Un cambio mínimo en el ADN puede pasar inadvertido o alterar funciones básicas de una célula. Entre esos dos extremos se mueve una de las preguntas más difíciles de la genética moderna. Para abordar este desafío, Google DeepMind presentó AlphaGenome Atlas, un mapa predictivo con los efectos potenciales de 9.000 millones de variantes de una sola letra del genoma humano, una escala que hasta hace poco quedaba fuera del alcance práctico de la investigación. La novedad no reside solo en el volumen, sino en convertir esa masa de cálculos en una herramienta consultable, con una puntuación que ayuda a separar qué mutaciones merecen atención inmediata.
La propuesta parte de un problema conocido. El genoma humano contiene cerca de 3.000 millones de posiciones y, en cada una, la letra presente puede cambiar por cualquiera de las otras tres, abriendo un espacio inmenso de variantes posibles. Algunas no provocan efectos detectables, mientras que otras modifican la actividad de los genes, alteran el procesamiento del ARN o cambian la forma en que el ADN queda accesible dentro de la célula. En ciertos casos, esas alteraciones se vinculan con enfermedades. Sin embargo, comprobar una por una en el laboratorio exige una cantidad de tiempo y recursos imposible de sostener.
Para resolver este cuello de botella, DeepMind trasladó las predicciones de su modelo AlphaGenome a la escala completa del genoma y las reunió en un atlas abierto desde la web, la API y la herramienta Antigravity. Según la compañía, el conjunto ocupa cerca de un petabyte de datos, unas treinta veces más que la base que impulsó el despliegue de AlphaFold en proteínas. Si AlphaFold cambió la investigación biomolecular al ofrecer estructuras predichas listas para consultar, AlphaGenome Atlas aspira a cumplir una función parecida en genética regulatoria. El desarrollo fue destacado por el médico cardiólogo estadounidense Eric Topol a través de la red social X.
El sistema se basa en el modelo AlphaGenome, presentado antes por DeepMind para analizar fragmentos concretos de ADN y anticipar múltiples consecuencias moleculares de una variante. Aunque ese modelo ya podía estimar efectos sobre expresión génica y accesibilidad de la cromatina, aplicarlo a un genoma completo exigía una capacidad computacional que la mayoría de los equipos no tenía a mano. El atlas resuelve esa barrera con predicciones precalculadas para todas las sustituciones posibles de una sola base, permitiendo a los investigadores revisar resultados listos para usar sin esperar el procesamiento de cada caso.
Žiga Avsec, líder del equipo de AlphaGenome, señaló que el acceso instantáneo expresa el salto principal de esta etapa, al ofrecer una infraestructura pensada para que más laboratorios puedan trabajar con sus salidas. El atlas incluye miles de predicciones sobre efectos moleculares en distintos tejidos y tipos celulares de humano y ratón, abarcando tanto regiones que codifican proteínas como zonas no codificantes, donde se juega buena parte de la regulación genética.
Para simplificar esa complejidad, DeepMind sumó una nueva métrica llamada AlphaGenome Variant Impact (AVI). Esta puntuación combina las capacidades de AlphaGenome con las de AlphaMissense para ofrecer un valor único que resume el posible impacto biológico de una variante, ayudando a ordenar prioridades sin revisar manualmente miles de salidas por separado. La iniciativa también incorpora más de 100 millones de inserciones o deleciones cortas observadas en genomas humanos, sumando relevancia para estudios reales.
Los primeros ejemplos de aplicación apuntan a la utilidad de la herramienta en casos reales. En colaboración con investigadores del Broad Institute, el uso de AVI permitió priorizar variantes en casos de enfermedades raras sin diagnóstico clínico claro, localizando una alteración en el gen DNM1 —asociado con una forma grave de epilepsia— que había quedado fuera de foco en análisis anteriores. Pruebas de laboratorio posteriores confirmaron la hipótesis generada por la predicción.
En otro caso, Gareth Hawkes, del Medical Research Council en la Universidad de Exeter, aplicó el atlas a datos genómicos de más de 54.000 personas del Reino Unido y detectó un 22% más de asociaciones genéticas que en análisis previos al agrupar variantes según su efecto molecular predicho. Asimismo, en el estudio del ADN no codificante, investigadores mapearon miles de motivos que influyen sobre la activación o represión de genes, logrando lo que la bióloga molecular Julia Zeitlinger definió como "un diccionario consultable para el ADN no codificante".
Este desarrollo representa un paso más en la línea de continuidad de DeepMind, que previamente presentó modelos como Enformer en 2021 y AlphaMissense en 2023. No obstante, expertos como el bioinformático Martin Kircher advierten que el recurso no reemplaza los experimentos ni el examen puntual de cada caso clínico. La propia compañía aclaró que AlphaGenome no cuenta con validación para uso clínico, recordando que una predicción poderosa no equivale a una prueba definitiva, sino a un mapa que ordena posibilidades y prioridades antes de la validación experimental.
