Google DeepMind presenta AlphaGenome 2, una IA que anticipa cómo cada variante del ADN altera una célula concreta. El modelo, sucesor de AlphaGenome —publicado en 2025—, promete algo que la genética lleva décadas persiguiendo: saber por qué dos células con el mismo manual genético se comportan de forma radicalmente distinta. Nature lo ha descrito como un salto que asombra a los propios genetistas.
Casi todas las células del cuerpo humano guardan la misma secuencia de ADN. Sin embargo, una célula del músculo cardiaco y una célula de la piel —dos vecinas con el mismo manual— encienden y apagan genes distintos. Ese patrón de interruptores explica por qué el mismo genoma produce un corazón y no una mano, y por qué una sola letra cambiada en el lugar equivocado puede desencadenar una enfermedad.
Lo que hace AlphaGenome 2 es anticipar el efecto de esas variantes sobre el funcionamiento de cada tipo celular. Según la información publicada por The Verge, el modelo ofrece a los científicos una visión más detallada de un problema notoriamente difícil que podría contener pistas sobre las causas de las enfermedades y señalar el camino hacia nuevos tratamientos. DeepMind se dio antes a conocer en biología con AlphaFold, el sistema que resolvió el problema del plegamiento de proteínas.
Qué hace AlphaGenome 2 con cada letra del genoma
El genoma humano tiene unos 3.000 millones de pares de bases, y solo una fracción pequeña —alrededor del 2%— codifica proteínas. El resto regula: dice cuándo, dónde y con qué intensidad se enciende cada gen. Ahí está la dificultad. Las variantes que más interés despiertan en los estudios de asociación genómica caen, casi siempre, en esas zonas no codificantes, donde el efecto no se puede leer directamente en la secuencia.
Traducir esa letra cambiada en una consecuencia biológica fue, durante años, un trabajo lento y artesanal. La promesa de un modelo como AlphaGenome 2 es comprimir ese trabajo en una predicción instantánea: de una sola letra del manual a una hipótesis sobre lo que hace en el corazón, en la piel o en un glóbulo blanco que combate una infección.
Un modelo así no sustituye al laboratorio: elige, entre miles de variantes, cuáles merecen las semanas de trabajo de un genetista.
Cómo se pasa del ADN a la célula: el método y sus límites
La mecánica, a grandes rasgos, es la de un intérprete. Se le da una secuencia de ADN y un contexto celular, y el modelo estima qué señales regulatorias se activan o se silencian. Es parecido a lo que hace un sistema de traducción automática con un idioma que no conoce, solo que aquí el idioma son las reglas —todavía incompletas— con las que una célula decide qué gen encender. Donde un genetista tardaría meses de experimentos, el modelo lanza una primera hipótesis en segundos.
El algoritmo no es un adivino. Es un patrón aprendido de millones de secuencias y de datos experimentales que registran qué funciones se ejecutan en cada tipo de célula. Conviene subrayar una cosa. Una predicción no es un experimento. Por eso los equipos que trabajan con estos sistemas los usan para decidir qué variante merece la pena estudiar en el laboratorio, no para sustituir la validación.
La escala del reto ayuda a entender la ambición. Con tres mil millones de posiciones por genoma y miles de tipos celulares, el número de combinaciones posibles es astronómico. Un experimento cuesta semanas; una predicción, milisegundos. La analogía más honesta es la de un mapa del tesoro: AlphaGenome 2 no te lleva al cofre, te dice dónde merece la pena excavar.
Por qué este salto importa (y qué falta por demostrar)
Hay una razón por la que la comunidad genética lleva años esperando algo así. En la última década, los estudios de asociación del genoma completo han identificado cientos de miles de variantes vinculadas a enfermedades. Pero identificar no es explicar. La mayoría de esas variantes caen en regiones del ADN sin función conocida, y saber cuál es el gen o el mecanismo afectado sigue siendo un cuello de botella que ralentiza el desarrollo de fármacos.
Si un modelo como AlphaGenome 2 acierta, el cambio no será cosmético. Podría permitir a los equipos filtrar variantes en minutos, priorizar dianas terapéuticas y diseñar experimentos con más puntería. Eso sí, conviene ser prudente con los anuncios. La validación de estos sistemas requiere replicación independiente y, cuando procede, revisión por pares. La cobertura de Nature describe un salto que asombra a los genetistas; el asombro, sin embargo, aún no es evidencia definitiva. Yo, personalmente, prefiero ver los resultados replicados por grupos que no trabajen con DeepMind antes de dar el titular por cerrado.
También hay una pregunta abierta sobre el sesgo de los datos. Los modelos aprenden de lo que hay: genomas europeos, y líneas celulares bien caracterizadas, en su mayoría. Si esa base es desigual, la predicción también lo será, y el riesgo es ampliar la brecha en la medicina personalizada. Ningún anuncio resuelve ese problema por sí solo.
El siguiente paso que la comunidad espera es la validación independiente: que laboratorios ajenos a DeepMind prueben el modelo contra variantes ya caracterizadas. Eso, y no el titular, decidirá si estamos ante un instrumento de laboratorio o ante una promesa más de la IA. La genética, esta vez, tiene la pelota en su tejado.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: Un modelo de IA, AlphaGenome 2, que predice cómo las variantes del ADN alteran la actividad de cada tipo celular.
- Dónde: Desarrollado por Google DeepMind (Londres, Reino Unido); el genoma humano como objeto de estudio.
- Institución responsable: Google DeepMind, con difusión científica recogida por Nature.
- Cuándo: Anuncio público en noviembre de 2026; sucesor de AlphaGenome (2025).
- Impacto a futuro: Podría acelerar la identificación de variantes causantes de enfermedad y priorizar dianas terapéuticas, pendiente de validación independiente.
