Leer un genoma humano ya es posible; entender qué cambio concreto en sus 3.000 millones de pares de bases explica una enfermedad sigue siendo otra historia. Google DeepMind quiere recortar esa distancia con AlphaGenome 2, una nueva versión de su modelo de IA para estudiar el efecto de las variantes genéticas, y con un atlas que ordena miles de millones de posibles cambios.
La promesa no es un diagnóstico automático ni una sustitución del laboratorio. Su papel es más práctico: ayudar a los equipos de investigación a decidir qué variantes merecen ser comprobadas antes, cuando una muestra de ADN puede contener millones de diferencias respecto a un genoma de referencia.
Qué hace AlphaGenome y por qué no basta con leer el ADN
El ADN utiliza cuatro bases —A, T, C y G— para codificar instrucciones biológicas. Una mutación de una sola letra puede tener consecuencias relevantes, pero también puede no tener ningún efecto apreciable. Cambiar cada posición por una de las otras tres alternativas genera unos 9.000 millones de variantes de una sola base posibles; probarlas una por una en un laboratorio no es una opción realista.
AlphaGenome se diseñó para estimar qué podría ocurrir alrededor de una variante a partir de una secuencia de hasta un millón de pares de bases. El modelo genera predicciones sobre procesos relacionados con la regulación genética, es decir, con la forma en que los genes se activan o se silencian.
Es importante porque una parte considerable del riesgo de enfermedad puede estar fuera de los genes que codifican proteínas, en regiones reguladoras que todavía son difíciles de interpretar.
Una guía de prioridades, no un veredicto clínico
En genética de enfermedades raras es habitual empezar con una lista enorme de candidatos. Incluso tras filtrar las variantes poco frecuentes, pueden quedar cientos o miles. DeepMind plantea AlphaGenome como un filtro de priorización: una predicción fuerte puede dar a los investigadores una razón mejor para dedicar tiempo y recursos a un experimento posterior, no para dar por demostrada una causa.
AlphaGenome Atlas convierte 9.000 millones de cambios en una consulta manejable
Junto al modelo, Google DeepMind ha presentado AlphaGenome Atlas, un conjunto de datos que reúne las predicciones para esas variantes de una sola letra. La pieza central es el índice AVI, siglas de AlphaGenome Variant Impact, que resume el posible impacto de cada cambio en el conjunto del genoma.
La utilidad está en acortar el trabajo de cribado. Según Google, investigadores de la Universidad de Exeter usaron el atlas para pasar de una lista de 1.000 millones de variantes a concentrarse en el 1 % con mayor impacto previsto, identificando 19 grupos de variantes relacionados con el índice de masa corporal que merecían un análisis posterior.
También cita un caso del Broad Institute en el que el índice ayudó a priorizar una variante vinculada a trastornos del neurodesarrollo. Son resultados de investigación y apoyo a la decisión, no pruebas de una herramienta clínica ya validada para pacientes.
La novedad de AlphaGenome 2 está en el tipo de célula
La primera generación se entrenó en buena medida con datos de tejidos completos o líneas celulares. El problema es que un tejido reúne tipos de células distintos: una alteración puede importar mucho en uno de ellos y quedar diluida al observar una media general.
AlphaGenome 2 añade predicciones específicas por tipo celular. En teoría, esto puede ayudar a localizar qué células están detrás de una disfunción y a seleccionar mejor las hipótesis que se llevan al laboratorio. Es un avance relevante para enfermedades complejas, pero DeepMind también reconoce que está trabajando en estimaciones de confianza para que los investigadores sepan cuándo una predicción resulta más o menos fiable.
Del descubrimiento de variantes a nuevos tratamientos
Si estas herramientas se consolidan, sus aplicaciones podrían llegar a varias fases de la investigación biomédica: interpretar trastornos genéticos sin resolver, identificar dianas terapéuticas con más probabilidades de ser relevantes y acelerar la validación temprana de fármacos. Google menciona asimismo aplicaciones fuera de la salud, como el desarrollo de cultivos más resistentes al clima.
El objetivo a largo plazo es mucho más ambicioso: una simulación digital funcional de una célula humana. Falta mucho para ello, pero AlphaGenome 2 y su atlas ilustran una dirección clara para la IA en biología: reducir el número de callejones sin salida experimentales, manteniendo la verificación científica como el paso decisivo.
Vía: Google