Google DeepMind anunció el 11 de noviembre de 2026 AlphaGenome 2, un modelo de secuencias de ADN de nueva generación que predice cómo las secuencias de ADN y sus variaciones afectan a tipos celulares humanos específicos. Según la compañía, el modelo brinda a los científicos una nueva y poderosa herramienta para descubrir los impulsores celulares de las enfermedades, conectando la biología de célula única con la genética humana al pronosticar cómo las variantes genéticas influyen en cientos de tipos celulares humanos.

El anuncio, escrito por los investigadores de DeepMind Adam Gayoso, Natasha Latysheva, Pushmeet Kohli y Žiga Avsec, está disponible en el blog de Google DeepMind, acompañado de un informe técnico (PDF).

De un plan común de ADN a la actividad génica específica por célula

Cada célula del cuerpo humano porta el mismo plano de ADN; sin embargo, cada tipo y estado celular —una célula del músculo cardíaco o una célula inmunitaria que combate una infección— activa o desactiva distintos genes para cumplir su función. Iniciativas globales como el Human Cell Atlas están mapeando esta expresión génica en millones de células, pero DeepMind señala que predecir cómo las variaciones sutiles del ADN afectan la expresión dentro de las células sigue siendo un desafío sin resolver y un factor clave de los rasgos y las enfermedades humanas.

El año pasado, la compañía lanzó AlphaGenome, un modelo que predice cómo las variantes del ADN afectan la actividad molecular en tejidos amplios, con la investigación subyacente publicada en Nature. Posteriormente amplió la herramienta con AlphaGenome Atlas, una plataforma con predicciones para los 9.000 millones de posibles cambios de una sola letra en el genoma humano. Según DeepMind, estas herramientas ayudan a los investigadores a priorizar e interpretar los efectos de las variantes, impulsando descubrimientos en enfermedades raras, rasgos complejos y biología fundamental.

Al pasar de los promedios de tejidos amplios a tipos y estados celulares individuales, y al rediseñar la arquitectura del modelo, AlphaGenome 2 representa lo que la compañía describe como una mejora sustancial en el rendimiento predictivo de variantes. Permite a los investigadores predecir efectos de variantes en células relevantes para enfermedades que los modelos de tejidos amplios pasarían por alto, así como en estados celulares y de enfermedad que el modelo no ha visto antes. DeepMind informa que AlphaGenome 2 identifica casi el doble de variantes que modifican la expresión génica en células en comparación con su anterior modelo de vanguardia. El modelo fue entrenado con más de 100 millones de perfiles de células individuales en 68 tejidos, convirtiendo los atlas celulares estáticos en lo que la compañía describe como un motor predictivo para la genética humana.

AlphaGenome 2 está disponible desde el anuncio para investigación no comercial a través de la API de AlphaGenome, y en vista previa privada para investigación comercial.

Una arquitectura condicional diseñada para tipos celulares específicos

El primer AlphaGenome tomaba una secuencia de ADN de un millón de letras y predecía propiedades en miles de experimentos de muchos tejidos simultáneamente. Aunque eficiente, según DeepMind, este enfoque paralelo dispersaba la capacidad del modelo y dificultaba capturar diferencias sutiles entre tipos celulares estrechamente relacionados.

AlphaGenome 2 rediseña fundamentalmente el manejo de los tipos celulares. En lugar de predecir en paralelo, es un modelo condicional que predice los efectos del ADN para una condición a la vez —entendiendo por condición un tejido, tipo celular o estado—. Junto a la secuencia de ADN de un millón de letras, el modelo toma la condición biológica objetivo como entrada en cada etapa de su arquitectura. La condición puede elegirse de un catálogo de referencia de tipos celulares o generarse sobre la marcha a partir del experimento de célula única del propio científico mediante el codificador celular de DeepMind. Este diseño permite al modelo aprender cómo una misma región de ADN se lee de forma distinta según el tipo celular.

El enfoque condicional también permite la imputación entre modalidades: predecir datos experimentales faltantes. Como el modelo separa el estado biológico de una célula de sus salidas, un científico que ingrese una sola medición, como la actividad génica en célula única, puede obtener predicciones de propiedades no medidas, como la accesibilidad de la cromatina. La compañía indica que esto puede ayudar a los investigadores a priorizar qué experimentos realizar a continuación.

El modelo fue entrenado con datos tanto masivos como de célula única de muestras humanas y de ratón, incluyendo más de 107 millones de perfiles de células individuales. Superando los promedios de tejidos amplios del modelo original, AlphaGenome 2 puede resolver la actividad dentro de células especializadas —como células del músculo cardíaco o células inmunitarias de la sangre— para ayudar a descubrir variantes cruciales del ADN que actúan solo en tipos celulares específicos. Predice las mismas lecturas experimentales centrales de la función del ADN que el AlphaGenome original —expresión génica, modificaciones de histonas y accesibilidad de la cromatina—, y añade la metilación del ADN, una lectura que la compañía describe como ampliamente solicitada.

