AlphaGenome 2: la IA de DeepMind que lee el ADN célula a célula

Todas las células de tu cuerpo llevan, en esencia, el mismo ADN. Sin embargo, una célula del músculo cardíaco, una neurona y una célula inmune que combate una infección se comportan de forma muy distinta. La diferencia está en qué genes enciende o apaga cada una. Un pequeño error de "ortografía" en el ADN puede importar en un tipo de célula y no tener efecto en otro. Es uno de los grandes rompecabezas de la genética, y es justo el que quiere abordar el nuevo modelo de Google DeepMind: AlphaGenome 2.

DeepMind presentó AlphaGenome 2 el 11 de noviembre de 2026. Lo describe como un modelo de nueva generación que predice cómo las secuencias de ADN y sus variaciones afectan a tipos celulares humanos específicos. Veamos qué significa, qué dicen las cifras y qué conviene tener presente antes de entusiasmarnos demasiado.

El problema: un mismo plano, muchas células distintas

Imagina el ADN como un enorme libro de recetas del que cada célula tiene una copia. Una célula no cocina todas las recetas a la vez. Una célula madre de la sangre que madura hacia glóbulo rojo usa recetas distintas de las de un macrófago del intestino. Qué recetas se usan es lo que llamamos expresión génica, y es un motor clave de los rasgos humanos y de las enfermedades.

Según DeepMind, iniciativas globales como el Atlas Celular Humano están cartografiando la expresión génica en millones de células. Pero predecir cómo afectan las variaciones sutiles del ADN a esa expresión dentro de cada tipo de célula sigue siendo, en sus palabras, un desafío sin resolver. Y importa mucho, porque buena parte de las variantes ligadas a enfermedades no están dentro de los genes de forma evidente. Muchas se ubican en tramos lejanos del ADN que funcionan como interruptores reguladores.

Si eres investigadora y tienes delante una lista de variantes asociadas a una enfermedad, la pregunta no es solo «¿cuál?», sino también «¿a qué gen afecta?» y «¿en qué célula?». Sin esa tercera respuesta, es fácil gastar experimentos caros en las células equivocadas.

De AlphaGenome a AlphaGenome 2

Esto es una secuela. DeepMind cuenta que lanzó el AlphaGenome original el año pasado para predecir cómo las variantes del ADN afectan a la actividad molecular en tejidos amplios. Después lo amplió con AlphaGenome Atlas, una plataforma con predicciones para los 9.000 millones de cambios posibles de una sola letra en el genoma humano. Estas herramientas ayudan a priorizar e interpretar variantes en enfermedades raras, rasgos complejos y biología básica.

El problema del primer modelo era el nivel de detalle. Tomaba una secuencia de un millón de letras y predecía propiedades de miles de experimentos de muchos tejidos a la vez. DeepMind explica que ese enfoque en paralelo repartía demasiado la capacidad del modelo y le costaba captar diferencias sutiles entre tipos celulares parecidos. Es como pedirle a un estudiante que responda mil preguntas de examen simultáneamente: acierta en lo general y se le escapan los matices.

AlphaGenome 2 cambia el planteamiento. En lugar de predecirlo todo en paralelo, es un modelo condicional: recibe la secuencia de ADN y una condición biológica objetivo (un tejido, un tipo celular o un estado) y predice los efectos para esa condición. La condición se introduce en cada etapa de la arquitectura, de modo que el modelo aprende cómo un mismo tramo de ADN se lee de manera distinta según la célula.

Con qué se entrenó y qué predice

DeepMind indica que se entrenó con datos masivos y de célula única de muestras humanas y de ratón, con más de 107 millones de perfiles de células individuales de 68 tejidos. Los datos de célula única son el ingrediente clave: en vez de promediar una muestra completa de tejido, miden la actividad célula por célula, lo que permite distinguir, por ejemplo, tipos concretos de células del corazón o inmunes de la sangre.

