Qué es AlphaGenome y qué puede predecir sobre tu ADN

Solemos hablar de la IA que escribe textos o crea imágenes, pero a mí lo que está pasando en biología me parece todavía más impactante. Hasta hace muy poco, los científicos podían leer el ADN y sabían qué letras lo componían, pero gran parte de esa información seguía siendo opaca: no se sabía bien qué hacía.

AlphaGenome es una inteligencia artificial capaz de predecir cómo funciona el ADN y qué consecuencias tiene un pequeño cambio en él. En concreto, estima con mucha precisión cómo esos cambios mínimos pueden alterar los procesos que regulan los genes, algo que antes requería años de experimentación en un laboratorio.

La diferencia está en cuánto puede mirar a la vez. La tecnología anterior solo analizaba trocitos muy pequeños de ADN, como si intentaras entender una novela leyendo frases sueltas. AlphaGenome procesa bloques de hasta un millón de letras genéticas de una sola vez, y con esa visión completa puede unir piezas que están muy separadas en el ADN y que antes parecían no tener relación.

No es la primera IA que trabaja con ADN. Antes había herramientas potentes, pero todas tenían que sacrificar algo:

• Especialistas muy precisos en una sola tarea concreta, como SpliceAI.
• Generalistas como Enformer o Borzoi, que abarcaban mucho terreno pero lo veían todo borroso, porque perdían los detalles finos al agrupar la información.

AlphaGenome es lo que se llama un modelo unificado: mira secuencias gigantescas, ese millón de letras, y además lo hace con detalle. Esa combinación es la que permite detectar causas de enfermedades complejas que antes se escapaban.

Por dentro usa una arquitectura híbrida. Por un lado, redes convolucionales, muy buenas para detectar detalles y patrones locales. Por otro, la tecnología Transformer, la misma que usan modelos de lenguaje como ChatGPT o Gemini. Juntas le permiten relacionar una causa y un efecto separados por miles de letras de distancia.

Es fácil confundirlos, y conviene separarlos bien:

• AlphaFold se encarga de la estructura: te dice qué forma en 3D va a tener una proteína.
• AlphaGenome se encarga de la actividad: no te dice la forma de la proteína, sino cuándo se va a fabricar, cuánta cantidad se va a producir y en qué momento la necesita la célula.

Dicho en corto: AlphaFold define la forma y AlphaGenome define el comportamiento.

Solo el 2 % del genoma sirve para crear proteínas directamente. Al otro 98 % antes se le llamaba «ADN basura»; hoy se sabe que es más bien la materia oscura del genoma, y que ahí se esconden muchas de las variantes asociadas a enfermedades complejas.

Descifrar ese 98 % era extremadamente complicado. Ahí es donde AlphaGenome aporta más, porque ayuda a predecir qué función podría tener cada pequeña variante dentro de ese mar de información.

Para comprobar el modelo, en Google DeepMind usaron casos reales de enfermedades como la leucemia. Ya se sabía que ciertas mutaciones en regiones no codificantes acaban activando un gen que impulsa el cáncer. AlphaGenome, analizando esa secuencia, predijo correctamente que esas mutaciones alteraban la regulación y terminaban encendiendo ese gen. Eso indica que la herramienta puede señalar mecanismos de enfermedad que, de otra forma, no se verían sin mucha experimentación previa.

La otra característica que me parece más importante es el zero-shot: que funcione con casos que nunca ha visto. Hasta ahora la genética dependía mucho de un catálogo de errores conocidos: si una mutación ya estaba registrada, se sabía qué hacía. Con una variante nueva, no. AlphaGenome puede estimar su impacto aunque no esté catalogada, comparando sus predicciones para la secuencia normal con las de la secuencia mutada. Como ha aprendido los patrones generales, puede avisar de que un cambio, aunque sea nuevo, tiene toda la pinta de romper el funcionamiento de un gen.

DeepMind ha hecho accesible AlphaGenome mediante una API gratuita para investigación no comercial, y ha publicado el código y la documentación para que la comunidad científica aprenda a usarlo. Así, investigadores de cualquier parte del mundo pueden aprovechar su potencia de cálculo sin tener superordenadores propios.

El salto es pasar de leer el código genético a predecir sus efectos con mucha más precisión, y eso abre la puerta a diseñar intervenciones médicas y biológicas con más seguridad. Todavía hará falta mucha más validación, pero herramientas como esta nos permiten pasar de ser observadores de la biología a ingenieros de la vida.