Google DeepMind afirma que AlphaGenome 2, su nuevo modelo de secuencias de ADN, identifica casi el doble de variantes que alteran la expresión génica dentro de células específicas que su predecesor. El dato que cambia el cálculo para un founder de biotech o healthtech es otro: el modelo ya está disponible para investigación no comercial a través de la API de AlphaGenome y en vista previa privada para investigación comercial.
El problema que aborda no es menor. Todas las células del cuerpo cargan el mismo manual de ADN, pero cada tipo celular —una célula del músculo cardíaco, un linfocito T activado por una infección— enciende y apaga genes distintos para hacer su trabajo. Predecir cómo una variante de una sola letra cambia ese comportamiento en una célula concreta era, hasta ahora, materia de experimentos caros y lentos.
¿Qué cambia AlphaGenome 2 frente al modelo original?
La versión anterior tomaba una secuencia de un millón de letras de ADN y predecía propiedades de miles de experimentos de tejidos distintos en paralelo. Era eficiente, pero repartía la capacidad del modelo y le costaba capturar diferencias sutiles entre células muy parecidas.
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →AlphaGenome 2 invierte el enfoque: es un modelo condicional que predice los efectos del ADN para una sola condición a la vez, definida como tejido, tipo celular o estado. Esa condición biológica acompaña a la secuencia en cada etapa de la arquitectura, lo que le permite aprender cómo el mismo tramo de ADN se lee de forma distinta según la célula.
El entrenamiento mezcló datos de tejido completo y de célula única, de muestras humanas y de ratón: más de 107 millones de perfiles celulares individuales. Además de las lecturas que ya hacía la versión original —expresión génica, modificaciones de histonas y accesibilidad de cromatina—, suma metilación del ADN, una medición que la comunidad venía pidiendo.
Cómo funciona la imputación entre modalidades
El diseño condicional habilita una función poco común: imputación entre modalidades, es decir, predecir datos experimentales que nadie midió. El modelo separa el estado biológico de la célula de sus salidas, así que si un científico carga una sola medición —por ejemplo, actividad génica de célula única— el sistema puede estimar propiedades no medidas, como la accesibilidad de la cromatina. Con eso, un equipo puede decidir qué experimento conviene correr después en lugar de correr todos.
La segunda capacidad es la generalización sin reentrenamiento. Un investigador puede subir una captura de ARN de célula única obtenida de apenas unas decenas de células; esa actividad se comprime en una representación del estado celular que después condiciona al modelo. DeepMind sostiene que así AlphaGenome 2 iguala o supera a modelos entrenados o ajustados directamente sobre esos mismos datos.
El ejemplo que da la compañía es concreto: frente a datos de célula única de un estudio de vacuna de ARNm contra COVID-19 que el modelo nunca vio, AlphaGenome 2 distinguió linfocitos T activados por la vacuna de los que estaban en reposo, y mostró que una variante asociada a COVID-19 grave interrumpe la actividad génica con más fuerza cuando la célula está en ese estado activado. Ese efecto se habría perdido en células sin activar.
Los números: casi el doble de variantes causales
En el dataset TenK10K, un mapa de célula única de 28 tipos de células inmunes primarias, DeepMind reporta que AlphaGenome 2 identificó casi el doble de variantes causales (30% frente a 16%) y de efectos génicos direccionales (43% frente a 23%) que el AlphaGenome original ajustado con datos de célula única y que otras herramientas especializadas.
La prueba de fuego fue reproducir un hallazgo publicado sobre enfermedad inflamatoria intestinal: una variante en un interruptor regulador distante que sobreactiva el gen ETS2 en macrófagos del intestino. El modelo señaló la variante causal y mostró que el efecto se concentra en los macrófagos intestinales, dejando casi intactos otros tipos celulares y otros genes.
Para Sarah Teichmann, cofundadora del consorcio Human Cell Atlas y profesora de la Universidad de Cambridge, lo relevante es la adaptabilidad: el modelo se ajusta a datos nuevos de célula única sin reentrenarse y predice efectos en estados recién perfilados incluso a partir de una muestra pequeña de células.
El contexto: la carrera por los datos genómicos
AlphaGenome 2 no aterriza en un vacío. En septiembre de 2026, DeepMind publicó el AlphaGenome Atlas, un catálogo precalculado de las más de 9.000 millones de variantes de una sola letra posibles en el genoma humano, de aproximadamente 1 petabyte de tamaño —unas 30 veces la base de datos de AlphaFold, según reportó SiliconANGLE—. The Verge detalló que solo unos 9.000 investigadores habían usado la API desde el lanzamiento del modelo original, en parte porque exigía saber programar.
