Skip to content
AlphaGenome 2, de Google DeepMind, presentado el 11 de noviembre de 2026, predice cómo actúan las variantes del ADN en tipos celulares concretos y, según las pruebas de la propia DeepMind, encuentra casi el doble de variantes causales que su predecesor
IA y tecnología

AlphaGenome 2, de Google DeepMind, presentado el 11 de noviembre de 2026, predice cómo actúan las variantes del ADN en tipos celulares concretos y, según las pruebas de la propia DeepMind, encuentra casi el doble de variantes causales que su predecesor

Ilustración de tuput

Español

El nuevo modelo recibe un millón de letras de ADN más un tejido, tipo celular o estado celular elegido, y predice la actividad génica para esa única condición. En un conjunto de prueba de células inmunitarias, DeepMind informa de que halló el 30 por ciento de las variantes causales frente al 16 por ciento de su modelo anterior. Las cifras son de la propia empresa y proceden de un preprint que no ha pasado revisión por pares.

· · 10 min de lectura

Google DeepMind presentó AlphaGenome 2 el 11 de noviembre de 2026, un modelo de inteligencia artificial que predice cómo un cambio en el ADN afecta a la actividad de los genes en un tipo celular elegido, como un macrófago del intestino o un linfocito T en reposo, en lugar de promediar todo un tejido. En una prueba construida con datos de células inmunitarias, DeepMind informa de que el modelo identificó el 30 por ciento de las variantes causales frente al 16 por ciento de su modelo anterior, lo que la empresa describe como casi el doble. El artículo en que se apoya es un preprint fechado el 17 de noviembre de 2026, es decir, publicado antes de la revisión por pares, y todas las cifras de rendimiento que siguen son de la propia DeepMind. A fecha de 19 de noviembre de 2026, ninguna de las páginas consultadas informa de una replicación independiente.

El modelo se ofrece a investigadores, no a médicos. DeepMind dice que es solo para uso en investigación y que no ha sido validado ni aprobado para fines clínicos o diagnósticos.

El mismo ADN, una lectura distinta

Todas las células del cuerpo llevan el mismo ADN, y cada tipo celular activa o apaga un conjunto distinto de genes. El anuncio de DeepMind describe el objetivo como predecir cómo las pequeñas diferencias del ADN cambian ese encendido y apagado en células concretas, algo que la empresa considera un motor clave de los rasgos y las enfermedades humanas. El Human Cell Atlas, un consorcio mundial fundado en 2016, está cartografiando la actividad génica de las células de todo el cuerpo, y su sitio web enumera más de 3.900 miembros de más de 1.700 institutos en más de 100 países.

La mayor parte del ADN no codifica proteínas. La entrada de DeepMind de junio de 2025 sobre el primer AlphaGenome dice que las regiones codificantes son el 2 por ciento del genoma, y que el otro 98 por ciento, la parte no codificante, dirige la actividad de los genes y alberga muchas variantes asociadas a enfermedades. Un predictor del efecto de variantes es un modelo que lee una secuencia de ADN con una letra cambiada y sin cambiar, e informa de lo que provoca el cambio. Los investigadores usan las puntuaciones para decidir qué variantes probar primero en el laboratorio.

El tipo celular importa porque una misma variante puede actuar en un tipo de célula y quedar muda en el siguiente. El estudio TenK10K, publicado en Nature y cuyos datos DeepMind usó como referencia, informa de que cerca de la mitad de los efectos genéticos sobre la expresión génica que encontró se observaron en un solo tipo celular o en unos pocos.

Qué hizo el primer AlphaGenome y qué dejaron abierto sus autores

El primer AlphaGenome, publicado en Nature el 28 de enero de 2026 (volumen 649, páginas 1206 a 1218), lee 1 millón de letras de ADN a la vez y predice miles de lecturas, desde la expresión génica hasta la accesibilidad de la cromatina (lo abierto que está el ADN a la maquinaria de la célula). El artículo dice que cubre 5.930 pistas humanas y 1.128 de ratón en 11 tipos de medición. Su resumen dice que igualó o superó a los mejores modelos externos disponibles en 25 de 26 evaluaciones del efecto de variantes. La entrada de DeepMind de 2025, escrita cuando el trabajo aún era un preprint, decía 24 de 26, así que el recuento válido es el de Nature. Más tarde el modelo se complementó con AlphaGenome Atlas, un catálogo de 1 petabyte que, según la página de producto de DeepMind, puntúa los nueve mil millones de cambios posibles de una sola letra en el genoma humano.

