Google DeepMind presentó el 11 de noviembre AlphaGenome 2, un modelo de inteligencia artificial que predice cómo una variación en el ADN altera el funcionamiento de un tipo de célula específico. Según la entrada de blog firmada por Adam Gayoso, Natasha Latysheva, Pushmeet Kohli y Žiga Avsec, el sistema recibe una secuencia de un millón de letras de ADN junto con una condición objetivo, que puede ser un tejido, un tipo de célula o un estado celular, y estima qué efecto tiene esa secuencia en ese contexto puntual. El modelo está disponible desde ya para investigación no comercial a través de la API de AlphaGenome.
Para entender por qué importa, sirve partir de una idea simple que el sitio wwwhatsnew resumió en su cobertura: «el mismo cambio genético no significa lo mismo en todas las células». Todas las células de una persona llevan prácticamente el mismo ADN, pero cada una lee partes distintas. Una neurona activa genes que una célula del hígado mantiene apagados. Por eso una mutación en una región reguladora, esos interruptores que no codifican proteínas pero deciden cuándo y cuánto se expresa un gen, puede ser inocua en un tejido y causar problemas en otro.
El primer AlphaGenome, presentado por DeepMind el año pasado, predecía en paralelo el efecto de una secuencia en muchos tejidos y líneas celulares a la vez. La segunda versión es condicional: se le pregunta por una sola condición en cada consulta. Según DeepMind, ese cambio le permite distinguir entre células muy parecidas, como dos tipos de músculo cardiaco o distintas células inmunes de la sangre, que antes quedaban mezcladas en un promedio.
La empresa explica que entrenó el modelo con más de 100 millones de perfiles de células individuales de 68 tejidos, con datos humanos y de ratón, incluida información de secuenciación de célula única. Además de la expresión génica, la accesibilidad de la cromatina y las modificaciones de histonas que ya predecía la primera versión, AlphaGenome 2 agrega la metilación del ADN, una marca química que influye en qué genes quedan silenciados.
En cuanto a resultados, DeepMind reporta que en el conjunto de datos TenK10K, con 28 tipos de células inmunes, el modelo identificó la variante causal en el 30% de los casos, frente al 16% de AlphaGenome 1 ajustado con datos de célula única y otras herramientas especializadas. También acertó la dirección del efecto sobre el gen, si lo sube o lo baja, en el 43% de los casos frente al 23%. Son cifras de la propia empresa, que acompaña el anuncio con un artículo técnico; por ahora no hay una evaluación independiente que las confirme.
DeepMind muestra dos ejemplos clínicos. En la enfermedad inflamatoria intestinal, el modelo reprodujo de forma computacional un hallazgo previo: una variante situada en un interruptor regulador lejano sobreactiva el gen ETS2 en los macrófagos del intestino. En COVID-19, distinguió entre linfocitos T activados por la vacuna y linfocitos en reposo, y mostró que una variante asociada a cuadros graves altera más la actividad génica en las células activadas. La empresa publicó además puntajes precalculados para estudios de asociación genómica en rasgos como la estatura y la diabetes tipo 2, que ayudan a pasar de una región sospechosa a la variante y el tipo de célula responsables.
Otra novedad práctica, según la empresa, es que el modelo se adapta a experimentos nuevos sin reentrenarse. Un laboratorio puede aportar datos de unas pocas decenas de células, que el sistema comprime en una representación del estado celular y usa para condicionar sus predicciones. Sarah Teichmann, cofundadora del consorcio Human Cell Atlas y profesora de la Universidad de Cambridge, destacó en el anuncio de DeepMind esa capacidad de adaptarse directamente a nuevos datos de célula única.
Las limitaciones están declaradas. DeepMind aclara que AlphaGenome 2 es solo para investigación, que no está validado ni aprobado para uso clínico o diagnóstico y que solo indica si un gen sube o baja cuando tiene suficiente confianza. Para uso comercial, el acceso está en vista previa privada, y la empresa no menciona la publicación de los pesos del modelo. Como advirtió wwwhatsnew, estas promesas tienen que ser contrastadas por la comunidad con experimentos de laboratorio.
Para un investigador hispanohablante, la puerta de entrada es concreta: el acceso a la API para investigación no comercial, la documentación y los cuadernos de ejemplo que DeepMind puso a disposición. Para el resto, AlphaGenome 2 es una pieza más de una tendencia clara: usar modelos de IA para ordenar el enorme volumen de variantes genéticas que hoy se detectan pero no se saben interpretar, y decidir cuáles vale la pena estudiar primero en el laboratorio.

