DeepMind, la división de inteligencia artificial de Google, presentó el 11 de noviembre de 2026 AlphaGenome 2, un modelo que predice cómo una secuencia de ADN se expresa en cada tipo de célula. Ayuda a responder una pregunta clave en genética: si una variante genética causa una enfermedad o no.
Por qué importa el tipo de célula
Un mismo cambio en el ADN puede no tener efecto en un tejido y ser dañino en otro. Por eso, para interpretar una variante, hace falta saber en qué células actúa.
Qué cambia con esta versión
A diferencia de la primera versión, que predecía muchos tejidos a la vez, AlphaGenome 2 trabaja con una condición a la vez: un tejido, un tipo de célula o un estado celular. El investigador puede elegir una célula de referencia o usar sus propios datos de célula única, y el modelo se adapta sin volver a entrenarse. A cambio, cada condición exige un cálculo aparte, lo que hace el modelo más pesado de ejecutar.
Con qué datos se entrenó
Según DeepMind, se entrenó con más de 100 millones de perfiles de células individuales, de 68 tejidos, con datos de muestras humanas y de ratón.
Qué resultados reporta la empresa
En el conjunto de datos inmunitarios TenK10K, con una precisión de 90 %, AlphaGenome 2 recuperó 30 % de las variantes causales. Su predecesor, afinado con datos de célula única, recuperó 16 %. La sensibilidad para identificar la dirección del efecto subió de 23 % a 43 %. Son evaluaciones de la propia empresa.
Como ejemplo, en un estudio sobre COVID-19 el modelo mostró que una variante asociada con casos graves altera la actividad de los genes con más fuerza cuando las células están activadas.
Acceso y límites
El modelo está disponible gratis, mediante una interfaz de programación, para investigación no comercial. La investigación comercial tiene acceso privado. DeepMind advierte que no está validado ni aprobado para uso clínico ni diagnóstico.
Rigor científico y estado de la investigación
Lo que sabemos: el modelo predice mejor que su versión anterior las variantes causales en las pruebas publicadas por la empresa. Lo que no sabemos: cómo se comporta con pacientes reales, en hospitales, ni cuánto mejora el diagnóstico de enfermedades. Las cifras de precisión provienen de pruebas internas y todavía no han sido verificadas de forma independiente.
Desenlace
Su aplicación más directa es clasificar las variantes de significado incierto, un problema frecuente en enfermedades raras y en oncología. Para llegar a la clínica, primero deben validarse sus predicciones con datos de pacientes.
