Google DeepMind lanzó AlphaGenome 2, un modelo de IA para investigación en genómica que predice qué efecto tienen las variantes genéticas sobre tipos específicos de células humanas. Según informó The Decoder el 12 de noviembre, encuentra casi el doble de cambios genéticos relevantes que su antecesor.
Todas las células del cuerpo humano llevan el mismo ADN, pero cada tipo de célula enciende y apaga genes distintos. Una célula del músculo cardíaco lee el ADN de otra forma que una célula inmune. Predecir esas diferencias es uno de los grandes problemas abiertos de la genómica, y DeepMind apunta a avanzar en esa dirección con este modelo.
AlphaGenome 2 está pensado para predecir cómo las secuencias de ADN y sus variaciones afectan a tipos específicos de células humanas. De acuerdo con Google DeepMind, se entrenó con más de 107 millones de perfiles celulares individuales de 68 tejidos, y su objetivo es ayudar a los investigadores a encontrar los mecanismos celulares que hay detrás de las enfermedades.
¿Qué cambia respecto del primer AlphaGenome?
El primer AlphaGenome recibía una secuencia de ADN de un millón de letras y predecía sus propiedades en miles de experimentos de muchos tejidos a la vez. Según DeepMind, ese enfoque en paralelo repartía demasiado la capacidad del modelo y le costaba captar diferencias sutiles entre tipos de células muy parecidos.
AlphaGenome 2 funciona en cambio como un modelo condicional. Además de la secuencia de ADN, recibe como entrada extra un estado biológico concreto y calcula los efectos para ese único tipo de célula. Se entrenó con más de 107 millones de perfiles celulares de 68 tejidos de humanos y ratones.
Además de predecir con qué intensidad se expresa un gen, el modelo calcula cómo está empaquetado físicamente el ADN dentro del núcleo, lo que muestra qué tramos del genoma quedan accesibles. Y ahora predice además la metilación del ADN, unas marcas químicas que funcionan como interruptores moleculares para silenciar o activar genes.
Otra novedad es que puede inferir datos que faltan a partir de una sola medición. Si un equipo mide solo la actividad génica de una célula, por ejemplo, el modelo entrega predicciones de otras propiedades, como qué tan apretados o sueltos están ciertos tramos del ADN. Eso ayuda a decidir qué experimentos de laboratorio vale la pena hacer después.
¿Qué tan preciso es para encontrar genes de enfermedades?
En el conjunto de referencia TenK10K, con 28 tipos de células inmunes primarias, AlphaGenome 2 identificó cerca del 30% de las variantes causales. En el 43% de los casos acertó además si la variante sube o baja la actividad de un gen. Una versión ajustada (fine-tuned) de AlphaGenome 1 llegó solo a 16% y 23%.
| Medida en TenK10K | AlphaGenome 2 | AlphaGenome 1 ajustado |
|---|---|---|
| Variantes causales identificadas | cerca de 30% | 16% |
| Dirección del efecto correcta | 43% | 23% |
El sistema también modela cambios continuos, como la maduración de las células madre de la sangre hasta convertirse en glóbulos rojos, con una precisión bastante mayor. En ese proceso, sus predicciones quedan mucho más cerca de las mediciones observadas que las del antecesor ajustado.
Trabajando solo con cálculo, el modelo reprodujo un mecanismo de la enfermedad inflamatoria intestinal que ya había identificado un estudio previo. Aisló la variante exacta de ADN en un interruptor regulador, ubicado lejos del gen, que sobreactiva de forma selectiva el gen ETS2 en los macrófagos del intestino, mientras los demás tipos de células y genes quedaban casi sin cambios.
Se adapta a experimentos nuevos sin reentrenar
Una ventaja de la nueva arquitectura es que se adapta a experimentos completamente nuevos sin volver a entrenarse. Los investigadores pueden entregarle datos de actividad génica de apenas unas decenas de células, y el modelo calcula los efectos para ese estado celular que nunca había visto. Según DeepMind, muchas veces supera a modelos especializados entrenados directamente con esos datos.
Aplicado a datos de un estudio de la vacuna de ARNm contra el COVID-19, el modelo distinguió de forma confiable los linfocitos T activados por la vacuna de los que estaban en reposo. También mostró que una variante genética asociada a los casos graves de COVID-19 altera la actividad celular sobre todo en el estado activado. En las células en reposo, ese efecto habría pasado inadvertido.
Predicciones precalculadas para estudios GWAS
DeepMind ya precalculó predicciones para cientos de condiciones de células y tejidos, en parte para apoyar el desarrollo de fármacos con IA. Esas predicciones también sirven para analizar los estudios de asociación del genoma completo (GWAS), que vinculan regiones del ADN con rasgos como la estatura o la diabetes tipo 2 pero que muchas veces solo ubican la señal de manera aproximada, dentro de tramos amplios del genoma.
AlphaGenome 2 acota cuáles son las variantes causales probables e identifica los tipos de células afectados, como los astrocitos del cerebro o células inmunes específicas. Cuando el modelo tiene suficiente confianza, predice además si una mutación sube o baja la actividad de un gen, algo importante para el desarrollo de medicamentos.
¿Quién puede usar AlphaGenome 2?
El modelo ya está disponible por API para investigación no comercial, mientras que los usuarios comerciales acceden a través de una vista previa cerrada. No está aprobado para diagnóstico clínico. DeepMind planea sumar pronto funciones propias de AlphaGenome 2 en Google Antigravity, su plataforma de desarrollo con agentes, donde el modelo se combinará con herramientas como Gemini 4 para flujos de investigación automatizados.






