La respuesta corta

Google DeepMind ha publicado lo que llama AlphaGenome Atlas: un "mapa predictivo de todos los cambios posibles de una letra del ADN en el genoma humano". El catálogo abarca 9.000 millones de variantes y el conjunto de datos ronda 1 petabyte.

Pero conviene fijar una distinción desde el principio: no es un catálogo de mediciones sino de predicciones. Cada fila es la estimación de un modelo de que "si esta letra cambia, esto ocurre a nivel molecular". Este texto explica qué es el mapa y por qué esa distinción lo decide todo.

Primero lo básico: ¿qué es un genoma y qué es una variante?

El ADN se escribe con cuatro "letras" químicas: A, C, G y T. El genoma humano contiene unos 3.000 millones de pares de letras. Esas letras llevan las instrucciones que hacen funcionar la vida: cómo, cuándo, dónde y en qué medida se encienden y apagan los genes.

Un cambio en una sola letra se llama variante. Una variante puede ser una de tres cosas: totalmente inofensiva, un factor de las diferencias corrientes entre personas, o un elemento que interviene en una enfermedad. Una de las grandes dificultades del campo es precisamente esa: distinguir qué cambio importa y de qué manera.

¿Por qué la escala es tan dura? En cada una de esos 3.000 millones de posiciones la letra puede convertirse en una de otras tres. Eso da unas 9.000 millones de sustituciones posibles de una letra. Medirlas todas experimentalmente es imposible, y ahí entra la predicción.

¿Por qué 9.000 millones? Entender la cifra

El número parece arbitrario a primera vista, pero se calcula directamente. Hay 3.000 millones de posiciones en el genoma y cada una alberga una de cuatro letras. Si quieres cambiar esa letra, quedan tres opciones. Tres por tres mil millones son nueve mil millones.

La cuenta muestra también el límite del catálogo: Atlas cubre sustituciones de una sola letra. Borrar una letra, insertar otra, duplicar un tramo o los reordenamientos a nivel cromosómico quedan fuera de esos 9.000 millones. Parte de las enfermedades genéticas surge justo de ese tipo de cambios.

Así que "todos los cambios posibles" significa técnicamente "todas las sustituciones posibles de una letra". El alcance sigue siendo enorme, pero conocer el límite es lo que permite entender por qué algo que se buscaba no aparece en el catálogo.

¿Qué significa "efecto molecular"?

Lo que Atlas predice no es enfermedad sino un resultado molecular. Esa diferencia es la parte que más fácilmente se salta al leer la noticia.

El modelo dice: si esta letra cambia, la expresión de cierto gen se desplaza en esta dirección, o se produce esta cantidad menos de tal proteína. Lo que no dice es si eso provocará una enfermedad en una persona. Un cambio molecular puede no tener ninguna consecuencia observable; el cuerpo suele disponer de mecanismos de compensación. O la consecuencia puede aparecer solo a cierta edad y junto a un factor ambiental concreto.

Esa cadena —letra → efecto molecular → consecuencia celular → tejidos → enfermedad— tiene cuatro pasos, y Atlas solo predice el primero. Cuando un titular dice "la IA ha mapeado las causas de las enfermedades", lo que se ha saltado son los tres pasos intermedios.

¿Qué contiene Atlas?

Atlas guarda predicciones de cómo cada una de esas 9.000 millones de variantes podría afectar al cuerpo a nivel molecular, por ejemplo cambiando cuánta cantidad se produce de una proteína concreta. Los investigadores lo describen como "el catálogo más completo de cómo las mutaciones genéticas afectan a la biología molecular".

Hay tres vías de acceso: un portal web, una habilidad dentro de Antigravity, la plataforma de desarrollo con agentes de Google, y la interfaz de AlphaGenome.

Para que los investigadores no se ahoguen entre miles de millones de posibilidades, Google publica además una Puntuación de Impacto de Variantes (AVI). Apoyada en otros modelos de la empresa para predecir efectos de cambios en el ADN, permite ordenar variantes con rapidez e interpretar a la vez sus efectos moleculares.

El avance real: las regiones no codificantes

Atlas se construye sobre un modelo llamado AlphaGenome, que DeepMind presentó el año pasado para ayudar a identificar los motores genéticos de las enfermedades. Una herramienta anterior, AlphaMissense, se centraba en predecir si pequeñas mutaciones podían alterar proteínas.

Atlas se diferencia en el alcance: extiende las predicciones a todo el genoma, incluidos los enormes tramos que no codifican proteínas directamente. Esa distinción importa porque la mayor parte del genoma no lleva una receta de proteína: en cambio, controla cómo se comportan los genes. Esas regiones, largo tiempo tenidas por irrelevantes, hoy se sabe que juegan un papel decisivo en las enfermedades, y son justo las más difíciles de estudiar experimentalmente.

¿Con qué se entrenó el modelo?

