AlphaGenome 2: DeepMind predice mutaciones por célula

Qué es AlphaGenome 2 y en qué se diferencia de su predecesor

Google DeepMind entrenó AlphaGenome 2 con más de 100 millones de perfiles celulares individuales repartidos en 68 tejidos. Ese es el dato que separa a este modelo de su antecesor: no mira el genoma como un bloque uniforme, sino que predice el efecto de una variante genética en tipos y estados celulares concretos.

El punto de partida es un hecho conocido de biología. Casi todas las células del cuerpo llevan el mismo ADN, pero una célula de músculo cardíaco, una de piel y un linfocito que combate una infección activan genes distintos, y esos patrones cambian según lo que la célula esté haciendo. Por eso la misma variante puede tener efectos muy diferentes según el tipo y el estado celular.

Según Google, AlphaGenome 2 identifica casi el doble de variantes capaces de alterar la expresión génica que el modelo anterior, que era el estado del arte hasta ahora. El anuncio se publicó en un blog de la compañía y fue reportado por The Verge.

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 →

Por qué la granularidad celular cambia el juego en drug discovery

Žiga Avsec, responsable de genómica de DeepMind, explicó la relevancia práctica del modelo con una frase directa: «Cuando desarrollas fármacos, estás atacando proteínas específicas y tipos celulares específicos». Esa especificidad es justamente lo que un modelo de genoma de grano grueso no puede dar.

Adam Gayoso, científico de investigación de DeepMind involucrado en el proyecto, señaló que el gran avance está en «atar la genética humana a la biología celular». En términos operativos: el modelo permite tomar variantes detectadas en estudios poblacionales grandes y bajar al nivel celular para ver qué efecto podrían estar teniendo, y desde ahí conectarlas con una enfermedad.

Hay tres capacidades que conviene retener:

Predice tipos celulares nuevos sin reentrenamiento. El modelo puede hacer inferencias sobre tipos de células y estados biológicos que no estaban representados en su entrenamiento.
Detecta huecos en los datos experimentales. Puede señalar dónde falta evidencia, lo que ayuda a decidir qué vale la pena investigar primero en el laboratorio.
Aporta resolución donde antes había ruido estadístico. Al separar variantes por efecto molecular predicho, señales que se perdían entre el ruido se vuelven visibles.

Cómo se conecta con el Atlas que DeepMind publicó en septiembre de 2026

En septiembre de 2026, DeepMind lanzó AlphaGenome Atlas, un dataset de aproximadamente 1 petabyte con predicciones para más de 9.000 millones de cambios de una sola letra en el genoma humano, según la cobertura de HPCwire. El recurso es gratuito para uso no comercial a través del sitio web y la API, con acceso comercial previsto en Google Cloud.

El Atlas introdujo además el AlphaGenome Variant Impact (AVI) score, que combina predicciones de AlphaGenome, AlphaMissense y datos de conservación evolutiva en un solo número para rankear variantes, tanto en el 2% del genoma que codifica proteínas como en el 98% que no lo hace.

Los casos de uso ya documentados dan una idea del potencial:

University of Exeter: el investigador Gareth Hawkes aplicó el Atlas a datos de más de 54.000 participantes del UK Biobank y encontró 22% más asociaciones genéticas no codificantes que antes quedaban ocultas en el ruido estadístico.
Broad Institute con el consorcio GREGoR: usaron el AVI score para priorizar una variante no codificante en el gen DNM1, asociado a encefalopatía epiléptica. El modelo predijo que la variante creaba un sitio de splicing de ARN incorrecto, y los experimentos posteriores validaron esa predicción.

Avsec aclaró que AlphaGenome 2 no reemplaza al modelo anterior. Sus predicciones más detalladas tienen un costo computacional mayor y son «más caras» de producir, lo que habría hecho impracticable generar el Atlas genome-wide con él.

Qué significa esto para tu startup

Si trabajas en biotech, healthtech o en cualquier negocio que dependa de datos biológicos, este anuncio abre tres frentes concretos.

1. Ya puedes probar el modelo sin costo de licencia. Google puso AlphaGenome 2 disponible para investigación no comercial a través de la AlphaGenome API, con una «private preview» limitada para investigación comercial. Si tu equipo tiene una hipótesis sobre una variante concreta, el camino más rápido es validarla computacionalmente antes de gastar en experimentos de laboratorio.

2. Usa el modelo como filtro, no como respuesta. Ni el Atlas ni AlphaGenome 2 dicen qué variante causa una enfermedad. Lo que hacen es decirte cuáles vale la pena testear primero. Para una startup con presupuesto de I+D acotado, eso es directamente ahorro: menos experimentos descartados y más foco en las hipótesis con mayor probabilidad de dar señal.

3. Vigila el acceso comercial. El uso comercial del Atlas está anunciado para Google Cloud y el de AlphaGenome 2 está en preview privada. Si tu modelo de negocio depende de genómica a escala, conviene posicionarse temprano en esas listas: el acceso suele llegar primero a quienes ya están en conversación con el proveedor.

Los límites que conviene tener claros

El propio DeepMind es explícito: las predicciones del Atlas están pensadas para apoyar investigación y no han sido validadas ni aprobadas para uso clínico, según el comunicado difundido junto al lanzamiento. Cualquier producto que se apoye en ellas necesita validación experimental propia.

A eso se suma el costo computacional, que es la razón por la que ambos modelos conviven en lugar de reemplazarse. Y está el contexto competitivo: Anthropic ha experimentado con diseño de fármacos y le dio a Claude acceso a un laboratorio húmedo, mientras OpenAI avanza sobre problemas abiertos de matemáticas, según el reporte de The Verge. En el terreno de la biología estructural, el antecedente que marcó el estándar es AlphaFold, el modelo de predicción de estructura de proteínas que le valió a Demis Hassabis y John Jumper el Premio Nobel de Química de 2024.

Avsec adelantó además que las próximas versiones podrían entrenarse con datos «de múltiples especies» y que, en el largo plazo, modelos como AlphaGenome 2 podrían alimentar esfuerzos por crear «células virtuales»: simulaciones digitales que imiten sistemas biológicos.

Conclusión

AlphaGenome 2 no es un salto de marketing: es la capa de resolución celular que le faltaba a un modelo que ya era referencia. Para un founder del ecosistema biotech, la lectura práctica es que el cuello de botella se está moviendo. Antes el problema era generar datos; ahora el problema es elegir bien qué experimento hacer con ellos. Las startups que sepan usar estos modelos como filtro de priorización —y no como oráculo— van a convertir el mismo presupuesto de I+D en más hallazgos.