Modelos de IA
AlphaGenome 2 ya no lee el ADN en general, sino célula a célula: encuentra casi el doble de variantes causales
Google DeepMind presentó el 11 de noviembre AlphaGenome 2, que predice el efecto de una variante de ADN en un tipo de célula concreto. Entrenado con más de 107 millones de perfiles celulares, gratis por API para investigación no comercial y sin validación clínica.
El mismo ADN, efectos distintos en cada célula
Tu corazón, tu cerebro y tus defensas tienen la misma secuencia de ADN. Aun así, un cambio de una sola letra puede provocar una enfermedad en unas células y no tocar las demás. Esa es la pregunta con la que Google DeepMind presentó el 11 de noviembre AlphaGenome 2, y el post superó las 400.000 visualizaciones en X en menos de un día.
La respuesta está en cómo cada tipo de célula lee su ADN. AlphaGenome 2 predice cómo una secuencia o una variante cambia la actividad de los genes en un tejido, un tipo de célula o un estado concreto. Eso ayuda a responder dos preguntas que hasta ahora costaban mucho: qué variante de las muchas asociadas a una enfermedad es la que la causa y en qué células actúa.
De predecir miles de experimentos a preguntar por una célula
La primera versión de AlphaGenome recibía un millón de letras de ADN y devolvía a la vez miles de salidas fijas, una por experimento, sobre tejidos y líneas celulares. AlphaGenome 2 es un modelo condicional: le das la secuencia y la condición que te interesa, y responde para esa condición. La condición entra en todas las capas del modelo, no solo al final.
Esa condición puede salir de un catálogo de referencia o de los datos de células individuales de tu propio laboratorio, a través de un codificador de células. También puede deducir una medida a partir de otra, como estimar cómo de accesible está la cromatina a partir de la actividad de los genes en una célula. Y añade una lectura nueva, la metilación del ADN, a las que ya tenía: expresión génica, modificaciones de histonas y accesibilidad de la cromatina.
| Aspecto | AlphaGenome | AlphaGenome 2 |
|---|---|---|
| Cómo responde | Miles de salidas fijas a la vez | Una condición elegida cada vez: tejido, tipo celular o estado |
| Datos de entrenamiento | Tejidos y líneas celulares en bloque | Bloque y célula individual, humano y ratón; más de 107 millones de perfiles celulares |
| Condiciones propias | No, salidas fijas | Sí, desde datos de célula individual del usuario |
| Metilación del ADN | No | Sí, como lectura nueva |
Casi el doble de variantes causales
La prueba principal que publica DeepMind usa TenK10K, un mapa de célula individual con 28 tipos de células inmunitarias. Ahí, AlphaGenome 2 identifica el 30 % de las variantes causales frente al 16 % de la mejor alternativa con la que se compara: el AlphaGenome original ajustado con datos de célula individual y otras herramientas especializadas. En la dirección del efecto sobre el gen, si lo sube o lo baja, acierta el 43 % frente al 23 %. Son resultados del propio DeepMind.
Los ejemplos ayudan a ver para qué sirve. En la enfermedad inflamatoria intestinal, una variante en un interruptor lejano sobreactiva el gen ETS2 en los macrófagos del intestino, un hallazgo publicado en Nature que el modelo reproduce por cálculo. En COVID-19, una variante asociada a casos graves altera más la actividad de los genes en linfocitos T activados por la vacuna. DeepMind también ha precalculado predicciones para variantes asociadas a rasgos como la altura o la diabetes tipo 2 en cientos de condiciones celulares.
Quién puede usarlo y con qué límites
AlphaGenome 2 está disponible gratis por la API de AlphaGenome para investigación no comercial: se pide una clave y se usa con el paquete de Python alphagenome. La investigación comercial está en preview privada, y DeepMind anuncia skills de AlphaGenome 2 para Antigravity próximamente. Hay un formulario para enviar casos de uso hasta el 30 de noviembre, que puede dar más cuota y créditos.
Los términos de la API marcan límites que conviene leer antes de empezar: los resultados son solo para uso no comercial, y no pueden usarse para entrenar otros modelos ni para tomar decisiones clínicas. DeepMind lo repite en el anuncio: AlphaGenome y AlphaGenome 2 son herramientas de investigación, sin validación ni aprobación para uso clínico o diagnóstico. El ritmo de consultas depende de la demanda, y las búsquedas en el atlas precalculado admiten más volumen que las predicciones en vivo.
Lo que cambia para un equipo de investigación
Un ejemplo hipotético: un grupo de un hospital universitario tiene decenas de variantes asociadas a una enfermedad autoinmune en un estudio de asociación del genoma. En lugar de probarlas todas en el laboratorio, podría usar AlphaGenome 2 para ordenarlas por su efecto previsto en los tipos de células inmunitarias relevantes y llevar al experimento solo las primeras. La predicción ordena el trabajo; no sustituye la validación ni sirve para informar a un paciente.
La idea de fondo se repite en otros estudios recientes de IA aplicada a la ciencia: el modelo no da la respuesta final, ayuda a decidir qué comprobar primero. Con un 30 % de variantes causales recuperadas, la mayoría todavía se escapa. Pero pasar del 16 % al 30 % significa, en la práctica, menos experimentos perdidos en candidatas equivocadas.