El artículo de Nature también enumera lo que el modelo aún no podía hacer. Sus autores escribieron que recapitular con precisión los patrones específicos de cada tejido entre contextos celulares, y predecir los efectos de variantes específicos de cada condición, siguen siendo difíciles. Entre las líneas futuras que citaron estaban integrar datos de célula individual y añadir la metilación del ADN, una marca química del ADN que influye en cómo se leen los genes. AlphaGenome 2 aborda ambas.

Una condición cada vez

DeepMind dice que el primer modelo producía salidas fijas y en paralelo para muchos tejidos y líneas celulares en una sola ejecución, lo que repartía su capacidad en exceso y dificultaba distinguir tipos celulares muy próximos. AlphaGenome 2 es un modelo condicional. Recibe la secuencia de 1 millón de letras junto con una condición, definida como un tejido, un tipo celular o un estado celular, y la introduce en cada etapa de la red. Así, el mismo tramo de ADN puede leerse de forma distinta para cada condición.

Un científico puede elegir la condición de dos maneras. Una es un catálogo de referencia; el tutorial de la documentación de AlphaGenome muestra 2.799 condiciones humanas admitidas. La otra es subir datos de ARN de célula individual del propio experimento del científico, que un codificador celular comprime en una representación del estado de la célula. El blog dice que bastan unas pocas docenas de células, y la documentación fija un límite de 256 células por llamada. Como el modelo separa el estado de una célula de sus salidas, una sola medición, como la actividad génica, le permite predecir otras no medidas, como la accesibilidad de la cromatina, y DeepMind dice que eso puede ayudar a los investigadores a decidir qué experimentos hacer a continuación. La metilación del ADN, que el blog llama una lectura muy solicitada, es nueva en esta versión.

Para el entrenamiento, DeepMind dice que usó datos de muestras humanas y de ratón, tanto de conjunto como de célula individual, incluidos más de 107 millones de perfiles de células individuales en 68 tejidos. La frase resumen del blog lo redondea a «más de 100 millones».

Qué informan el blog y el preprint

Todos los resultados que siguen son de los propios autores. En TenK10K, un mapa de célula individual de 28 tipos de células inmunitarias, el blog dice que AlphaGenome 2 identificó el 30 por ciento de las variantes causales frente al 16 por ciento, y el 43 por ciento de los efectos génicos direccionales (si una variante sube o baja un gen) frente al 23 por ciento, en comparación con el modelo original ajustado con datos de célula individual y con otras herramientas especializadas.

El preprint plantea una medida distinta. Su resumen dice que AlphaGenome 2 supera al AlphaGenome 1 ajustado y a modelos especializados entrenados con los conjuntos de datos de destino, «duplicando la exhaustividad de los eQTL causales de célula individual con una precisión del 90 por ciento». Un eQTL es una variante ligada a un cambio en cuánto se expresa un gen. La exhaustividad (recall) es la proporción de efectos causales reales que el modelo encuentra, y la precisión es la proporción de sus afirmaciones que son correctas, así que la afirmación consiste en hallar el doble de efectos reales manteniendo correctas nueve de cada diez predicciones. El «casi el doble» del blog y el «duplicando» del preprint son pruebas distintas y no deben leerse como una sola cifra.

El resumen añade que el modelo logra un vínculo entre potenciadores y genes de vanguardia, es decir, que asocia tramos lejanos de ADN regulador (potenciadores) con los genes que controlan, y que el equipo generó un atlas de vínculos entre potenciadores y genes y de puntuaciones para 7 millones de variantes comunes en cientos de tipos celulares humanos. El blog dice que las puntuaciones precalculadas cubren variantes asociadas a rasgos que van desde la estatura hasta la diabetes de tipo 2, y que, cuando el modelo tiene confianza, también predice si una variante sube o baja la actividad de un gen.