El interés comercial detrás de estas herramientas es enorme. Según un informe de ResearchAndMarkets difundido por Yahoo Finance, el mercado de inteligencia artificial para descubrimiento de fármacos estaba valorado en USD 3.100 millones en 2025 y proyecta USD 43.900 millones para 2035, con una tasa de crecimiento anual compuesta de 30,5%. El segmento de software concentró el 67,9% del mercado en 2025.
La competencia se movió rápido. Business Insider reportó en octubre de 2026 que Isomorphic Labs, la escisión de DeepMind liderada por Demis Hassabis, ya tiene acuerdos de investigación con Novartis, Johnson & Johnson y Eli Lilly. El mismo medio señaló que OpenAI presentó GPT-Rosalind en abril y firmó con Novo Nordisk y Moderna, mientras Anthropic se asoció con seis organizaciones de ciencias de la vida y apunta a ensayos en humanos hacia fines de 2028. El recordatorio incómodo: cerca del 90% de los candidatos a fármaco fracasan.
¿Qué significa esto para tu startup?
Si tu equipo trabaja en biotech, salud digital o investigación genómica, hay tres movimientos concretos que puedes evaluar esta semana:
- Prueba tu propio estado celular antes de gastar en laboratorio. Si ya tienes datos de ARN de célula única de tu línea de investigación, el modelo acepta esa información como condición sin que tengas que reentrenar nada. Puedes formular una hipótesis sobre variantes relevantes y usarla para decidir qué experimentos vale la pena financiar.
- Prioriza experimentos con la imputación entre modalidades. Cargar una sola medición y obtener predicciones de propiedades no medidas cambia la economía de un equipo pequeño: menos ensayos a ciegas y más foco en los candidatos con señal.
- Prepara tu flujo si trabajas con agentes. DeepMind anunció que lanzará AlphaGenome 2 Skills en Google Antigravity, su plataforma de desarrollo con agentes. Para equipos que ya construyen flujos de investigación automatizados, conviene revisar cómo integrar el modelo en su pipeline antes de que la disponibilidad se amplíe.
Ten en cuenta la puerta de entrada: el acceso sin costo es para investigación no comercial, y el uso comercial está en vista previa privada. Si tu startup es venture-backed, el camino pasa por esa lista.
Los límites que conviene tener presentes
DeepMind es explícito: AlphaGenome y AlphaGenome 2 son para uso en investigación y no han sido validados ni aprobados para fines clínicos o de diagnóstico. El propio equipo advierte que las predicciones no sustituyen la evidencia experimental.
La advertencia se profundizó con el Atlas. Žiga Avsec, responsable de genómica de DeepMind, señaló a SiliconANGLE que el modelo funciona bien en algunos tipos de variante, como las que afectan promotores o el empalme de ARN, y peor en otras, especialmente en enhancers, y que su precisión no es comparable a la que alcanzó AlphaFold en estructura de proteínas. Traducción para un founder: úsalo para orientar, no para concluir.
Conclusión
AlphaGenome 2 mueve la genómica computacional un escalón: del promedio de tejido a la célula concreta, y de la consulta puntual al modelo que se adapta a los datos que tú le traes. Para el ecosistema hispanohablante, donde los presupuestos de laboratorio son más ajustados que en los grandes hubs, ese tipo de herramienta gratuita para investigación vale más que cualquier titular. La ventana está abierta para quienes sepan formular la pregunta correcta.
Fuentes
- DeepMind — AlphaGenome 2: Deciphering how cells read DNA to better understand disease (fuente original)
- SiliconANGLE — Google DeepMind’s AlphaGenome Atlas maps all 9 billion possible human DNA changes
- The Verge — Google’s Atlas of the human genome could pave the way for new treatments
- HPCwire — Google DeepMind’s AlphaGenome Takes Aim at One of Genetics’ Biggest Problems
- Yahoo Finance / ResearchAndMarkets — AI in Drug Discovery Market Size, Share, Trends, and Forecast, 2026-2035
- Business Insider — Google spinoff Isomorphic Labs is in a race to shake up the long, painful road to cancer-beating drugs
- Nature — estudio sobre la variante reguladora del gen ETS2 en enfermedad inflamatoria intestinal
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →
