorar la selección de objetivos para nuevos medicamentos y apoyar tratamientos más personalizados. La misma tecnología podría aplicarse fuera de la medicina, por ejemplo para desarrollar cultivos más resistentes al clima.

La meta a largo plazo es más ambiciosa: construir una simulación digital funcional de una célula humana. Todavía no existe, pero modelos como AlphaGenome apuntan hacia una forma de investigar enfermedades primero en un entorno computacional y usar después el laboratorio para comprobar las hipótesis que realmente merecen la pena.