
AlphaGenome 2 busca cómo afecta el ADN a cada célula, pero no sirve para diagnosticar
Compartir es vivir
AlphaGenome 2 es el nuevo modelo de Google DeepMind para estudiar cómo las variaciones del ADN afectan a células concretas. La compañía lo presentó el 11 de noviembre y ya lo ofrece para investigación no comercial a través de la API de AlphaGenome. No es una herramienta de diagnóstico: DeepMind advierte expresamente de que no está validada ni aprobada para uso clínico.
La idea parte de una diferencia básica. Las células de un mismo organismo comparten el ADN, pero no utilizan los genes del mismo modo. Una variación puede alterar la actividad de un gen en una célula inmunitaria y tener un efecto distinto en otro tipo celular. El objetivo del modelo es ayudar a estudiar esas diferencias sin quedarse únicamente en promedios de tejidos enteros.
AlphaGenome 2 afina la predicción al tipo de célula
Según la presentación oficial de DeepMind, el cambio central está en la arquitectura. El modelo anterior predecía propiedades de muchos tejidos a la vez a partir de una secuencia de un millón de letras de ADN. La nueva versión añade como entrada una condición biológica concreta: un tejido, un tipo de célula o un estado celular.
Eso permite preguntar por la misma secuencia en contextos diferentes. DeepMind afirma que el entrenamiento incorpora más de 107 millones de perfiles celulares individuales, junto a datos de muestras humanas y de ratón. Entre las propiedades que predice figuran la expresión de genes, la accesibilidad de la cromatina y, como incorporación, la metilación del ADN.

La empresa destaca una prueba con TenK10K, un conjunto de datos de 28 tipos de células inmunitarias. En esa evaluación, comunica una identificación de variantes causales del 30 %, frente al 16 % del modelo anterior ajustado con datos unicelulares. Es un resultado de esa prueba, no una tasa general de acierto para cualquier enfermedad ni una promesa de diagnóstico para pacientes.
Otra de las funciones descritas es trabajar con estados celulares nuevos sin volver a entrenar el modelo. Los investigadores pueden aportar mediciones de actividad genética de un experimento unicelular para condicionar las predicciones. La utilidad que plantea DeepMind es priorizar variantes y experimentos, así como estudiar qué células podrían intervenir en determinados procesos biológicos.
El acceso comercial está en una fase de prueba privada. Para la investigación no comercial, la compañía ofrece el modelo mediante su API y tutoriales interactivos. Estas condiciones de disponibilidad no equivalen a una autorización sanitaria.
El avance apunta a una pregunta más precisa que leer el ADN de forma aislada: en qué célula cambia algo y bajo qué condiciones. Responderla con predicciones puede orientar el trabajo del laboratorio; demostrar cada efecto sigue siendo una tarea científica aparte.















