DeepMind presenta AlphaGenome 2 para rastrear cómo afectan los cambios en el ADN a células específicas

Una pista sobre una enfermedad, hallada en 30 minutos

Google DeepMind presentó AlphaGenome 2 el 11 de noviembre de 2026, tras entrenar el modelo de inteligencia artificial con más de 107 millones de perfiles de células individuales de 68 tejidos. Su objetivo principal es predecir qué cambios en el ADN afectan a qué células, para ayudar a los investigadores a vincular las pistas genéticas con los procesos biológicos que causan enfermedades.

En una demostración, el modelo reprodujo en unos 30 minutos un hallazgo clave de un estudio de 2024 sobre la enfermedad inflamatoria intestinal. Los investigadores habían dedicado un año y medio a realizar experimentos para determinar cómo una variante del ADN aumenta la actividad del gen ETS2 en células inmunitarias implicadas en la inflamación intestinal.

La variante se encuentra en un tramo de ADN alejado del gen que controla. AlphaGenome 2 la seleccionó entre siete candidatas y predijo que tenía un efecto sobre ETS2, a unos 290.000 caracteres de ADN de distancia. DeepMind destacó su capacidad para identificar un aumento de la actividad de ETS2 específicamente en los macrófagos intestinales, células inmunitarias que ayudan a defender el organismo y eliminar los desechos celulares.

James Lee, inmunólogo y genetista del Instituto Francis Crick de Londres, quien dirigió el estudio anterior, describió el resultado computacional:

Han logrado encontrar la respuesta en 30 minutos, y a nosotros nos llevó un año y medio de experimentos.

La oportunidad práctica consiste en ayudar a los laboratorios a decidir a qué experimentos dar prioridad. AlphaGenome 2 genera predicciones sobre la actividad molecular; los investigadores aún deben realizar pruebas de laboratorio para confirmar sus hallazgos. DeepMind afirma que los modelos AlphaGenome están concebidos para la investigación y no han sido validados ni aprobados para usos clínicos o diagnósticos.

Por qué el mismo ADN puede comportarse de forma diferente

Alrededor del 2% del genoma humano contiene instrucciones para producir proteínas. El aproximadamente 98% restante se denomina ADN no codificante. Algunas de sus partes contienen secuencias reguladoras que controlan cuándo se activan los genes, dónde funcionan y cuánto producto producen las células.

Una comparación útil es la de un edificio en el que muchas habitaciones comparten los mismos planos eléctricos. En cada habitación se utilizan interruptores diferentes. De manera similar, una célula muscular del corazón y una célula inmunitaria contienen en gran medida el mismo ADN, pero utilizan conjuntos distintos de genes para realizar sus funciones.

Una variante del ADN es un cambio en la secuencia de sus caracteres. Una variante en un interruptor regulador puede aumentar la actividad de un gen en un tipo de célula y tener poco efecto en otro. Su efecto también puede cambiar cuando una célula se activa durante una infección o responde a una vacunación.

El anuncio de AlphaGenome 2 de DeepMind describe el nuevo modelo como una herramienta que va más allá de los promedios generales de los tejidos para analizar tipos y estados celulares individuales. Esto es importante porque un tejido contiene una mezcla de células. El promedio de sus mediciones puede dificultar la detección de un efecto limitado a un pequeño grupo de células.

El ejemplo de la enfermedad inflamatoria intestinal muestra por qué la ubicación puede llevar a conclusiones erróneas. La variante se encuentra en un desierto génico, una región con pocas secuencias que codifican proteínas, o sin ninguna. Forma parte de un potenciador, una secuencia reguladora que puede influir en un gen distante. Para establecer esa conexión es necesario identificar tanto el gen objetivo como las células en las que actúa el interruptor.

Un modelo centrado en la célula estudiada

El AlphaGenome original, presentado en 2025, aceptaba una secuencia de ADN de un millón de caracteres y predecía propiedades moleculares en numerosos tejidos y experimentos a la vez. Sus resultados abarcaban un conjunto fijo de condiciones de tejidos y células, lo que dificultaba captar diferencias sutiles entre células estrechamente relacionadas.

AlphaGenome 2, en cambio, recibe como datos de entrada tanto la secuencia de ADN como una condición biológica. Esa condición puede ser un tejido, un tipo de célula o un estado celular. El modelo utiliza esta información durante todo el proceso de predicción y se centra en una condición cada vez.