Una capacidad destacada, según DeepMind, es que el modelo se adapta directamente a nuevos datos de célula única sin reentrenamiento, prediciendo cómo actúan las variantes del ADN en estados celulares recién perfilados a partir incluso de muestras pequeñas de células.

Predicciones de tipos celulares y recuperación de variantes de vanguardia

DeepMind informa que AlphaGenome 2 es significativamente mejor para predecir la regulación génica en células específicas, ayudando a los investigadores a identificar variantes relevantes para enfermedades.

Mayor especificidad por tipo celular. En regiones del genoma fuera de sus datos de entrenamiento, el modelo explica significativamente más sobre cómo difiere la expresión génica entre tipos celulares dentro de un tejido, rastreando cambios continuos en la expresión —como cuando las células madre de la sangre humanas maduran hacia células rojas y linajes inmunitarios—. El anuncio lo ilustra con un mapa de calor de expresión génica de células rojas en maduración (hematopoyesis), en el que las predicciones de AlphaGenome 2 están más cerca de las observaciones normalizadas por fila (puntuaciones Z) que las del primer modelo ajustado con datos de célula única.

Mejor predicción de efectos de variantes. En el conjunto de datos TenK10K, un amplio mapa de célula única de 28 tipos principales de células inmunitarias, AlphaGenome 2 identificó de manera fiable casi el doble de variantes causales (30% frente a 16%) y efectos génicos direccionales (43% frente a 23%) que el AlphaGenome original ajustado con datos de célula única y otras herramientas especializadas. Esta precisión, señala DeepMind, ayuda a los investigadores a encontrar variantes candidatas pasadas por alto para nuevos descubrimientos.

Identificación de variantes relevantes para enfermedades. Un estudio histórico reciente demostró que una variante en un interruptor regulatorio distante impulsa la enfermedad inflamatoria intestinal (EII) al sobreactivar el gen ETS2 en células inmunitarias del intestino conocidas como macrófagos. Al hacer predicciones en varios tipos de células inmunitarias del intestino, AlphaGenome 2 reprodujo computacionalmente este hallazgo: identificó la variante causal y mostró que impulsa selectivamente ETS2 en los macrófagos intestinales, dejando en gran medida sin afectar a otros tipos celulares y genes.

Análisis de nuevos tipos y estados celulares sin reentrenamiento

AlphaGenome 2 puede generalizar a experimentos de célula única completamente nuevos sin necesidad de reentrenamiento. Los científicos pueden subir una instantánea de RNA-seq de célula única de la actividad génica de apenas unas pocas docenas de células; esta actividad se comprime en una representación del estado celular que condiciona al modelo sobre estados no vistos. Según DeepMind, AlphaGenome 2 puede igualar o superar el desempeño de modelos entrenados o ajustados directamente con esos conjuntos de datos.

Esto permite al modelo predecir efectos de variantes y regulación génica para nuevos estados celulares, como los que surgen de enfermedades o vacunaciones. En un ejemplo, ante datos de célula única no vistos de un estudio de la vacuna de ARNm contra la COVID-19, AlphaGenome 2 distinguió las células T inmunitarias activadas por la vacuna de las en reposo. También reveló que una variante vinculada a la COVID-19 grave altera la actividad génica con más fuerza cuando las células están en ese estado activado, un efecto que pasaría desapercibido en células no activadas.

Conectando la genética humana y la biología de célula única

DeepMind concibe una mejor comprensión de las enfermedades como un vínculo entre la genética humana y la biología celular, que requiere conectar las miles de variantes asociadas a rasgos y enfermedades halladas en estudios de asociación del genoma completo (GWAS) con los crecientes mapas de célula única del cuerpo humano. Para ayudar a los investigadores a establecer estas conexiones sin realizar cálculos a gran escala por sí mismos, la compañía precalculó predicciones de AlphaGenome 2 para variantes asociadas a rasgos en cientos de condiciones celulares y tisulares humanas, abordando dos desafíos principales:

