La genética humana es el mismo libro escrito en todas las células del cuerpo: corazón, cerebro, sistema inmunitario. La diferencia radica en qué páginas lee cada una. Esta aparente simplicidad oculta un problema de décadas: sabemos que la mayoría de las variantes genéticas ligadas a enfermedades residen en regiones no codificantes del ADN, pero no podemos mapear con precisión qué célula o tejido afecta realmente cada mutación. Es como saber que una palabra cambió en medio de una novela de tres mil millones de letras, sin saber en qué párrafo se produce ese cambio.
Google DeepMind publicó hoy AlphaGenome 2, un modelo de IA que resuelve exactamente este problema. A diferencia de AlphaGenome 1 (lanzado en 2025) y el Atlas (septiembre de 2026), que producían predicciones promediadas en tejidos completos, AlphaGenome 2 es un modelo condicional: proporcionas una secuencia de ADN y, en paralelo, le indicas al modelo qué tipo celular o estado biológico deseas analizar. El modelo calcula entonces el efecto de esa variante específica en esa célula específica.
El modelo fue entrenado con más de 107 millones de perfiles individuales de células, distribuidos entre 68 tejidos humanos y de ratón. La arquitectura fue rediseñada desde cero: en lugar de producir múltiples salidas paralelas como AlphaGenome 1, AlphaGenome 2 se centra en una única condición a la vez, lo que le permite aprender cómo el mismo tramo de ADN se lee de forma radicalmente diferente según el contexto celular.
Los resultados prácticos son contundentes. En la benchmark TenK10K, que mapea 28 tipos de células inmunitarias primarias, AlphaGenome 2 identificó aproximadamente el 30% de las variantes causales — casi el doble de lo que alcanzaba el modelo anterior. Y no es solo cantidad: cuando el modelo tiene alta confianza, también predice si la variante aumenta o reduce la actividad del gen, información crucial para el desarrollo de fármacos.
James Lee, inmunólogo y genetista del Instituto Francis Crick de Londres, relató un caso concreto. Su equipo dedicó un año y medio de experimentos de edición génica para identificar nuevos tratamientos potenciales para la enfermedad inflamatoria intestinal. AlphaGenome 2 replicó aspectos de ese descubrimiento en 30 minutos, sin que una sola pipeta fuera levantada. «Es reconfortante desde nuestra perspectiva», dijo Lee a Nature.
El modelo va más allá de lo que fue entrenado: los investigadores pueden alimentar AlphaGenome 2 con datos de transcriptómica de célula única de un nuevo estado de enfermedad — un tumor, un tejido fibrótico — y el modelo genera predicciones de efecto de variantes para ese estado, sin necesidad de retrenamiento. Adam Gayoso, científico de DeepMind y coautor del estudio, explicó que esto acelera la priorización de variantes subyacentes a enfermedades raras y complejas.
Además de la expresión génica, las modificaciones histónicas y la accesibilidad de la cromatina — las mismas métricas que AlphaGenome 1 — el modelo ahora también predice la metilación del ADN, una función ampliamente solicitada por la comunidad científica. El Atlas anterior contenía predicciones para las 9 mil millones de posibles cambios de una sola letra en el genoma humano; ahora cada una de esas 9 mil millones de predicciones puede refinarse para el contexto celular correcto.
AlphaGenome 2 está disponible vía API para investigación no comercial y en evaluación privada para investigación comercial. DeepMind también anunció que pronto se lanzarán las AlphaGenome 2 Skills en la plataforma Antigravity, la herramienta de desarrollo agéntico de Google, combinando modelos especializados con agentes de IA para acelerar el descubrimiento científico.
El siguiente paso, según DeepMind, es expandir el espectro de tipos celulares humanos y estados de desarrollo en colaboración con el Wellcome Sanger Institute. A medida que el mapeo del cuerpo humano a nivel celular se convierta en routine, modelos como AlphaGenome 2 se volverán aún más poderosos — transformando atlas estáticos en motores predictivos de la genética humana.
Lo que queda es la pregunta de cuán lejos podemos llegar con la IA predictiva antes de topar con los límites de la biología real: el modelo puede predecir efectos de variantes en nuevos estados celulares, pero la validación experimental sigue siendo el único camino para confirmar si la predicción se corresponde con la realidad biológica. La distancia entre la predicción computacional y la terapia clínica es enorme, y AlphaGenome 2, por impresionante que sea, sigue siendo solo una lupa — no un medicamento.
Fuentes: Google DeepMind Blog, Nature, The Verge
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
