DeepMind publica AlphaGenome Atlas con 9.000M de variantes

DeepMind pone a disposición del público AlphaGenome Atlas, un mapa predictivo del genoma

Google DeepMind publicó esta semana AlphaGenome Atlas, una base de datos que contiene predicciones sobre los efectos de los aproximadamente 9.000 millones de variantes de un solo nucleótido posibles en el genoma humano. El recurso suma alrededor de 1 petabyte de datos precomputados por el modelo AlphaGenome, que la propia DeepMind lanzó en 2025 y que, según la compañía, ya fue consultado por unos 9.000 investigadores a través de su API.

El anuncio llega cuando el sector de la genómica con IA atraviesa una fase de fuerte inversión. Según datos de Crunchbase, más de US$6.000 millones se han destinado en 2026 a biotechs con foco en IA, con Isomorphic Labs (US$2.100M Serie B), Earendil Labs (US$787M) y Chai Discovery (US$400M Serie C, valoración de US$3.800M) como operaciones más grandes del año.

Qué cambia respecto al modelo AlphaGenome original

El modelo AlphaGenome entregaba predicciones útiles, pero exigía programar. El nuevo Atlas elimina esa barrera: ofrece un portal web sin código y un único número agregado, el AlphaGenome Variant Impact (AVI) score, que combina en una sola métrica las predicciones para regiones codificantes y no codificantes del genoma.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

DeepMind aclara que el recurso es gratuito para uso no comercial. La inspiración explícita es la base de datos de AlphaFold, que según la propia DeepMind acumula más de 200 millones de predicciones de estructuras de proteínas y ha sido consultada por millones de personas.

Casos de uso que ya muestran resultados

El equipo de DeepMind y colaboradores académicos documentaron tres aplicaciones tempranas del Atlas:

Enfermedades raras: Laura Covill y su equipo del Broad Institute usaron el AVI score para priorizar variantes en un caso no resuelto. La herramienta señaló una variante crítica en el gen DNM1, prediciendo que generaba un sitio de splicing incorrecto, evidencia que contribuyó a cerrar el caso.
Rasgos complejos: Dr. Gareth Hawkes aplicó el Atlas a datos de más de 54.000 participantes del UK Biobank. Al agrupar variantes según efecto molecular predicho, identificó 22% más asociaciones genéticas en regiones no codificantes y descubrió 19 regiones genéticas ligadas al índice de masa corporal (BMI).
Mapeo de motivos de ADN: el equipo de DeepMind usó el Atlas para inferir funciones de miles de motivos cortos de ADN en distintos tipos celulares, en un trabajo que Julia Zeitlinger (Stowers Institute) describió como un "diccionario consultable para el ADN no codificante".

Martin Kircher, bioinformático del Max Delbrück Centre de Berlín, valoró el enfoque como "una forma útil y generosa de escalar el acceso a un modelo potente", aunque advirtió que no reemplaza la experimentación ni el análisis clínico individual.

El contexto competitivo de DeepMind en 2026

El lanzamiento ocurre en un momento de reorganización interna en DeepMind. Según reportó Financial Times en julio, la mayoría de los autores originales de los papers de AlphaFold fueron reasignados en el último año, y alrededor de un cuarto de los autores全职 dejó la empresa. John Jumper, Nobel de Química 2024 por AlphaFold, anunció su salida hacia Anthropic. Pushmeet Kohli, VP de investigación de DeepMind, explicó al FT que la estrategia evolucionó de "grandes desafíos aislados" hacia "sistemas potenciados por Gemini que ayuden a los científicos", en línea con la competencia con OpenAI y Anthropic.

En paralelo, competidores académicos ya muestran que el terreno no está cerrado: en junio, Virginia Tech publicó en Nature Methods el método RNAbpFlow, que según la universidad alcanzó resultados comparables a AlphaFold 3 en predicción de estructuras de ARN, usando menos datos y técnicas de flow matching.

Qué significa esto para tu startup

Si trabajas en biotech, salud digital o análisis de datos genómicos, AlphaGenome Atlas cambia tres reglas del juego:

El costo de generar predicciones cae a cero. Antes necesitabas infraestructura para correr AlphaGenome sobre cada genoma; ahora consultas un portal. Esto reduce la barrera de entrada para startups pequeñas y laboratorios académicos en LATAM y España que antes no podían costear cómputo a esa escala.
El mercado está en pleno crecimiento. Según el reporte "AI in Genomics Market Report 2026" de Research and Markets, el mercado pasó de US$1.510 millones en 2025 a US$2.180 millones en 2026 (CAGR 44,6%) y proyecta US$9.320 millones para 2030. Es una ventana abierta para herramientas de interpretación clínica, variantes raras y drug discovery.
La capa de aplicación vale más que el modelo. El AVI score es, en esencia, un producto de UX sobre un modelo existente. Founders que entiendan dominios clínicos específicos (oncología, cardiología, neurología) pueden construir wrappers, paneles de priorización o integraciones con historiales clínicos electrónicos que aprovechen Atlas como infraestructura básica.

Dos acciones concretas para founders

Audita tu pipeline genómico: si tu startup usa AlphaGenome vía API hoy, evalúa migrar a Atlas para reducir costos de cómputo y acelerar prototipos. Si no usas genómica, identifica qué datasets públicos similares (Atlas, AlphaFold, UK Biobank) podrían alimentar un MVP en tu vertical.
Construye sobre el AVI score, no contra él: el score prioriza variantes, pero no las valida. Hay espacio de mercado para startups que ofrezcan validación experimental, integración con EHR (historiales clínicos electrónicos) o interfaces específicas por enfermedad. La diferenciación estará en el dominio clínico, no en el modelo.