Lo que a un equipo de científicos le tomó un año y medio de experimentos, una inteligencia artificial lo resolvió en 30 minutos. Así resumió James Lee, inmunólogo y genetista del Instituto Francis Crick de Londres, su primera impresión de AlphaGenome 2, el nuevo modelo de Google DeepMind presentado el 11 de noviembre para descifrar cómo los cambios en nuestro ADN afectan a cada tipo de célula del cuerpo.
La herramienta ataca un gran acertijo de la genética: entender qué hacen las pequeñas variaciones del ADN que no están dentro de los genes, pero que pueden encenderlos o apagarlos y, con ello, influir en enfermedades.
El misterio del ADN «no codificante»
Solo una pequeña parte de nuestro genoma contiene las instrucciones para fabricar proteínas. Según la revista Nature, las secuencias llamadas «no codificantes» representan el 98% del genoma humano y están entre las más difíciles de interpretar. Muchas funcionan como interruptores que regulan la actividad de genes cercanos o lejanos.
El reto es que no todas las células leen ese ADN de la misma forma. Aunque casi todas las células del cuerpo tienen el mismo manual genético, una célula del músculo del corazón y una célula inmunitaria que combate una infección activan genes distintos. Por eso, una misma variante genética puede ser inofensiva en un tejido y problemática en otro.
El primer AlphaGenome, lanzado el año pasado, predecía el efecto de las variantes en tejidos completos, como un promedio. DeepMind también publicó AlphaGenome Atlas, con predicciones para los 9,000 millones de cambios posibles de una sola letra en el genoma humano. Pero había una limitación importante: no indicaba en qué tipo específico de célula actuaba cada variante. «Tener algo que no puede predecir la especificidad por tipo de célula es un problema, por eso no nos ha sido tan útil», explicó Lee a Nature.
Qué cambia con AlphaGenome 2
La nueva versión da un «zoom» desde el promedio de los tejidos hasta las células individuales. Para lograrlo, el equipo dirigido por Žiga Avsec entrenó el modelo con mediciones de más de 100 millones de células individuales de 68 tejidos, tanto humanas como de ratón. El modelo original, en cambio, se alimentó con muestras «en bloque» que mezclaban muchos tipos de células.
DeepMind también rediseñó su arquitectura. En lugar de calcular todo en paralelo, AlphaGenome 2 es un modelo «condicional»: recibe una secuencia de ADN de hasta un millón de letras junto con la condición biológica que interesa (un tejido, un tipo de célula o un estado celular) y predice cómo se comporta ese ADN en ese contexto. Así aprende que un mismo fragmento de ADN se lee de forma diferente según la célula.
Entre sus resultados más destacados:
- Casi el doble de hallazgos: en una base de datos de 28 tipos de células inmunitarias, identificó 30% de las variantes causales frente a 16% de la versión anterior ajustada con datos de células individuales.
- Más lecturas del ADN: además de la expresión genética y la accesibilidad de la cromatina, ahora predice la metilación del ADN, una de las funciones más solicitadas por los investigadores.
- Células que nunca vio: los científicos pueden subir datos de apenas unas decenas de células, por ejemplo de un tejido enfermo, y el modelo hace predicciones para ese estado sin necesidad de reentrenarse.
El caso que impresionó a los científicos
En 2024, el equipo de Lee descubrió que una variante ubicada en un «desierto genético», lejos de cualquier gen, impulsa la enfermedad inflamatoria intestinal al sobreactivar el gen ETS2 en células inmunitarias. Llegar ahí requirió edición genética y otros experimentos.
AlphaGenome 2 reprodujo ese hallazgo por computadora: señaló la variante causal y mostró que aumenta la actividad de ETS2 específicamente en los macrófagos del intestino, sin afectar mucho a otras células. «Es tranquilizador desde nuestra perspectiva», dijo Lee.
Por qué importa para América Latina
La mayoría de los estudios genéticos del mundo se han hecho con poblaciones de origen europeo, lo que deja huecos en el conocimiento sobre la diversidad genética latinoamericana. Herramientas como AlphaGenome 2 no resuelven ese problema por sí solas, pero sí permiten que laboratorios con menos presupuesto prioricen qué variantes estudiar antes de invertir en experimentos costosos.
El modelo está disponible desde ya para investigación no comercial a través de la API de AlphaGenome, con tutoriales interactivos, lo que abre la puerta a que universidades e institutos de la región lo prueben con sus propios datos. Para uso comercial hay, por ahora, un acceso anticipado privado.
Además, DeepMind precalculó predicciones para variantes asociadas a rasgos y enfermedades, desde la estatura hasta la diabetes tipo 2, en cientos de tipos de células humanas. Es un tema relevante para México y otros países donde la diabetes es uno de los principales problemas de salud pública.
Eso sí, hay una advertencia clara: Google subraya que AlphaGenome y AlphaGenome 2 son solo para investigación y no han sido validados ni aprobados para diagnóstico clínico. No es una prueba genética para pacientes, sino una herramienta para acelerar el trabajo de los científicos.
Un paso más de la IA en la biología
DeepMind adelantó que pronto integrará el modelo en Antigravity, su plataforma de desarrollo con agentes, para combinarlo con Gemini. Si las promesas se cumplen, entender qué hace cada letra de nuestro ADN, y en qué célula, podría tomar minutos en lugar de años.
Fuentes: Google DeepMind, Nature y The Verge.