• Mapeo de vínculos entre potenciadores y genes en tipos celulares humanos reales. Muchas variantes vinculadas a enfermedades se encuentran en interruptores regulatorios distantes llamados potenciadores (enhancers), lo que dificulta rastrear sus efectos. Como las pantallas experimentales con CRISPR utilizan mayormente líneas celulares estables cultivadas en laboratorio, los científicos suelen carecer de estos diagramas de conexión para células específicas del cuerpo humano. AlphaGenome 2 extiende el mapeo potenciador-gen a tipos celulares humanos primarios —como los astrocitos del cerebro, que sostienen y protegen las neuronas—, ayudando a los investigadores a conectar variantes regulatorias con sus genes diana en las células específicas donde se desarrolla la enfermedad.
• Identificación de variantes causales de GWAS y las células donde actúan. Los GWAS señalan amplias regiones de ADN vinculadas a enfermedades, pero los investigadores no siempre pueden identificar con alta confianza la variante causal exacta, el gen diana y el tipo celular. En varios rasgos complejos, desde la altura hasta la diabetes tipo 2, las puntuaciones de variantes precalculadas de AlphaGenome 2 ayudan a identificar las variantes y tipos celulares con mayor probabilidad de estar involucrados. Cuando hay suficiente confianza, el modelo también predice con precisión si una variante aumenta o disminuye la actividad de un gen, una pista fundamental, según la compañía, para entender cómo ese gen contribuye a la enfermedad.

La publicación del blog también incluyó esta declaración, que refleja por qué los equipos de descubrimiento de fármacos siguen los modelos de predicción de secuencias de ADN: "La genética humana es una de las herramientas más poderosas en el descubrimiento de fármacos. Los GWAS son centrales en ello, pero es difícil pasar de una señal de asociación a lo que un programa de fármacos necesita. Los modelos de predicción de secuencias de ADN son una herramienta importante para ayudar a cerrar esa brecha, y AlphaGenome 2 representa un avance impresionante en el campo. Esperamos incorporarlo en nuestra plataforma Mystra".

Mirando al futuro junto a la comunidad científica

A medida que los científicos mapean más del cuerpo humano a nivel de célula única, DeepMind espera que los modelos de IA sigan volviéndose más poderosos. Mediante colaboraciones en curso, incluida una con investigadores del Wellcome Sanger Institute, la compañía trabaja para perfilar un espectro aún más amplio de tipos celulares humanos, linajes de desarrollo y estados celulares alterados.

AlphaGenome 2, junto con tutoriales interactivos de Colab para el condicionamiento de expresión, está disponible para investigación no comercial a través de la API de AlphaGenome y en vista previa privada para investigación comercial. DeepMind también dijo que pronto lanzará AlphaGenome 2 Skills en Google Antigravity, su plataforma de desarrollo agéntica, donde modelos especializados como AlphaGenome 2 combinados con herramientas científicas agénticas como Gemini 4 están destinados a ayudar a los científicos a acelerar la investigación y lograr nuevos descubrimientos.

La compañía agradeció a su comunidad de evaluadores de confianza y a los muchos investigadores que ayudaron a crear los conjuntos de datos de entrenamiento. Invitó a la comunidad a enviar casos de uso interesantes de AlphaGenome 2 a través de un formulario hasta el 30 de noviembre; los proyectos seleccionados podrían ser elegibles para cuota y créditos adicionales. Los comentarios para moldear la hoja de ruta futura pueden compartirse en el foro de la comunidad.

La compañía señaló que AlphaGenome y AlphaGenome 2 están destinados únicamente a uso de investigación y no han sido validados ni aprobados para fines clínicos o diagnósticos, por lo que sus predicciones están pensadas para orientar la investigación científica y no las decisiones médicas.

Agradecimientos

Según la publicación del blog, el trabajo de investigación central se realizó gracias a las contribuciones de Adam Gayoso, Anne Mottram, Alexander Karollus, Guido Novati, Pavol Drotár, John Reid, Laetitia Meng-Papaxanthos, Adam Kosiorek, Eirini Arvaniti, Vincent Dutordoir, Soham De, Tom Ward, Lai Hong Wong, Matteo Perino, Kyle Taylor, Jun Cheng, Natasha Latysheva, Joshua Pan, Dhavanthi Hariharan, Clare Bycroft, Lauren Nicolaisen, Demis Hassabis, Pushmeet Kohli y Žiga Avsec.

DeepMind también agradeció a las siguientes personas por su apoyo y retroalimentación: Gabriella Stanton, Charlie Taylor, Raina Thomas, Lucas Tenório, Antonio García, Joseph Powell, Angli Xue, Trygve Bakken, Nelson Johansen, Junyue Cao, Ziyu Lu, Jacob Hepkema, Leopold Parts, Irina Voineagu, Souradeep Basu, Michal Zielinski, Jeff Cao, Ioannis Sarropoulos, Sarah Teichmann, Amanda Stafford y Eliseo Papa. Asimismo, agradeció a Evie Gray, Adriana Fernandez Lara, Alex Wilkins, Danielle Breen, Dimple Vijaykumar, Muinat Abdul, Chris Kwaku-Abdullahi, Kathryn Seager, Ryan Smith, Ross West y Gaby Pearl por su experiencia en la divulgación de este trabajo.