Sobre estados celulares no vistos, DeepMind describe una prueba con datos de un estudio de una vacuna de ARNm contra la COVID-19. Con datos de célula individual que no había visto, el modelo separó los linfocitos T activados por la vacuna de los que estaban en reposo, y predijo que una variante asociada a la COVID-19 grave altera con más fuerza la actividad génica en el estado activado. El blog no da ninguna puntuación numérica para este ejemplo.

Una prueba con respuesta conocida: ETS2

Un ejemplo tiene una respuesta que procede de trabajo de laboratorio independiente. En 2024, Stankey y sus colegas informaron en Nature de que un desierto génico del cromosoma 21 (un tramo largo sin genes propios) contiene un haplotipo, un bloque de variantes que se heredan juntas, asociado a la enfermedad inflamatoria intestinal y a otras tres afecciones, y de que el gen causal, ETS2, es un regulador central de los macrófagos inflamatorios. DeepMind dice que AlphaGenome 2, al hacer predicciones en distintos tipos de células inmunitarias del intestino, señaló la variante causal y mostró que aumentaba ETS2 en los macrófagos intestinales sin afectar apenas a otros tipos celulares ni a otros genes.

La viñeta de la documentación da el detalle. El mapeo fino estadístico reduce la señal de la enfermedad a siete variantes no codificantes que abarcan 1,2 kilobases. Una de ellas, rs2836882, ocupa el segundo lugar según ese método estadístico, pero el modelo predice que reduce con fuerza la expresión de ETS2 en macrófagos del íleon, la última parte del intestino delgado, y apenas ve efecto en la variante que encabeza la lista. Según la viñeta, ETS2 está a unas 289 kilobases, mientras que los genes más cercanos muestran un cambio insignificante, y el efecto está ausente en los linfocitos B, los linfocitos T y las células asesinas naturales. La viñeta dice que esto concuerda con experimentos de laboratorio con macrófagos primarios. Es un ejemplo trabajado escrito por el propio equipo de DeepMind.

Los datos de base

La referencia de células inmunitarias descansa en trabajo público. La fase 1 de TenK10K, publicada en Nature el 28 de octubre de 2026 (volumen 659, páginas 417 a 428), combina la secuenciación de ARN de célula individual de 5,4 millones de células de 1.925 personas con la secuenciación del genoma completo. Encuentra variantes probablemente reguladoras para el 83 por ciento de los 21.404 genes analizados. El artículo dice que halló 17.674 genes con variantes ligadas a la expresión frente a 16.987 en eQTLGen, el mayor estudio de sangre completa, con una muestra 15 veces menor.

Los participantes son 1.925 personas de ascendencia europea de dos cohortes australianas, y los autores escriben que harán falta, entre otras cosas, más avances en diversidad de ascendencias. Las fuentes abiertas para este artículo no nombran ningún conjunto de datos indio usado en AlphaGenome 2. La colección de referencia propia de la India se trata en el artículo de tuput sobre GenomeIndia, que secuenció a 10.074 personas de 83 grupos de población.

Acceso y qué viene después

AlphaGenome 2 está disponible para investigación no comercial mediante la API de AlphaGenome, con tutoriales interactivos en Colab para condicionar con datos de célula individual, y en vista previa privada para investigación comercial a través de Google Cloud. DeepMind dice que seguirán AlphaGenome 2 Skills para su espacio de trabajo Antigravity, y pidió a los investigadores que enviaran casos de uso antes del 30 de noviembre, con la posibilidad de que los proyectos seleccionados reciban cuota y créditos adicionales.

El blog incluye dos respaldos. Se cita a Sarah Teichmann, cofundadora del consorcio Human Cell Atlas, elogiando la capacidad del modelo para adaptarse a nuevos datos de célula individual sin reentrenamiento. Se cita a Peter Donnelly, director ejecutivo de Genomics Limited, diciendo que la empresa planea incorporarlo a su plataforma Mystra. La página de producto de DeepMind también informa de usos del primer modelo: un investigador del Broad Institute usó sus puntuaciones de variantes para encontrar una variante en el gen DNM1 que experimentos de laboratorio respaldaron después, y un equipo de la Universidad de Exeter redujo una región de 526 variantes candidatas a 4 en un estudio de más de 54.000 participantes del UK Biobank. Ambos relatos son de DeepMind.