Los investigadores lo llaman modelo condicional. En términos sencillos, la pregunta pasa de ser qué hace generalmente una secuencia de ADN a qué hace en un tipo de célula concreto y en determinadas circunstancias.

El entrenamiento combinó mediciones de muestras de tejidos mixtos con datos recopilados de células individuales humanas y de ratón. Abarcó 637 tipos de células humanas y 311 de ratón. Los más de 107 millones de perfiles de 68 tejidos ofrecen al modelo ejemplos de cómo varía la actividad génica entre células especializadas.

El comunicado de lanzamiento en coreano de DeepMind describe el mismo rediseño y la incorporación de predicciones de metilación del ADN. La metilación del ADN consiste en marcas químicas en el ADN que pueden ayudar a regular la actividad génica. Entre las otras mediciones que predice figuran la expresión génica, los cambios químicos en las proteínas asociadas al ADN y la accesibilidad de la cromatina, que describe cuán expuesto está el ADN a la maquinaria que lo lee.

Qué significan las cifras de rendimiento

DeepMind evaluó AlphaGenome 2 con TenK10K, un amplio conjunto de datos que abarca 28 tipos de células inmunitarias humanas primarias. La empresa informó que el modelo identificó el 30% de las variantes causales en la evaluación, frente al 16% del AlphaGenome anterior, adaptado a datos de células individuales.

Se trata de una mejora de 14 puntos porcentuales, o de alrededor del 88% con respecto a la cifra anterior. Esto explica por qué DeepMind afirma que el modelo identifica casi el doble de variantes que modifican la expresión génica en células específicas.

También mejoró la capacidad para identificar la dirección del efecto de una variante. La cifra pasó del 23% al 43%, un aumento de 20 puntos porcentuales. La dirección importa porque, antes de decidir cómo investigar la función de un cambio del ADN en una enfermedad, los investigadores necesitan saber si aumenta o reduce la actividad génica.

En otra evaluación se analizaron interruptores reguladores situados entre 100.000 y 2,5 millones de caracteres de ADN de un gen. Al compararlo con los resultados de ensayos de interferencia CRISPR, que reducen la actividad en sitios específicos del ADN y miden la respuesta, AlphaGenome 2 obtuvo 0,62 en una medida que combina precisión y cobertura, frente a 0,48 de su predecesor.

La precisión indica cuántos de los candidatos seleccionados son correctos; la cobertura, cuántos candidatos pertinentes encuentra el modelo. Según el artículo de investigación, incluso con un umbral de confianza exigente el modelo sigue pasando por alto la mayoría de las variantes que se consideran causales. Por tanto, los científicos deben elegir entre obtener una lista más corta de predicciones sólidas y abarcar una gama más amplia de posibles pistas.

Aprender de nuevos estados celulares sin volver a entrenar el modelo

AlphaGenome 2 también puede utilizar mediciones de células que no formaban parte de su conjunto de entrenamiento original. Los investigadores pueden cargar datos de secuenciación de ARN de células individuales, que registran la actividad génica en cada célula, a partir de una muestra de apenas unas decenas de células.

El modelo comprime esas mediciones para crear una representación del estado de la célula y la utiliza para orientar las predicciones. Así se evita volver a entrenar todo el modelo cada vez que un laboratorio analiza un nuevo estado biológico.

Sarah Teichmann, cofundadora del consorcio Atlas de Células Humanas y profesora de medicina de células madre en la Universidad de Cambridge, destacó esa característica en el anuncio de DeepMind:

Lo emocionante de AlphaGenome 2 es que se adapta directamente a nuevos datos de células individuales sin volver a entrenarse y predice cómo actúan las variantes del ADN en estados celulares recién analizados, incluso a partir de una pequeña muestra de células

En una demostración con datos que el modelo no había visto antes, procedentes de un estudio de una vacuna de ARNm contra la COVID-19, AlphaGenome 2 distinguió las células T activadas de las células T en reposo. Las células T son células inmunitarias cuya actividad génica cambia cuando responden a una amenaza.

El modelo también predijo que una variante vinculada a la COVID-19 grave altera la actividad génica con más fuerza en las células activadas. El ejemplo incorpora el estado celular a la explicación genética: el efecto de una variante puede depender de lo que esté haciendo la célula en el momento en que los investigadores la analizan.