Predice las mismas lecturas básicas que el original (expresión génica, modificaciones de histonas y accesibilidad de la cromatina) y añade la metilación del ADN, que DeepMind describe como una lectura muy solicitada. Según la compañía, identifica casi el doble de variantes que cambian la expresión génica en células que su anterior modelo de referencia.

Un efecto colateral interesante del diseño condicional es lo que llaman imputación entre modalidades. Como el modelo separa el estado biológico de la célula de sus resultados, un científico puede introducir una sola medición, como la actividad génica de célula única, y el modelo predice propiedades no medidas, como la accesibilidad de la cromatina. En la práctica, eso podría ayudar a decidir qué experimentos merecen la pena. Es una ventaja muy concreta: el tiempo de laboratorio es caro y un buen punto de partida puede ahorrar meses.

Los resultados destacados

DeepMind subraya tres mejoras. Primero, mayor especificidad por tipo celular: en regiones del genoma ajenas a su entrenamiento, el modelo explica bastante mejor cómo varía la expresión génica entre tipos de células dentro de un mismo tejido, incluso en cambios continuos como la maduración de células madre sanguíneas hacia glóbulos rojos y linajes inmunes.

Segundo, mejor predicción del efecto de variantes. En el conjunto TenK10K, un gran mapa de célula única de 28 tipos de células inmunes primarias, DeepMind informa de que AlphaGenome 2 identificó variantes causales con un 30 % de acierto frente al 16 % del AlphaGenome original ajustado con datos de célula única y otras herramientas especializadas. En los efectos direccionales (si una variante sube o baja la actividad de un gen), las cifras fueron 43 % frente a 23 %. Son datos de la propia compañía, así que la replicación independiente será la prueba de verdad.

Tercero, un caso práctico. Un estudio de referencia había mostrado que una variante en un interruptor regulador lejano provoca enfermedad inflamatoria intestinal al sobreactivar el gen ETS2 en macrófagos del intestino. DeepMind afirma que AlphaGenome 2 reprodujo ese hallazgo por ordenador: señaló la variante causal y mostró que potencia ETS2 de forma selectiva en macrófagos intestinales, sin afectar apenas a otros tipos celulares ni genes. Reencontrar un resultado conocido no es lo mismo que descubrir uno nuevo, pero es una comprobación razonable.

Estados celulares nuevos, sin reentrenar

Quizá lo más interesante es que el modelo puede manejar estados celulares que nunca ha visto. Los científicos pueden subir una instantánea de RNA-seq de célula única de apenas unas docenas de células. Esa actividad génica se comprime en una representación del estado celular que luego condiciona al modelo. DeepMind asegura que puede igualar o superar a modelos entrenados o ajustados directamente con esos datos.

Su ejemplo es un estudio de la vacuna de ARNm contra la COVID-19. Con datos de célula única que no conocía, el modelo distinguió las células T activadas por la vacuna de las que estaban en reposo. También indicó que una variante vinculada a COVID-19 grave altera la actividad génica con más fuerza en el estado activado, un efecto que pasaría inadvertido en células en reposo. La profesora Sarah Teichmann, cofundadora del consorcio del Atlas Celular Humano, elogia en una cita recogida por DeepMind cómo el modelo se adapta a nuevos datos de célula única sin reentrenarse.

Me parece una idea convincente. La enfermedad rara vez es una condición estática. Las células cambian de estado cuando combaten una infección, se inflaman o responden a un fármaco. Un modelo capaz de seguir esos cambios se acerca más a la biología tal como ocurre.

Unir genética y biología celular

Los estudios de asociación del genoma completo (GWAS) han encontrado miles de variantes asociadas a rasgos y enfermedades, pero suelen señalar tramos amplios de ADN, no un único culpable. DeepMind dice haber precalculado predicciones de AlphaGenome 2 para variantes asociadas a rasgos en cientos de condiciones celulares y tisulares, para que los investigadores no tengan que hacer cálculos enormes por su cuenta.