YourStory, un medio tecnológico indio, repitió las cifras del 30 por ciento y el 16 por ciento y las atribuyó a DeepMind. Ninguna de las páginas consultadas para este artículo informa de una prueba del modelo por parte de alguien ajeno a DeepMind, y el preprint no había pasado revisión por pares a fecha de 19 de noviembre de 2026.

Share
Copied!

Fuentes y lecturas adicionales

  1. Google DeepMind (Adam Gayoso, Natasha Latysheva, Pushmeet Kohli, Ziga Avsec), 11 November 2026: AlphaGenome 2, deciphering how cells read DNA to better understand disease
  2. Gayoso A et al., AlphaGenome 2 predicts regulatory activity and variant effects across cell states, preprint first published 17 November 2026 (Europe PMC record PPR1371267, not peer reviewed)
  3. Google DeepMind, 25 June 2025 (updated January 2026): AlphaGenome, AI for better understanding the genome
  4. Google DeepMind: AlphaGenome product page (AlphaGenome 2, AlphaGenome Atlas and case studies)
  5. Avsec Z et al., Advancing regulatory variant effect prediction with AlphaGenome, Nature 649, 1206 to 1218 (published 28 January 2026)
  6. PubMed record and abstract, Avsec et al., AlphaGenome, Nature 649:1206 (PMID 41606153)
  7. Cuomo ASE et al., Rare and common genetic variants shape single-cell immune gene expression (TenK10K phase 1), Nature 659, 417 to 428 (published 28 October 2026)
  8. PubMed record and abstract, Stankey CT et al., A disease-associated gene desert directs macrophage inflammation through ETS2, Nature 630:447 (2024) (PMID 38839969)
  9. AlphaGenome documentation: Fine-mapping the ETS2 locus (AlphaGenome 2 vignette)
  10. AlphaGenome documentation: Choosing a condition (AlphaGenome 2 tutorial)
  11. Human Cell Atlas: What is the Human Cell Atlas (mission and consortium figures)
  12. YourStory: Google DeepMind unveils AlphaGenome 2 to study DNA changes

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

#alphagenome#google deepmind#genomics#single-cell biology#variant effect prediction#gene regulation#non-coding dna#tenk10k

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en IA y tecnología
Seis empresas chinas de IA fueron sorprendidas copiando los mejores modelos de Estados Unidos. La solucion de Washington: hacer que sus respuestas empeoren en silencio.
Una alerta de seguridad de Estados Unidos acusa a seis empresas chinas de IA de copiar modelos estadounidenses y recomienda darles respuestas peores en silencio. Ademas, el atlas de DeepMind de cada mutacion posible del ADN humano, el lanzamiento del iPhone centrado en IA de Apple, y la mayor expansion ferroviaria de la India hasta la fecha.
Google dio Gemini 4 Carbon a los defensores cibernéticos el 28 de octubre de 2026 y a los desarrolladores de pago el 10 de noviembre, y Anthropic y OpenAI también lanzan por niveles sus modelos más potentes
Tres laboratorios dejan ahora que los equipos de seguridad verificados usen sus modelos más capaces antes que el resto, o con menos límites. Esto es lo que publicó cada uno, la razón que da y cuáles de los números son de los propios fabricantes.
Anthropic entrenó un autocodificador de 34 millones de rasgos en Claude 3 Sonnet, Google DeepMind relegó después la investigación fundamental sobre ese método, y los grafos de atribución de Anthropic dieron una explicación en una cuarta parte de las consignas
Los investigadores ya pueden cambiar un concepto por otro dentro de un modelo de lenguaje y ver cómo cambia la respuesta. Los mismos artículos dicen, con sus propias palabras, qué poco de un modelo abarca eso y dónde fallan las herramientas.
← todos los artículos