AlphaGenome se entrenó con bases de datos públicas de genomas humanos y de ratón, lo que le permitió aprender patrones entre cambios en el ADN y procesos biológicos. Aplicar esas predicciones a miles de millones de variantes posibles produjo, según Google, un conjunto de datos de aproximadamente 1 petabyte.

El responsable de genómica de DeepMind, Ziga Avsec, reconoce que el modelo base —AlphaGenome— ya se había publicado, pero dice que convertir sus capacidades en un catálogo a escala de genoma llevó tiempo: "Básicamente nos llevó un tiempo precalcular y analizar de verdad tantas variantes, porque el espacio es enorme".

¿Cuán fiable es esto?

La regla de lectura más importante aquí: una predicción no es una medición. Ninguna de las 9.000 millones de filas de Atlas se midió en un laboratorio; todas son estimaciones producidas por un modelo a partir de patrones aprendidos.

Eso tiene consecuencias prácticas. El modelo probablemente predice mejor en regiones bien representadas en sus datos de entrenamiento y peor en regiones poco estudiadas, pero ambos tipos de fila se ven igual en el catálogo. Los datos de entrenamiento vienen además de genomas públicos humanos y de ratón, y la representación poblacional en esas bases ha sido históricamente desigual, con peso hacia muestras de ascendencia europea. Un mapa de predicciones arrastra los sesgos de los datos sobre los que se construyó.

Por eso la función de Atlas no es ser un catálogo de respuestas sino estrechar qué preguntas merece la pena hacer. La validación experimental sigue siendo necesaria; Atlas dice hacia dónde apuntar el experimento.

¿Para qué sirve en la práctica un mapa de predicciones?

El uso concreto funciona así. Un paciente tiene un cuadro de causa desconocida y se secuencia su genoma. El resultado arroja miles de variantes propias de esa persona, la mayoría inofensivas. El problema del genetista clínico es elegir cuál mirar.

Hoy esa elección se hace consultando bases de datos de genes de enfermedad conocidos y preguntando si la variante altera una proteína. Las variantes en regiones no codificantes caen casi siempre en la casilla de "significado desconocido". La promesa de Atlas es reducir esa casilla: también para ellas ofrece una predicción molecular y una puntuación de prioridad.

El segundo uso está en la investigación. Si se conoce una región del genoma asociada a una enfermedad pero no qué variante dentro de ella es la responsable, probarlas todas experimentalmente es caro. Atlas ordena por cuál empezar. La ganancia no es conocimiento nuevo sino una cola de experimentos más corta.

¿Cuándo hay que ser escéptico?

Tres preguntas ayudan al leer anuncios como este:

  • ¿Predicción o medición? ¿El catálogo se produjo en un laboratorio o salió de un modelo? En Atlas la respuesta es clara: de un modelo.
  • ¿Dónde está la validación? ¿Se publica aparte la precisión del modelo sobre resultados conocidos, o solo se anuncia el alcance?
  • ¿Qué población? Para alguien fuera de los grupos representados en los datos de entrenamiento, la fiabilidad de la predicción no es la misma.

Estas tres preguntas no son exclusivas de Atlas: valen para cualquier gran catálogo científico producido con IA. El valor de un recurso se mide también por la claridad con que declara sus límites, y el responsable de genómica de DeepMind dice sin rodeos que el catálogo son predicciones precalculadas.

¿Quién puede usarlo?

  • Los investigadores pueden acceder desde hoy para uso no comercial a través del sitio web de Google.
  • El acceso para uso comercial se abrirá "pronto" en Google Cloud.
  • La Puntuación de Impacto de Variantes permite priorizar entre miles de millones de posibilidades.
  • Ofrecerse como habilidad dentro de Antigravity significa que puede enchufarse directamente a flujos de trabajo con agentes.

En el cuadro más amplio

Atlas es lo último de los esfuerzos de Google por atacar con IA problemas centrales de la ciencia y la medicina. Su trabajo más conocido en el área es AlphaFold, el modelo de predicción de estructura de proteínas que dio a Demis Hassabis y John Jumper el Nobel de Química de 2024. La empresa ha construido además herramientas para la predicción meteorológica, para hallar nuevas soluciones en computación y matemáticas, y un "cocientífico" basado en agentes.

El momento también significa algo: el cofundador de DeepMind, Demis Hassabis, se retira de dirigir el laboratorio para centrarse en la investigación científica, incluida la dirección de Isomorphic Labs, su filial de descubrimiento de fármacos.

En resumen

Lo relevante de AlphaGenome Atlas no es un descubrimiento concreto sino la escala: una pregunta que antes se hacía de una en una se ha hecho ahora 9.000 millones de veces a la vez, con las respuestas hechas consultables.

Pero el mapa en sí no es un descubrimiento: es el punto donde empieza el descubrimiento. La frase "un mapa de todos los cambios posibles de una letra del ADN" es exacta; el adjetivo que falta es predichos. Ese adjetivo ya está en la frase original, y es justo la palabra que suele caerse en coberturas como esta.