Google presenta AlphaGenome 2: el modelo identifica casi el doble de variantes relevantes del ADN

Encontrar un cambio en el ADN asociado a una enfermedad es solo el comienzo. Después, el investigador debe entender dónde se manifiesta: en las células del corazón, de la piel o del sistema inmunitario. La respuesta también puede depender del estado de la célula. Si el análisis es demasiado general, es fácil pasar por alto un efecto importante. Para un equipo que desarrolla un fármaco, esta incertidumbre dificulta la elección del siguiente experimento.

Google DeepMind ha presentado AlphaGenome 2, un modelo que predice los efectos de las variantes genéticas teniendo en cuenta el tipo y el estado de la célula. Según la compañía, identifica casi el doble de variantes capaces de modificar la actividad génica que su anterior mejor modelo. Su utilidad práctica consiste en obtener una hipótesis más concreta para comprobarla en el laboratorio: qué cambio investigar, en qué células y bajo qué condiciones.

Por qué el modelo necesita distinguir entre células

Casi todas las células humanas contienen el mismo ADN, pero lo utilizan de forma diferente. Una célula del músculo cardíaco y una del sistema inmunitario necesitan distintos conjuntos de genes activos. Incluso dentro de un mismo tipo celular, el panorama cambia según lo que esté ocurriendo en el organismo.

Imaginemos que unos investigadores han encontrado una variante genética más frecuente en personas con una enfermedad determinada. Eso todavía no explica el mecanismo de la enfermedad. Es posible que la variante solo afecte a la actividad de un gen en ciertas células inmunitarias durante una infección. En otras células, su efecto podría ser débil o imperceptible. Es un ejemplo hipotético de una tarea que requiere este grado de detalle.

AlphaGenome 2 está diseñada para ayudar a acotar la búsqueda. En lugar de una valoración general de un cambio en el ADN, el investigador obtiene una predicción vinculada al contexto celular. Esto es relevante para el desarrollo de medicamentos: un fármaco actúa sobre dianas biológicas concretas, y el resultado depende, entre otras cosas, de las células en las que esas dianas están activas.

Qué aportaron cien millones de perfiles celulares

El modelo se entrenó con más de 100 millones de perfiles de células individuales de 68 tejidos. Estos datos permiten describir diferencias que se pierden al estudiar un tejido de forma más general. DeepMind utiliza atlas celulares —grandes colecciones de observaciones experimentales— como base para predecir las consecuencias de los cambios en el ADN.

Según la compañía, AlphaGenome 2 también puede hacer predicciones para nuevos tipos y estados celulares sin volver a entrenarse. Es una capacidad interesante para los equipos de investigación: los datos experimentales no cubren toda la biología por igual, y es imposible recopilar mediciones detalladas para cada caso.

Otra aplicación consiste en detectar lagunas en los datos disponibles. Si el modelo ayuda a determinar qué observaciones faltan, el equipo puede elegir con mayor precisión los siguientes estudios de laboratorio. Para un producto construido en torno a un sistema así, el valor podría estar en apoyar la planificación de experimentos: qué hipótesis comprobar primero y dónde hacen falta mediciones adicionales.

Pero la ventaja anunciada de casi el doble no debe interpretarse como una medida universal de la precisión del modelo ni como una promesa de reducir a la mitad el tiempo de desarrollo de un medicamento. El material presentado se refiere al número de variantes identificadas que influyen en la actividad génica. Los detalles de la evaluación son insuficientes para extrapolar ese resultado a cualquier tarea de investigación.

Qué tener en cuenta antes de usar la API

Las predicciones más detalladas requieren más recursos de cómputo. Por eso, AlphaGenome 2 todavía no sustituye a la primera AlphaGenome en todos los escenarios. Según DeepMind, no sería práctico utilizar el nuevo modelo para el atlas publicado anteriormente de todas las posibles sustituciones de una sola letra del ADN en el genoma humano.

De ahí se desprende un enfoque claro: primero evaluar la escala de la tarea y después decidir dónde se necesita detalle celular. Una búsqueda amplia y el análisis pormenorizado de un pequeño grupo de variantes pueden requerir herramientas diferentes. La viabilidad económica de este proceso tendrá que comprobarse con datos propios: el material original no incluye precios por consulta ni cifras de rendimiento.

Google anunció el acceso a AlphaGenome 2 a través de la AlphaGenome API para investigación no comercial. Para la investigación comercial se ofrece un acceso cerrado y limitado. Quien funde una empresa con un producto biotecnológico debería tenerlo en cuenta desde la planificación de la integración: que se permita el uso en investigación no significa por sí solo que exista un servicio comercial disponible.

Las predicciones también requieren validación experimental. AlphaGenome 2 ayuda a vincular una variante genética con un posible mecanismo celular, pero eso todavía no constituye una causa demostrada de una enfermedad ni una terapia lista para usar. Para los desarrolladores y responsables de producto en biotecnología, la tarea inmediata es comprobar si este nivel de detalle ayuda a elegir experimentos más útiles.