Google DeepMind presentó el 11 de noviembre AlphaGenome 2, un modelo que predice cómo afectan los cambios genéticos a distintos tipos y estados celulares. En la prueba TenK10K, identificó el 30% de las variantes causales, frente al 16% de la versión original de AlphaGenome tras ajustarla con datos de célula única. Se trata de resultados de un ensayo de investigación, no de una medida de precisión diagnóstica ni de una estimación del riesgo de enfermedad de una persona.
Para los investigadores, el modelo puede ayudar a relacionar señales genéticas con las células en las que actúan y a acotar qué experimentos realizar después. Las mediciones de un tejido completo muestran cambios generales, pero pueden ocultar diferencias entre células. Si una variante solo tiene efecto en un tipo celular concreto, el promedio del tejido quizá no permita identificar dónde se produce.
Predicciones ajustadas al tipo y estado celular
El AlphaGenome original generaba un conjunto fijo de predicciones para distintos tejidos y experimentos a partir de secuencias de ADN de hasta aproximadamente un millón de letras. AlphaGenome 2 permite especificar el contexto de interés —por ejemplo, un tejido, un tipo de célula o un estado celular— e incorpora esa información al analizar la secuencia. DeepMind sostiene que este enfoque busca detectar efectos específicos de ciertas células que las mediciones más amplias del tejido pueden pasar por alto.
El modelo se entrenó con datos de humanos y ratones, tanto de tejido en conjunto como de célula única, que abarcan más de 107 millones de perfiles celulares, según la empresa. Los investigadores también pueden aportar datos de actividad génica de célula única para obtener predicciones adaptadas a estados celulares recién observados, sin volver a entrenar el modelo. Además, AlphaGenome 2 puede predecir características que no se hayan medido directamente, lo que ayuda a proponer hipótesis para comprobar en el laboratorio.
La evaluación TenK10K incluyó 28 tipos de células inmunitarias primarias. DeepMind indicó que AlphaGenome 2 identificó el 30% de las variantes causales, frente al 16% del modelo original tras ajustarlo con datos de célula única. La comparación corresponde a este ensayo concreto: no constituye una validación clínica ni demuestra que el sistema pueda predecir la probabilidad de que una persona desarrolle una enfermedad.
El ejemplo de ETS2 reproduce un mecanismo intestinal conocido
DeepMind presentó también un caso relacionado con una enfermedad intestinal. El modelo reprodujo mediante computación un mecanismo descrito en investigaciones anteriores: una variante reguladora eleva la actividad de ETS2 en los macrófagos intestinales, un tipo de célula inmunitaria. En este ejemplo, AlphaGenome 2 identificó la variante y predijo que su efecto sobre ETS2 se concentraba en los macrófagos, con efectos limitados en otros tipos celulares y genes.
AlphaGenome 2 no fue el primero en descubrir ese mecanismo. En 2024, investigadores del Imperial College London, el Francis Crick Institute y University College London relacionaron una región reguladora activa en los macrófagos con un aumento de la actividad de ETS2 y de la función inflamatoria. El caso muestra que el modelo puede reproducir computacionalmente un hallazgo biológico ya existente, pero no establece una nueva causa de enfermedad.
A 11 de noviembre, DeepMind ofrecía AlphaGenome 2 mediante una API para investigación no comercial. El acceso para investigación comercial seguía en fase de prueba privada. La empresa señala que sus modelos AlphaGenome están destinados a la investigación y no han sido validados ni aprobados para uso clínico o diagnóstico. Por ahora, las predicciones por tipo y estado celular pueden ayudar a seleccionar hipótesis experimentales, pero todavía deben comprobarse mediante pruebas adicionales.