AlphaGenome Atlas: DeepMind precalcula el efecto de 9.000 millones de mutaciones genéticas posibles

Google DeepMind ha publicado AlphaGenome Atlas, una base de datos gratuita que contiene predicciones sobre cómo afectaría a la biología molecular cada uno de los 9.000 millones de cambios posibles de una sola letra en el genoma humano. Es, según la propia compañía, el catálogo más completo jamás creado sobre cómo las mutaciones genéticas afectan a la biología a nivel molecular. Pero varios expertos externos consultados por Live Science advierten de que la herramienta, aunque útil, todavía no puede responder a las grandes preguntas de la genética por sí sola.

El problema que intenta resolver

El ADN humano tiene unos 3.000 millones de letras, pero solo el 2% codifica proteínas directamente. El 98% restante funciona como un centro de control que determina cuándo y dónde se activan los genes, y ahí es donde se concentra la mayoría de las variaciones asociadas a enfermedades y características humanas. Probar en laboratorio cada una de las mutaciones posibles de una sola letra es sencillamente inviable, así que Atlas ya ha hecho ese trabajo estadístico de antemano y guarda los resultados en una base de datos de aproximadamente un petabyte.

Cómo funciona y qué hay detrás

Atlas se construye sobre AlphaGenome, el modelo de aprendizaje profundo que DeepMind lanzó en junio de 2025 y que permite a los investigadores explorar cómo un cambio en un solo par de letras de ADN puede influir en hasta un millón de pares de código circundante, un alcance mucho mayor que el de los modelos anteriores. Para ayudar a los científicos a priorizar entre tantos resultados, DeepMind introduce además la puntuación AVI (AlphaGenome Variant Impact), que combina las predicciones de AlphaGenome con las de AlphaMissense, otro modelo de la propia compañía, condensando ambas en un solo número fácil de interpretar.

Casos reales de uso antes del lanzamiento

Tres grupos de investigación probaron Atlas antes de su publicación pública el 8 de septiembre. En enfermedades raras, Laura Covill y Anne O’Donnell-Luria, del Instituto Broad, trabajando con el consorcio GREGoR, usaron la puntuación AVI para repriorizar variantes que análisis anteriores habían pasado por alto. La puntuación sacó a la luz una variante en el gen DNM1, muy relacionado con la encefalopatía epiléptica: las predicciones de AlphaGenome mostraban el mecanismo exacto, un sitio de corte y empalme incorrecto que alargaba de forma anormal la proteína resultante, algo que después se validó mediante pruebas experimentales de laboratorio. En genética de poblaciones, Gareth Hawkes, de la Universidad de Exeter, aplicó Atlas a datos de genoma completo de más de 54.000 participantes del UK Biobank.

La advertencia de los expertos

Greg Findlay, líder de grupo en el Instituto Francis Crick de Londres y no implicado en el proyecto, reconoció el avance pero matizó que la herramienta, aunque supone un paso adelante, todavía no puede responder a todas las grandes preguntas de la genética. Tuuli Lappalainen, cuyo laboratorio lleva un año usando AlphaGenome para estudiar los efectos de la variación genómica, coincide en que se trata de un punto de partida útil, no de una respuesta definitiva. Según Scientific American, la base de Atlas es 30 veces mayor que la de AlphaFold, la famosa base de datos de estructuras de proteínas de DeepMind, pero es también bastante menos precisa: está pensada como un punto de partida para la investigación, no como una fuente de conclusiones cerradas.

Un matiz importante sobre el acceso

A diferencia de AlphaFold, que era gratuita para cualquier uso, algo que generó cierta tensión interna en Google, el uso comercial de AlphaGenome Atlas, por ejemplo por parte de empresas farmacéuticas, requerirá licencia a través de Google Cloud. El acceso académico y no comercial, en cambio, sigue siendo gratuito a través de un portal web y una interfaz de programación. DeepMind insiste además en que Atlas es una herramienta de investigación, no de diagnóstico, y no cuenta con ninguna aprobación clínica: cualquier predicción que se obtenga deberá validarse después en el laboratorio, como ocurrió en el caso del gen DNM1.

Qué implica en la práctica

• Para investigadores de enfermedades raras: permite repriorizar variantes genéticas sospechosas mucho más rápido que analizando cada una por separado con el modelo original.
• Para la comunidad científica en general: el acceso gratuito para uso académico reduce la barrera de entrada a una tecnología que antes exigía ejecutar el modelo variante por variante.
• Para cualquier resultado obtenido: conviene tratarlo siempre como una hipótesis de partida que necesita validación experimental, nunca como una conclusión clínica cerrada.

Nuestra lectura

Lo más valioso de Atlas no es que resuelva la genética de un plumazo, sino que convierte un cálculo antes inviable, precomputar el efecto de 9.000 millones de variantes posibles, en una consulta instantánea para cualquier investigador con acceso a internet. El caso del gen DNM1 muestra que puede acelerar de verdad el diagnóstico de enfermedades raras. Pero la advertencia de expertos independientes como Findlay es la misma que debería aplicarse a cualquier herramienta de IA en biomedicina: acelerar la generación de hipótesis no sustituye la validación experimental que confirma si esas hipótesis son correctas.

Fuentes: Live Science, anuncio oficial de Google DeepMind, Scientific American y MarkTechPost.