Los investigadores también pueden utilizar un tipo de medición para predecir otro del que no disponen. Por ejemplo, los datos de actividad génica pueden ayudar al modelo a estimar la accesibilidad de la cromatina. Este proceso, llamado imputación entre modalidades, podría ayudar a un laboratorio a elegir qué mediciones adicionales serían más útiles.

De una señal genética a una posible diana farmacológica

Los estudios de asociación del genoma completo, que suelen abreviarse como GWAS, buscan diferencias en el ADN asociadas con enfermedades o características en un gran número de personas. A menudo identifican una región con varias variantes posibles. Después, los investigadores deben determinar qué variante es relevante, qué gen afecta y en qué parte del organismo se produce ese efecto.

DeepMind ha calculado por adelantado predicciones de AlphaGenome 2 para variantes asociadas con características en cientos de condiciones de células y tejidos humanos. El objetivo es facilitar el análisis de estas conexiones sin que cada laboratorio tenga que realizar por su cuenta grandes procesos computacionales.

Las predicciones también vinculan potenciadores con genes objetivo en células humanas primarias, incluidos los astrocitos cerebrales, que dan apoyo y protección a las neuronas. Estas conexiones pueden ser difíciles de establecer experimentalmente, ya que muchos ensayos CRISPR utilizan células estables cultivadas en laboratorios en lugar de las células especializadas presentes en el organismo.

La demostración sobre la enfermedad inflamatoria intestinal reúne estas tareas. El modelo vincula una variante reguladora distante con ETS2 e identifica las células inmunitarias pertinentes. La investigación experimental anterior también había identificado posibles dianas de tratamiento, lo que ofrece a los científicos un hallazgo biológico con el que contrastar la predicción.

Peter Donnelly, director ejecutivo de Genomics Limited, explicó en el anuncio de DeepMind la dificultad de convertir las asociaciones genéticas en investigación farmacológica:

Los GWAS son fundamentales para ello, pero es difícil pasar de una señal de asociación a lo que necesita un programa de desarrollo de fármacos.

Donnelly dijo que la empresa espera incorporar AlphaGenome 2 a Mystra, su plataforma para evaluar dianas farmacológicas mediante la genética humana. No se anunció una fecha de integración ni resultados de una empresa farmacéutica que haya utilizado el nuevo modelo.

Cómo encaja el Atlas de nueve mil millones de variantes

AlphaGenome 2 llega después de otra publicación del mismo programa de investigación: AlphaGenome Atlas, un catálogo con predicciones para los nueve mil millones de cambios posibles de un solo carácter del ADN en el genoma humano. DeepMind publicó el Atlas unos dos meses antes de anunciar el nuevo modelo.

La descripción general de la investigación de AlphaGenome de la empresa presenta el Atlas como un conjunto de datos de un petabyte. Incluye una puntuación del impacto de variantes de AlphaGenome, o puntuación AVI, que ayuda a los científicos a ordenar las variantes según sus efectos moleculares previstos.

Las dos herramientas responden a necesidades computacionales diferentes. El modelo original ofrece una cobertura amplia para un catálogo enorme. AlphaGenome 2 se centra en preguntas más detalladas sobre células y estados específicos, con un mayor costo computacional para generar predicciones más concretas.

Ziga Avsec, investigador de DeepMind que dirige el equipo de AlphaGenome, ha descrito el uso del modelo original para abarcar extensamente el genoma y el de AlphaGenome 2 para estudiar más a fondo los mecanismos de las enfermedades y las posibles dianas farmacológicas. Para los investigadores, esto sugiere un proceso que comienza con una búsqueda amplia y luego examina los candidatos seleccionados en las células pertinentes.

El desarrollo ha seguido una breve secuencia:

• 2024: El equipo de Lee estableció mediante experimentos de laboratorio el mecanismo de ETS2 en la enfermedad inflamatoria intestinal.
• 2025: DeepMind presentó el modelo AlphaGenome original.
• Alrededor de septiembre de 2026: Se publicó AlphaGenome Atlas, con predicciones para nueve mil millones de cambios posibles de un solo carácter del ADN.
• 11 de noviembre de 2026: DeepMind anunció AlphaGenome 2 y el acceso para investigación.
• 30 de noviembre de 2026: Fecha límite para que los investigadores presenten proyectos que podrían recibir promoción y cuotas o créditos computacionales adicionales.

