Escuchar este artículo
El ADN suele describirse como un manual de instrucciones, pero una buena parte de sus efectos depende de cuándo, dónde y cuánto se activa cada gen. En septiembre de 2026, Google DeepMind presentó AlphaGenome Atlas, un catálogo que reúne predicciones sobre cerca de nueve mil millones de cambios posibles de una sola letra en el genoma humano. La escala impresiona. La pregunta decisiva es qué significa exactamente “predecir” en este contexto.
Las regiones que no codifican proteínas también importan
El genoma humano contiene alrededor de tres mil millones de pares de bases. Cerca del dos por ciento codifica directamente proteínas; muchas regiones restantes ayudan a regular la actividad genética, aunque todavía no entendemos todas sus funciones. Una variación fuera de un gen puede modificar la unión de proteínas reguladoras, cambiar el procesamiento del ARN o alterar cuánto se expresa un gen en cierto tejido.
AlphaGenome, el modelo que alimenta el Atlas, fue descrito en un artículo de Nature publicado en enero de 2026. Recibe como entrada hasta un millón de pares de bases y predice miles de señales moleculares en distintos tipos celulares. En sus evaluaciones, obtuvo los mejores resultados en 22 de 24 tareas de predicción de señales genómicas y en 25 de 26 tareas de predicción del efecto de variantes. Son resultados comparativos en pruebas definidas por investigadores, no una medida de comprensión total del genoma.
Qué contiene el Atlas y cómo se usa
El Atlas precomputó el posible efecto regulador de las tres sustituciones de una letra que podrían aparecer en cada posición del genoma de referencia: cerca de nueve mil millones de variantes. El conjunto de predicciones ocupa alrededor de un petabyte. Para facilitar la exploración, incorpora una puntuación llamada AlphaGenome Variant Impact (AVI), que resume señales previstas en regiones codificantes y no codificantes.
En la práctica, una puntuación alta puede ayudar a investigadores a priorizar qué variantes estudiar primero. Eso es valioso cuando hay millones de posibilidades y los experimentos de laboratorio requieren tiempo y recursos. El anuncio de DeepMind describe aplicaciones de equipos externos, como priorizar una variante en una investigación de enfermedad rara o encontrar más asociaciones genéticas en datos de biobancos. Son ejemplos de uso reportados por la propia organización que desarrolla el modelo; deben leerse junto con la publicación científica y no como una validación clínica independiente de cada resultado.
El contexto celular también cuenta
Una secuencia no funciona aislada. La misma variación puede tener efectos diferentes según el tipo de célula, las proteínas disponibles y el momento del desarrollo. Los potenciadores, por ejemplo, son regiones que pueden ayudar a activar genes a distancia; para conectarlos con su gen objetivo hay que reconstruir una red de señales, no leer una sola letra en una tabla. AlphaGenome intenta aportar parte de ese contexto al procesar segmentos largos de ADN y producir predicciones para distintas señales moleculares.
El Atlas cambia además la escala práctica del trabajo. En lugar de calcular cada variante desde cero, un investigador puede consultar un repertorio precalculado y usarlo como filtro inicial para experimentos. Un petabyte de predicciones no equivale a un petabyte de observaciones biológicas: son resultados computacionales basados en datos experimentales previos y en un modelo. La distinción importa tanto como el tamaño del catálogo.
Una ruta responsable combina varias capas: predicción del modelo, evidencia observada en el tejido pertinente, estudios funcionales y, cuando se investiga una enfermedad, evaluación clínica y genética independiente. El valor está en ayudar a decidir qué comprobar, no en reemplazar esa comprobación.
Predicción no significa causa ni diagnóstico
El modelo estima consecuencias moleculares probables a partir de patrones aprendidos de datos experimentales. Una predicción puede sugerir que una variante altera el empalme del ARN o la expresión de un gen. Para saber si esa alteración ocurre en una persona concreta, en el tejido correcto y en una condición determinada, hacen falta más datos y, a menudo, experimentos adicionales.
El propio estudio de Nature
Un mapa útil, no el territorio completo
El avance puede cambiar el ritmo de la investigación: en lugar de probar cada variante a ciegas, los equipos pueden concentrar recursos en hipótesis mejor priorizadas. Pero el Atlas no convierte el “ADN oscuro” en una historia completamente descifrada. Un catálogo enorme puede contener predicciones inciertas, sesgos de los datos usados para entrenar el modelo y diferencias entre poblaciones o tejidos que todavía faltan por estudiar.
La pregunta de fondo es cómo integrar máquinas que detectan patrones a escala imposible para una persona con experimentos que comprueban qué ocurre realmente en células y organismos. Si cada predicción abre una prueba nueva, la IA puede acelerar la ciencia. Si una puntuación se toma como explicación final, el mapa se confunde con el territorio.
Fuentes para profundizar
- Avsec et al. (2026), artículo de investigación en Nature sobre AlphaGenome y la predicción del efecto regulador de variantes.
- Google DeepMind (8 de septiembre de 2026): presentación del AlphaGenome Atlas y sus casos de uso.
Actualizado el 26 de octubre de 2026. AlphaGenome Atlas se describe como herramienta de investigación; sus puntuaciones no constituyen diagnósticos médicos.