AlphaGenome 2, de DeepMind, encuentra casi el doble de variantes de ADN que alteran genes

Todas las células del cuerpo llevan el mismo ADN, pero una célula del músculo cardiaco y una célula inmunitaria que combate una infección lo leen de formas muy distintas. AlphaGenome 2, que Google DeepMind presentó el 11 de noviembre, está construido en torno a esa diferencia: se le da un millón de letras de ADN, se le indica un tipo o estado celular, y predice qué hará un pequeño cambio en ese ADN dentro de esa célula. Entrenado con más de 107 millones de perfiles de células individuales, identifica casi el doble de variantes que cambian la actividad de los genes que el mejor modelo anterior. Para los genetistas que buscan la letra concreta detrás de una enfermedad, eso significa pistas más precisas en las células donde de verdad ocurre la enfermedad.

Un millón de letras, leídas tipo celular a tipo celular

El primer AlphaGenome, lanzado en junio de 2025, tomaba un tramo de ADN de un millón de letras y predecía miles de lecturas experimentales en muchos tejidos a la vez. Ese diseño en paralelo era eficiente, pero DeepMind dice que repartía demasiado la capacidad del modelo y difuminaba la frontera entre tipos celulares muy parecidos. Las enfermedades suelen vivir justo en esa frontera: una variante puede pasar inadvertida en una célula y forzar un gen en exceso en su vecina.

AlphaGenome 2 es un modelo condicional. Junto al ADN, el equivalente en letras a unas dos novelas, recibe una condición concreta, un tejido, un tipo celular o un estado celular, y la introduce en cada etapa de su arquitectura. Entrenado con datos de tejido completo y de células individuales de muestras humanas y de ratón de 68 tejidos, aprende cómo el mismo tramo de ADN se lee de forma distinta de una célula a otra.

La parte flexible son los datos nuevos. Un científico puede subir una instantánea de la actividad génica de solo unas decenas de células, y el modelo trabaja sobre ese estado desconocido sin reentrenarse, igualando o superando a modelos entrenados directamente con esos datos.

“Lo que hace apasionante a AlphaGenome 2 es cómo se adapta directamente a nuevos datos unicelulares sin reentrenarse, prediciendo cómo actúan las variantes de ADN en estados celulares recién perfilados a partir incluso de una pequeña muestra de células.”— Sarah Teichmann

Teichmann es cofundadora del consorcio Human Cell Atlas, el esfuerzo mundial que cartografía la actividad génica de millones de células. La cuestión es si esa precisión extra se nota en los resultados, y DeepMind le puso cifra.

Del 16% al 30% en 28 tipos de células inmunitarias

La prueba fue TenK10K, un gran mapa unicelular de 28 tipos de células inmunitarias primarias. Entre las muchas variantes cercanas a cada gen, la tarea consiste en señalar las pocas que de verdad cambian su actividad, el primer paso de casi cualquier estudio genético de una enfermedad.

El AlphaGenome original, incluso ajustado con datos unicelulares, y otras herramientas especializadas encontraron más o menos la mitad. La diferencia fue parecida en la siguiente pregunta, si una variante sube o baja la actividad de su gen: 43% frente a 23%.

Un caso real muestra lo que aporta esa precisión. Un estudio reciente de referencia vinculó la enfermedad inflamatoria intestinal a una variante situada en un interruptor regulador lejano que sobreactiva un gen llamado ETS2 en los macrófagos del intestino, un tipo de célula inmunitaria. Al pedirle predicciones para las células inmunitarias del intestino, AlphaGenome 2 reprodujo el hallazgo en el ordenador: señaló la variante causal y mostró que dispara ETS2 en los macrófagos intestinales sin apenas afectar a otros tipos celulares ni a otros genes.

El modelo también puede seguir a las células cuando cambian. Con datos inéditos de un estudio sobre la vacuna de ARNm contra la COVID-19, distinguió los linfocitos T activados por la vacuna de los que estaban en reposo, y mostró que una variante asociada a la COVID-19 grave altera la actividad génica con más fuerza cuando esas células están activadas. Además añade la metilación del ADN, las marcas químicas que ayudan a apagar genes, una lectura que según DeepMind los investigadores pedían mucho. Entonces, ¿quién puede poner todo esto a trabajar, y cuándo?

Abierto a los laboratorios desde hoy y con rumbo a nuevos fármacos

AlphaGenome 2 ya está disponible para investigación no comercial a través de la API de AlphaGenome, con tutoriales interactivos en Colab, y en vista previa privada para la investigación comercial. DeepMind también ha precalculado predicciones para variantes asociadas a rasgos en cientos de condiciones de células y tejidos humanos, para rasgos que van de la estatura a la diabetes tipo 2, de modo que los investigadores pueden usarlas sin lanzar grandes cálculos por su cuenta. Los equipos que compartan un caso de uso antes del 30 de noviembre podrán recibir cuota y créditos adicionales, y pronto llegarán habilidades de AlphaGenome 2 a Google Antigravity, la plataforma de desarrollo con agentes de la compañía.

Quienes buscan fármacos también tienen mucho en juego. Los estudios de asociación del genoma completo señalan tramos amplios de ADN vinculados a una enfermedad, pero rara vez la variante, el gen y el tipo celular exactos. Peter Donnelly, consejero delegado de Genomics Limited, califica AlphaGenome 2 de avance impresionante para salvar esa distancia y dice que su empresa prevé incorporarlo a su plataforma Mystra. El Wellcome Sanger Institute trabaja con DeepMind para perfilar una gama aún más amplia de tipos celulares humanos.

Lo que queda por resolver es el paso de la predicción al paciente. DeepMind afirma que AlphaGenome y AlphaGenome 2 son solo para investigación y no se han validado ni aprobado para usos clínicos o diagnósticos, así que cada predicción es una pista que un laboratorio debe confirmar. Lo que ha cambiado es la precisión con la que apuntan esas pistas.

Una pista genética que antes señalaba un tramo amplio de ADN ahora puede señalar una sola variante, en un solo tipo de célula.