Qué han hecho ya los investigadores con AlphaGenome

La descripción general de la investigación de DeepMind ofrece ejemplos de científicos que utilizan las herramientas de AlphaGenome en conjunto. En el Broad Institute, Laura Covill utilizó puntuaciones AVI para identificar una variante de DNM1 asociada con un error en el procesamiento de genes. Los experimentos de laboratorio confirmaron la predicción y respaldaron la reclasificación de la variante.

En la Universidad de Exeter, Gareth Hawkes utilizó AlphaGenome en una investigación con más de 54.000 participantes del Biobanco del Reino Unido. El trabajo analizó variantes no codificantes poco frecuentes y características como los niveles de proteínas en el plasma. En una región, la lista de candidatos se redujo de 526 variantes a cuatro, lo que ilustra cómo las predicciones pueden concentrar la atención experimental.

Julia Zeitlinger, del Stowers Institute for Medical Research, utilizó AlphaGenome para investigar secuencias reguladoras cortas de ADN y cómo varían sus efectos entre tipos de células. Su trabajo aborda las reglas por las que las células activan o reducen la actividad génica.

En la Universidad de Copenhague, Cesar Cunha y Marc Pielies Avelli, bajo la dirección de Tuomas Kilpelainen, utilizaron AlphaGenome para rastrear señales genéticas de riesgo de Alzheimer en distintos tejidos. Su análisis identificó efectos reguladores previstos en tejidos inmunitarios y metabólicos, así como en el cerebro.

Estos ejemplos muestran varias vías prácticas que van de la predicción a la investigación: clasificar posibles variantes de enfermedades poco frecuentes, reducir una larga lista de variantes, analizar secuencias reguladoras y rastrear señales genéticas en distintas partes del organismo. AlphaGenome 2 añade un análisis más detallado de las células y los estados específicos implicados.

Acceso, costos y próximos experimentos

AlphaGenome 2 está disponible de forma gratuita para la investigación no comercial a través de la interfaz de programación de aplicaciones de AlphaGenome, o API, que permite a los investigadores enviar solicitudes al modelo mediante software. Los investigadores del sector comercial pueden solicitar acceso a través de una vista previa privada. DeepMind también ha ofrecido tutoriales interactivos en Colab.

DeepMind afirma que trabaja con investigadores, incluidos equipos del Instituto Wellcome Sanger, para analizar más tipos de células humanas, etapas del desarrollo y células alteradas por distintas condiciones biológicas. Esas mediciones pueden ampliar la variedad de estados que los investigadores pueden estudiar.

La empresa también planea publicar AlphaGenome 2 Skills en Google Antigravity, su plataforma para el desarrollo automatizado y los flujos de trabajo científicos. No indicó una fecha de lanzamiento. Los investigadores que presenten casos de uso antes del 30 de noviembre podrán ser seleccionados para recibir cuotas y créditos adicionales.

Para un laboratorio, la prueba inmediata es concreta: ¿pueden las predicciones ayudar a confirmar candidatos útiles con menos experimentos o a tomar una decisión de investigación más pronto? La demostración de ETS2 ofrece un ejemplo alentador de la recuperación de un mecanismo ya establecido. El valor más amplio dependerá de que los laboratorios utilicen la herramienta para investigar nuevos candidatos y los verifiquen experimentalmente.

Puntos clave

• DeepMind anunció AlphaGenome 2 el 11 de noviembre de 2026, con más de 107 millones de perfiles de células individuales de 68 tejidos.
• El modelo predice los efectos del ADN en tipos y estados celulares específicos, incluidos estados recién analizados que aportan los investigadores.
• En la evaluación TenK10K, la identificación de variantes causales pasó del 16% al 30%; la identificación de la dirección de los efectos sobre los genes subió del 23% al 43%.
• Una demostración reprodujo en unos 30 minutos un hallazgo clave sobre ETS2 en la enfermedad inflamatoria intestinal.
• AlphaGenome Atlas ofrece predicciones generales para nueve mil millones de cambios posibles de un solo carácter del ADN; AlphaGenome 2 permite un análisis celular más detallado.
• El acceso es gratuito para la investigación no comercial; el acceso comercial se ofrece mediante una vista previa privada. Sigue siendo necesaria la validación en laboratorio y los modelos no están aprobados para el diagnóstico.