Google Deepmind ha presentado AlphaGenome 2, un modelo de IA para la investigación genómica que predice cómo las variantes genéticas influyen en tipos celulares humanos concretos. Según la empresa, identifica casi el doble de cambios genéticos relevantes que su predecesor.
Todas las células del cuerpo humano contienen el mismo plano de ADN, pero cada tipo celular activa o silencia genes distintos: una célula muscular cardiaca lee el ADN de forma diferente a una célula inmunitaria. Predecir esas diferencias es uno de los grandes problemas sin resolver de la genómica, y Deepmind pretende dar un paso importante en esa dirección con AlphaGenome 2.
El modelo está diseñado para predecir cómo las secuencias de ADN y sus variaciones afectan a tipos celulares humanos específicos. Según Google Deepmind, se entrenó con más de 107 millones de perfiles de células individuales procedentes de 68 tejidos de humanos y ratones, con el objetivo de ayudar a los investigadores a descubrir los impulsores celulares de las enfermedades.
Un modelo condicional en lugar de una visión de conjunto por tejidos
El AlphaGenome original recibía una secuencia de ADN de un millón de letras y predecía sus propiedades en miles de experimentos que abarcaban muchos tejidos a la vez. Según Deepmind, ese enfoque paralelo repartía demasiado la capacidad del modelo y dificultaba captar diferencias sutiles entre tipos celulares muy próximos.
AlphaGenome 2 funciona en cambio como un modelo condicional: junto con la secuencia de ADN recibe como entrada adicional un estado biológico concreto y calcula los efectos para ese único tipo celular. Además de estimar la intensidad con la que se expresa un gen, el sistema modela cómo se empaqueta físicamente el ADN en el núcleo, mostrando qué tramos del genoma son accesibles, y ahora también puede predecir la metilación del ADN, las marcas químicas que actúan como interruptores moleculares para silenciar o activar genes.
El modelo también puede inferir datos faltantes a partir de una única medición. Si los investigadores miden solo la actividad génica de una célula, por ejemplo, el modelo ofrece predicciones de propiedades adicionales, como el grado de empaquetamiento de ciertos tramos de ADN, lo que ayuda a decidir qué experimentos de laboratorio conviene realizar a continuación.
Mayor precisión al localizar genes de enfermedades y respuestas a vacunas
En el conjunto de datos de referencia TenK10K, con 28 tipos de células inmunitarias primarias, AlphaGenome 2 identificó alrededor del 30 por ciento de las variantes causales y, en el 43 por ciento de los casos, predijo también correctamente si una variante aumenta o reduce la actividad de un gen. Una versión ajustada de AlphaGenome 1 solo alcanzó el 16 y el 23 por ciento en las mismas medidas. El sistema también modela cambios continuos, como la maduración de las células madre sanguíneas en glóbulos rojos, con una precisión considerablemente mayor.
Trabajando exclusivamente de forma computacional, el modelo reprodujo un mecanismo de la enfermedad inflamatoria intestinal identificado previamente en un estudio: aisló la variante exacta de ADN, situada en un interruptor regulador alejado del propio gen, que activa selectivamente en exceso ETS2 en los macrófagos intestinales, mientras que otros tipos celulares y genes permanecían prácticamente inalterados.
Una ventaja clave de la nueva arquitectura, según Deepmind, es su capacidad de adaptarse a experimentos completamente nuevos sin reentrenamiento. Los investigadores pueden introducir datos de actividad génica de apenas unas decenas de células, y el modelo calcula los efectos para ese estado celular nunca visto; de acuerdo con la empresa, a menudo supera a modelos especializados entrenados directamente con esos datos.
Aplicado a los datos de un estudio sobre la vacuna de ARNm contra la COVID-19, el modelo distinguió de forma fiable las células T activadas por la vacuna de las que estaban en reposo y mostró que una variante genética asociada a casos graves de COVID-19 altera la actividad celular sobre todo en el estado activado. En las células en reposo, ese efecto habría permanecido invisible.
Predicciones precalculadas, disponibilidad y limitaciones
Deepmind ya ha precalculado predicciones para cientos de condiciones celulares y tisulares, en parte para apoyar el desarrollo de fármacos impulsado por IA. Estas predicciones también ayudan a los investigadores a analizar los estudios de asociación del genoma completo (GWAS), que vinculan regiones del ADN con rasgos como la estatura o la diabetes de tipo 2 pero que a menudo solo localizan las señales de manera aproximada dentro de amplios tramos del genoma. AlphaGenome 2 reduce las variantes causales probables e identifica los tipos celulares afectados, como los astrocitos del cerebro o determinadas células inmunitarias. Cuando el modelo tiene suficiente confianza, también predice si una mutación aumenta o disminuye la actividad de un gen, una capacidad descrita como importante para el desarrollo de fármacos.
AlphaGenome 2 ya está disponible para la investigación no comercial a través de una API, mientras que los usuarios comerciales acceden mediante una vista previa cerrada. El sistema no está aprobado para el diagnóstico clínico. Deepmind también planea lanzar funciones dedicadas de AlphaGenome 2 en su plataforma de desarrollo agéntico Google Antigravity, donde está previsto combinar el modelo con herramientas como Gemini 4 para flujos de trabajo de investigación automatizados.