Con ello se abordan dos retos. Uno es mapear los vínculos entre potenciadores (enhancers) y genes en tipos celulares humanos reales: los cribados experimentales con CRISPR usan sobre todo líneas celulares estables cultivadas en laboratorio, así que a menudo faltan esos diagramas de conexiones para células concretas del cuerpo. El modelo extiende el mapeo a células humanas primarias, como los astrocitos del cerebro. El otro es localizar variantes causales y las células donde actúan, en rasgos que van desde la estatura hasta la diabetes tipo 2. Cuando tiene confianza, según DeepMind, también predice con acierto si una variante sube o baja la actividad de un gen.

Peter Donnelly, director ejecutivo de Genomics Limited, afirma en una declaración recogida por DeepMind que la genética humana es una de las herramientas más potentes para descubrir fármacos y que los modelos de predicción de secuencias ayudan a cerrar la brecha entre una señal de asociación y lo que necesita un programa farmacéutico. Su empresa planea incorporar AlphaGenome 2 a su plataforma Mystra. Es una pista de dónde está el interés comercial.

Acceso, límites y mi opinión

AlphaGenome 2 está disponible hoy para investigación no comercial mediante la API de AlphaGenome y en vista previa privada para investigación comercial. DeepMind añade que pronto lanzará AlphaGenome 2 Skills en Google Antigravity, su plataforma de desarrollo con agentes.

Y ahora la letra pequeña, que DeepMind expone con claridad: AlphaGenome y AlphaGenome 2 son solo para investigación y no han sido validados ni aprobados para uso clínico o diagnóstico. No es una herramienta que tu médico vaya a usar el mes que viene para leer tu genoma. Es una forma de ayudar a los científicos a priorizar hipótesis. Una predicción es una pista, no un veredicto, y necesita confirmación experimental.

Hay otras preguntas razonables. Las mejoras en las pruebas provienen de evaluaciones de los propios desarrolladores. Pasar del 16 % al 30 % en la identificación de variantes causales es un salto grande, pero también implica que la mayoría de los casos no se captan. Y los modelos aprenden de los datos que reciben, así que los tipos celulares y poblaciones bien perfilados saldrán mejor servidos que los demás. Me gustaría ver cómo rinde con tipos celulares poco estudiados y con personas de ascendencias diversas, aunque la publicación no lo aborda.

Aun así, la dirección me parece acertada. La IA en medicina suele llamar la atención por diagnósticos espectaculares, como la IA de Microsoft que supera a médicos en casos difíciles, y eso merece escrutinio. Herramientas como AlphaGenome 2 trabajan más arriba, en la tarea poco vistosa pero esencial de entender por qué aparece la enfermedad. Ese trabajo de base es el que, con el tiempo, hace posible la medicina personalizada y una mejor ayuda en enfermedades raras. Además, se suma a otros esfuerzos de IA centrados en biología, como las proteasas diseñadas por IA, donde los modelos empiezan a ser compañeros de laboratorio y no solo chatbots.

Qué significa para el resto de nosotros

La mayoría nunca ejecutaremos una predicción de efecto de variantes. Pero las consecuencias pueden llegarnos de forma indirecta: identificar antes dianas para fármacos, diseñar experimentos más inteligentes, quizá ofrecer respuestas antes a familias que conviven con condiciones sin explicación. La versión honesta es que esto llevará años y dependerá de la validación en laboratorio, del acceso abierto y de quién pueda usar estas herramientas.

Te dejo una pregunta para llevarte. Si una IA puede decirles a los científicos en cuáles de tus células influye una rareza genética, ¿quién debería tener acceso a ese conocimiento y cómo nos aseguramos de que beneficie a los pacientes y no solo a las carteras de proyectos? ¿Qué sientes al ver que la IA ayuda a leer el código de la vida?