Foto: Nicola Narracci en Pexels
Tu corazón, tu cerebro y tus defensas comparten exactamente el mismo ADN. Entonces, ¿por qué un cambio de una sola letra en ese código puede causar una enfermedad en un tipo de célula y no hacer nada en otro? Esa es la pregunta que intenta responder AlphaGenome 2, el nuevo modelo de inteligencia artificial que Google DeepMind presentó el 11 de noviembre de 2026.
No es un producto para el público ni una herramienta médica, pero sí puede cambiar la forma en que los científicos buscan el origen genético de muchas enfermedades. Te explicamos qué hace, qué mejoró respecto a la primera versión y por qué conviene seguirle la pista desde Latinoamérica.
Del primer AlphaGenome a la versión 2: qué cambia
La historia empezó en junio de 2025, cuando DeepMind lanzó el primer AlphaGenome. Aquel modelo podía leer un tramo de ADN de hasta un millón de letras y predecir, de una sola vez, miles de propiedades: cuánto se activa un gen, qué zonas del genoma están abiertas o cerradas y cómo se cortan y empalman los mensajes genéticos. El trabajo se publicó después en la revista Nature.
Su limitación era que trabajaba sobre todo con datos de tejidos completos y de líneas celulares. Es como escuchar una orquesta entera sin poder distinguir qué instrumento desafina.
AlphaGenome 2 sigue leyendo un millón de letras de ADN, pero cambia el enfoque. Ahora es un modelo condicional: el investigador le indica un tejido, un tipo de célula o un estado concreto, y el modelo hace la predicción para ese contexto específico. Según DeepMind, esa información se usa en cada etapa de su arquitectura, no solo al final.
El salto principal es que el modelo conecta dos mundos que hasta ahora iban por separado: la biología de células individuales y la genética humana. Estas son sus capacidades más destacadas, según el blog oficial de DeepMind:
- Predicción por tipo de célula: estima cómo una variante del ADN afecta a una célula concreta, por ejemplo un tipo específico de célula inmune.
- Datos propios: los laboratorios pueden introducir sus propios datos de células individuales mediante un codificador celular, sin tener que volver a entrenar el modelo.
- Completar mediciones faltantes: a partir de una medición, como la actividad de los genes, puede predecir otras que no se midieron, como qué partes del ADN están accesibles.
- Nueva lectura de metilación: además de la actividad génica, las modificaciones de histonas y la accesibilidad de la cromatina, ahora también predice la metilación del ADN, una marca química que ayuda a encender o apagar genes.
Para lograrlo, DeepMind entrenó el modelo con más de 107 millones de perfiles de células individuales de 68 tejidos, con datos humanos y de ratón.
Los resultados que reporta DeepMind
La cifra que más se ha repetido es que AlphaGenome 2 encuentra casi el doble de variantes causales. Viene de una prueba llamada TenK10K, un mapa de 28 tipos de células inmunes.
En esa evaluación, el modelo identificó correctamente el 30 por ciento de las variantes que causan cambios en la actividad de los genes, frente al 16 por ciento del mejor sistema anterior. Ese sistema de comparación era el primer AlphaGenome ajustado con datos de células individuales, junto con otras herramientas especializadas. Además, acertó la dirección del efecto, es decir, si el gen se activa más o menos, en el 43 por ciento de los casos, frente al 23 por ciento.
Interesting Engineering, que cubrió el lanzamiento, recoge las mismas cifras. Ese medio recuerda algo importante: las predicciones por computadora siempre necesitan confirmarse con experimentos de laboratorio.
DeepMind mostró dos ejemplos. En uno, el modelo reprodujo por computadora el efecto de una variante ya conocida, relacionada con la enfermedad inflamatoria intestinal, en un tipo de célula del intestino. En otro, con datos de personas vacunadas contra la COVID-19, distinguió entre células T activadas y en reposo, y mostró que una variante asociada a casos graves alteraba más la actividad de los genes en las células activadas.
Quién puede usarlo y con qué límites
AlphaGenome 2 ya está disponible para investigación sin fines comerciales a través de la API de AlphaGenome. Para investigación comercial, como la de empresas farmacéuticas, está en una vista previa privada. DeepMind también ofrece tutoriales interactivos en Colab y un atlas con predicciones para los 9.000 millones de cambios de una sola letra posibles en el genoma humano.
Hay una advertencia que DeepMind deja muy clara: AlphaGenome y AlphaGenome 2 son solo para investigación y no han sido validados ni aprobados para usos clínicos o de diagnóstico. Dicho de otra forma, ningún médico debería usarlo para decidir un tratamiento, y nadie debería interpretar sus predicciones como un análisis genético personal.
La empresa menciona colaboraciones en curso, entre ellas con investigadores del Wellcome Sanger Institute, en el Reino Unido. También abrió un formulario para que la comunidad científica proponga proyectos hasta el 30 de noviembre.
Por qué importa en Latinoamérica
A primera vista puede parecer una noticia lejana, propia de grandes laboratorios. Pero tiene varias implicaciones para la región.
La primera es el acceso. Que el modelo se pueda usar sin costo para investigación no comercial permite que universidades y centros públicos de la región trabajen con una herramienta de primer nivel sin necesidad de grandes supercomputadoras propias. Para grupos con presupuestos ajustados, esa diferencia es enorme.
La segunda es la diversidad genética. Gran parte de los datos genéticos del mundo proviene de poblaciones de origen europeo, y las poblaciones latinoamericanas, con su mezcla de raíces indígenas, africanas y europeas, siguen poco representadas. Herramientas que aceptan datos propios de cada laboratorio abren la puerta a estudiar variantes más frecuentes en la región, siempre que existan proyectos y financiamiento que generen esos datos.
La tercera es la formación. La biología computacional combina genética, programación e IA, y es un campo con demanda creciente. Para estudiantes de biología, medicina o informática, aprender a usar este tipo de modelos puede ser una ventaja profesional real.
Y una nota de prudencia: es probable que pronto aparezcan anuncios de pruebas genéticas que prometan resultados con IA. Conviene recordar que el propio creador de esta tecnología dice que no sirve para diagnósticos.
AlphaGenome 2 no cura ninguna enfermedad, pero puede acortar el camino entre encontrar una variante sospechosa en el ADN y entender qué hace realmente dentro de una célula. Si los resultados se confirman en el laboratorio, ese atajo podría acelerar la búsqueda de nuevos tratamientos en los próximos años.
Es también una muestra de hacia dónde va la IA más allá de los chatbots: modelos especializados que ayudan a la ciencia a hacer preguntas más precisas.
¿Crees que la inteligencia artificial puede acelerar de verdad la investigación médica, o te preocupa que se use antes de estar lista? Te leemos en los comentarios.
Fuentes
- Google DeepMind: AlphaGenome 2, cómo las células leen el ADN
- Interesting Engineering: AlphaGenome 2 encuentra casi el doble de variantes causales
- Wikipedia: AlphaGenome, antecedentes del primer modelo
No te pierdas lo próximo que publiquemos
Cada día, las noticias y guías de inteligencia artificial que importan, directas a tu correo.
Es gratis. Sin spam. Puedes darte de baja cuando quieras.