JOURNAL / 2026.11.14
AlphaGenome 2 predice efectos de variantes del ADN según el estado celular
DeepMind incorpora el contexto de células concretas a la predicción de efectos genéticos. La posibilidad de usar datos propios amplía las preguntas investigables, aunque la calidad de las respuestas depende de qué señales tengan respaldo experimental.
Una variante del ADN puede merecer atención en una célula y pasar inadvertida en otra. Elegir dónde buscar su efecto forma parte del problema científico. AlphaGenome 2, anunciado por DeepMind el 11 de noviembre, convierte ese contexto en una entrada del modelo. Está disponible mediante API para investigación no comercial; el acceso comercial está en una fase de prueba privada.
En septiembre analizamos AlphaGenome Atlas: la utilidad de disponer de predicciones precalculadas a escala genómica. Esta actualización modifica otra parte del trabajo. La guía de migración explica que AlphaGenome 1 devuelve señales de un catálogo de tejidos y ensayos, mientras que la nueva versión recibe una secuencia de hasta un millón de bases y una condición biológica. Comparar varias condiciones requiere predicciones separadas. Para diseñar un análisis, eso significa decidir qué contextos incluir y cómo justificar su selección.
Lo más prometedor es que ese contexto puede proceder del experimento del investigador. El tutorial oficial permite aportar recuentos de expresión génica de células humanas propias, sin reajustar el modelo. Exige recuentos originales y los identificadores de genes apropiados: una matriz normalizada no es intercambiable con la entrada esperada. A mi juicio, la oportunidad está en conectar una observación local con hipótesis genéticas que antes obligaban a conformarse con una categoría celular del catálogo. La preparación de los datos pasa a formar parte de la validez de la pregunta.
Hay evidencia de mejora, con un alcance concreto. En el manuscrito técnico, figura 2e, AlphaGenome 2 recupera el 30 % de las variantes consideradas causales para expresión en TenK10K, frente al 16 % de AlphaGenome 1 reajustado a datos unicelulares, a una precisión del 90 %. La comparación usa variantes cartografiadas estadísticamente y controles seleccionados; no mide diagnósticos. El propio manuscrito reconoce estados poco representados y relaciones aprendidas de observaciones, sin establecer que prediga respuestas causales a perturbaciones. Los pesos y el código del modelo quedan anunciados para la publicación definitiva.
También importa qué clase de respuesta entrega. La documentación sobre imputación distingue señales medidas durante el entrenamiento, inferencias respaldadas por modalidades informativas y predicciones exploratorias sin restricciones experimentales suficientes. Incluso la primera categoría sigue siendo una predicción al consultar una secuencia nueva. La guía advierte, por ejemplo, que una señal de unión de un factor de transcripción puede parecer fuerte aunque ese factor no se exprese en la célula. Una curva convincente puede describir una hipótesis biológicamente inviable.
Yo conservaría esa procedencia junto a cada resultado, también al exportarlo. Una herramienta que mezclara todas las curvas bajo el mismo aspecto perdería información necesaria para decidir el siguiente experimento. Preferiría que mostrara por qué una predicción merece confianza, qué medición falta y qué observación podría refutarla. El diseño de la interfaz científica tiene aquí consecuencias sobre el razonamiento del equipo.
Imaginemos un grupo que estudia dos estados de una célula inmunitaria. Podría comparar una misma variante en ambos, reservar antes de consultar el modelo algunas mediciones independientes y comprobar después si la diferencia predicha aparece. También incluiría candidatos con puntuaciones bajas: examinar únicamente los favoritos impediría saber qué está dejando fuera el filtro. Es una propuesta propia, no un experimento realizado por nosotros. Su resultado útil sería una decisión mejor sobre dónde gastar trabajo experimental, incluidos los casos en que el modelo no ayuda.
El repositorio de la API señala que las predicciones en vivo sirven para análisis pequeños y que la tasa de consultas depende de la demanda. Sus condiciones excluyen decisiones clínicas. Por eso empezaría por una comparación acotada, con versión, contexto celular y criterios de selección registrados. Mi opinión es que AlphaGenome 2 merece atención por permitir preguntas más específicas. Su valor crecerá si esa especificidad produce hipótesis que otros laboratorios puedan poner en dificultad, y no sólo explicaciones plausibles de resultados conocidos.
Fuentes primarias consultadas el 14 de noviembre de 2026. No hemos ejecutado el modelo ni reproducido sus evaluaciones. Las propuestas de uso y la valoración son análisis propio.