AlphaGenome 2 predice el efecto de una variante según la célula

Qué ha anunciado Google DeepMind

El 11 de noviembre de 2026, Google DeepMind presentó AlphaGenome 2, un modelo de predicción genómica que, según la compañía, predice cómo afectan las variantes del ADN a tipos y estados celulares concretos, y no solo al tejido de forma agregada. El anuncio llega un año después de AlphaGenome y dos meses después de AlphaGenome Atlas, que cubría los 9.000 millones de cambios posibles de una sola letra en el genoma humano sin especificar en qué célula actuaba cada variante.

El equipo de DeepMind —con Adam Gayoso, Natasha Latysheva, Pushmeet Kohli y Žiga Avsec entre los autores principales— describe el cambio como un rediseño de arquitectura: de predecir en paralelo para muchos tejidos a predecir una condición cada vez.

El problema que intenta resolver

Cada célula del cuerpo humano comparte el mismo ADN, pero los distintos tipos y estados celulares encienden y apagan genes diferentes. Por eso la misma variante puede tener efectos muy distintos según la célula en la que actúe. Los estudios de asociación genómica (GWAS) identifican regiones ligadas a enfermedades, pero rara vez señalan la variante causal exacta, el gen diana y el tipo celular implicado.

AlphaGenome 1 ya predecía actividad molecular a partir de secuencias de ADN, pero sus salidas eran fijas y agregadas por tejido. DeepMind reconoce la limitación de forma explícita: el modelo no distinguía con precisión tipos celulares próximos ni estados celulares, y por eso resultaba poco útil para interpretar variantes concretas.

Cómo funciona: una condición cada vez

AlphaGenome 2 recibe una secuencia de un millón de letras de ADN y una condición —un tejido, un tipo celular o un estado— que se incorpora en cada etapa de la red, desde las capas iniciales. El modelo predice una condición cada vez, lo que le permite aprender cómo se lee el mismo fragmento de ADN de forma distinta en cada contexto celular.

El entrenamiento combinó datos de tejido completo y de célula única, humanos y de ratón: más de 100 millones de perfiles celulares individuales y 68 tejidos, según el anuncio. Las salidas incluyen expresión génica, modificaciones de histonas, accesibilidad de la cromatina y, como novedad, metilación del ADN.

El diseño aporta dos capacidades adicionales. La primera es la imputación cruzada: si un investigador solo dispone de una medición, como la actividad génica de célula única, el modelo puede predecir propiedades no medidas, como la accesibilidad de la cromatina, y ayudar a decidir qué experimento hacer después. La segunda es la generalización: un codificador celular comprime una instantánea de RNA-seq de unas pocas docenas de células en una condición, de modo que el modelo trabaja con estados que no había visto sin necesidad de reentrenarlo, y puede igualar o superar a modelos entrenados directamente sobre esos datos.

Qué mejora respecto a AlphaGenome

DeepMind cifra la mejora en el conjunto TenK10K, un mapa unicelular de 28 tipos inmunitarios primarios. AlphaGenome 2 identificó el 30 % de las variantes causales frente al 16 % del modelo anterior ajustado a datos unicelulares, con una precisión del 90 %, y acertó la dirección del efecto génico en el 43 % de los casos frente al 23 %. La compañía habla de «casi el doble» de variantes que cambian la expresión.

El ejemplo más citado es la enfermedad inflamatoria intestinal. Un estudio de 2024 había demostrado que una variante en un interruptor regulador lejano, en una región desierta de genes, sobreactiva el gen ETS2 en los macrófagos del intestino. AlphaGenome 2 reprodujo ese resultado de forma computacional y señaló la variante causal, mostrando que el efecto se concentraba en los macrófagos intestinales y apenas afectaba a otras células. James Lee, inmunólogo del Francis Crick Institute que dirigió el estudio de 2024, declaró a Nature que el modelo resolvió en 30 minutos un problema que a su equipo le llevó un año y medio de experimentos.

En otro caso, el modelo distinguió las células T activadas por una vacuna de ARN mensajero frente a las en reposo, y mostró que una variante ligada a la covid grave altera la actividad génica sobre todo en ese estado activado, un efecto que pasaría desapercibido en células en reposo.

DeepMind también ha precalculado puntuaciones de variantes asociadas a rasgos en cientos de condiciones celulares y de tejido. El artículo técnico describe un atlas de enlaces entre potenciadores y genes y puntuaciones para cerca de 7 millones de variantes comunes y asociadas a rasgos.

Qué dice la comunidad científica

La reacción de los investigadores consultados por Nature es positiva, aunque medida. Lee calificó el resultado de tranquilizador. Sarah Teichmann, cofundadora del consorcio Human Cell Atlas, destacó que el modelo se adapta a datos unicelulares nuevos sin reentrenamiento, incluso a partir de muestras pequeñas. Peter Donnelly, consejero delegado de Genomics Limited, afirmó que AlphaGenome 2 «representa un avance impresionante» y que su empresa prevé incorporarlo a su plataforma Mystra. Son valoraciones externas, pero proceden de especialistas ajenos al equipo que desarrolló el modelo y no de una evaluación independiente de los resultados.

Limitaciones y qué sigue sin saberse

El propio artículo advierte de que, aun con alta precisión, AlphaGenome 2 recupera solo una minoría de las variantes que los análisis estadísticos consideran probablemente causales. Puede subestimar efectos fuera de la cromatina accesible, en elementos reguladores muy distantes o a través de mecanismos posteriores a la transcripción. Los estados celulares transitorios, estimulados o enfermos siguen poco representados en el entrenamiento, y las subpoblaciones neuronales finas resultan difíciles de distinguir.

Además, las representaciones de condición provienen de perfiles observacionales en estado estacionario: captan correlaciones, no relaciones causales. El documento no establece si el modelo predice respuestas a la inactivación o la sobreexpresión de genes, ni transiciones dinámicas entre estados celulares.

Hay también un coste práctico. Al predecir una condición cada vez, el modelo es más caro de ejecutar que los modelos multitarea anteriores, y The Verge señala que por eso no sustituirá a AlphaGenome a corto plazo. La propia DeepMind lo mantiene como herramienta de investigación.

Se trata, además, de un preprint alojado en la web de la compañía: la cobertura de Nature lo describe así y el anuncio no incluye revisión por pares independiente. Los resultados proceden del equipo que lo ha desarrollado.

Disponibilidad

AlphaGenome 2 está disponible desde hoy para investigación no comercial a través de la API de AlphaGenome, y en vista previa privada para uso comercial. DeepMind publicará «skills» del modelo en Google Antigravity y tutoriales interactivos en Colab. La empresa insiste en que ni AlphaGenome 2 ni su predecesor están validados ni aprobados para uso clínico o diagnóstico.