AlphaGenome, el nuevo modelo de Google DeepMind, representa un salto en la comprensión del genoma humano. Esta red neuronal es capaz de predecir cómo afecta cualquier variante genética a funciones como la expresión génica, el empalme del ARN o la accesibilidad del ADN en células humanas y de ratón. A diferencia de modelos anteriores, AlphaGenome unifica en una sola herramienta predicciones multimodales, resolución a nivel de nucleótido y un contexto de hasta un millón de bases de ADN. Entrenado sobre datos del genoma humano y murino, el modelo supera a sus competidores en casi todas las tareas y ofrece un acceso abierto para la comunidad científica. Su potencia predice incluso mutaciones implicadas en enfermedades como la leucemia, abriendo nuevas vías para el diagnóstico genético y el diseño de terapias personalizadas.
Un modelo que predice desde el ADN cómo funciona el genoma humano
Un equipo de Google DeepMind ha desarrollado AlphaGenome, un modelo de inteligencia artificial que predice con gran precisión los efectos moleculares de las variantes genéticas, superando a todos los modelos anteriores en 25 de 26 pruebas clave.
La investigación, publicada en la revista Nature el 28 de enero de 2026, presenta a AlphaGenome como una red neuronal de propósito general entrenada para comprender la compleja relación entre secuencia y función en el ADN humano y murino. El modelo toma como entrada un fragmento de un millón de pares de bases (1 Mb) y produce predicciones a nivel de nucleótido en once modalidades diferentes, entre ellas expresión génica, empalme del ARN, modificaciones epigenéticas, accesibilidad del ADN y mapas de contacto del genoma.
¿Qué tiene de especial AlphaGenome?
Hasta ahora, los modelos de predicción genética se enfrentaban a dos grandes limitaciones: la resolución y la diversidad de funciones. Algunos modelos como SpliceAI o BPNet ofrecían precisión a nivel de base pero solo para tramos cortos de ADN (menos de 10 kb), mientras que otros como Enformer podían procesar secuencias largas (200-500 kb) pero perdían resolución al trabajar con tramos de 32 o 128 bases. Además, muchos modelos estaban diseñados para una sola función, como la predicción de sitios de empalme o de interacción 3D del genoma.
AlphaGenome resuelve ambos problemas al combinar un diseño inspirado en U-Net, capaz de manejar 1 Mb de ADN y producir predicciones a nivel de base. Este modelo multimodal cubre 5.930 pistas genómicas humanas y 1.128 murinas, abarcando una variedad de tejidos y tipos celulares.
Rendimiento sin precedentes
En las evaluaciones más exigentes, AlphaGenome superó a los mejores modelos existentes en 22 de 24 tareas de predicción de pistas genómicas y en 25 de 26 pruebas de predicción de efectos de variantes genéticas.
Por ejemplo, mejoró un 14,7 % la predicción específica por célula de los cambios de expresión génica respecto a Borzoi, y superó también a Orca, ProCapNet o ChromBPNet en sus especialidades. En tareas de empalme, AlphaGenome fue especialmente eficaz al predecir simultáneamente los tres niveles de este proceso: localización de sitios donantes y aceptores, uso competitivo de estos sitios y predicción de los empalmes específicos. En una prueba clave, identificó correctamente una deleción de cuatro bases que causa saltos de exón, lo que demuestra su utilidad clínica.
Aplicaciones clínicas y científicas
El modelo también brilla al predecir los efectos de variantes no codificantes en enfermedades humanas. Por ejemplo, AlphaGenome reproduce fielmente las consecuencias de mutaciones oncogénicas en el gen TAL1 implicadas en la leucemia linfoblástica aguda T (T-ALL), prediciendo con precisión los cambios en la accesibilidad del ADN, las marcas epigenéticas y la expresión génica en células hematopoyéticas humanas.
Además, su capacidad para trabajar con variantes no anotadas lo convierte en una herramienta ideal para estudios de asociación genómica (GWAS), facilitando la identificación de variantes causales incluso cuando están lejos de los genes afectados o son de baja frecuencia.
Cómo funciona: entrenamiento y arquitectura
AlphaGenome se entrena en dos fases: primero con datos experimentales reales mediante validación cruzada, y luego mediante distillation, donde un modelo estudiante aprende de una combinación de varios modelos entrenados. Esta técnica permite que un único modelo haga predicciones eficientemente con una sola llamada a GPU, lo que lo hace viable para estudios a gran escala.
Su arquitectura combina convoluciones para detectar patrones locales con transformadores para modelar relaciones de largo alcance, como la interacción entre potenciadores y promotores. La predicción de contactos 3D entre regiones del ADN se basa en representaciones bidimensionales dentro del modelo.
Limitaciones y futuro
Aunque AlphaGenome es ya una herramienta puntera, sus creadores reconocen algunas limitaciones. Todavía resulta difícil capturar con precisión el impacto de elementos reguladores distales (más de 100 kb) o las variaciones específicas de tipo celular. Tampoco ha sido evaluado sobre genomas personales, un reto habitual para estos modelos, ni cubre en profundidad los genes no codificantes como los microARN.
Pese a ello, se espera que AlphaGenome tenga aplicaciones clave en el diagnóstico de enfermedades raras, el diseño de terapias génicas, la creación de oligonucleótidos antisentido personalizados y la interpretación funcional de variantes generadas por modelos generativos de ADN.
Los investigadores han puesto a disposición del público un modelo accesible vía API y código abierto, lo que facilitará su adopción por parte de la comunidad biomédica y bioinformática.
