Google DeepMind presentó AlphaGenome Atlas, una plataforma que reúne predicciones sobre los efectos moleculares de aproximadamente 9.000 millones de posibles cambios de una sola letra en el genoma humano. La herramienta busca ayudar a los investigadores a identificar qué variantes genéticas merecen ser estudiadas con mayor profundidad y cómo podrían alterar procesos biológicos. Su alcance es extraordinario, pero también tiene un límite que debe quedar claro: no diagnostica enfermedades ni está aprobada para uso clínico.
Un mapa predictivo del genoma humano
Google DeepMind presentó el 8 de septiembre de 2026 AlphaGenome Atlas, una plataforma que contiene predicciones sobre los efectos de aproximadamente 9.000 millones de variantes de un solo nucleótido, conocidas técnicamente como single-nucleotide variants o SNV.
Dicho de una manera sencilla: el ADN humano puede imaginarse como una enorme secuencia escrita mediante cuatro “letras” químicas —A, C, G y T—. Una variante de un solo nucleótido ocurre cuando, en una determinada posición, una de esas letras es sustituida por otra.
AlphaGenome Atlas intenta anticipar computacionalmente qué podría suceder a nivel molecular ante cada uno de esos posibles cambios.
Esto requiere una precisión conceptual importante: el Atlas no afirma que existan 9.000 millones de mutaciones presentes en una persona ni que todas esas variantes hayan sido observadas en seres humanos. Lo que DeepMind realizó fue precalcular mediante su modelo AlphaGenome los efectos de todos los cambios posibles de una sola letra a lo largo del genoma humano.
El resultado es un conjunto de datos de aproximadamente un petabyte, que DeepMind describe como más de 30 veces mayor que la base de datos AlphaFold.
¿Por qué es tan difícil interpretar una variante genética?
Secuenciar ADN y encontrar una diferencia genética es solamente una parte del problema.
La pregunta verdaderamente compleja es otra:
¿Qué significa biológicamente esa diferencia?
Una modificación puede no producir consecuencias relevantes. Otra puede modificar la cantidad de un gen que se expresa, alterar el procesamiento del ARN, afectar la accesibilidad de determinadas regiones del ADN o interferir con mecanismos regulatorios.
Esta dificultad es particularmente significativa en las regiones no codificantes del genoma.
Aproximadamente el 2 % del genoma codifica proteínas, mientras que el resto contiene, entre otras funciones, una enorme arquitectura regulatoria que interviene en cuándo, dónde y en qué medida se activan determinados genes. DeepMind destaca precisamente que el nuevo sistema puede evaluar tanto variantes localizadas en regiones codificantes como no codificantes.
El trabajo científico sobre AlphaGenome publicado en Nature explica que las variantes no codificantes pueden afectar procesos como la accesibilidad de la cromatina, modificaciones epigenéticas, la conformación tridimensional de la cromatina, la expresión genética y el splicing del ARN.
¿Qué hace AlphaGenome?
AlphaGenome pertenece a una categoría de modelos denominados “sequence-to-function”: recibe una secuencia de ADN e intenta predecir determinadas consecuencias funcionales de esa secuencia.
El modelo puede procesar hasta un millón de pares de bases de ADN —1 megabase— y realizar predicciones sobre miles de señales genómicas, algunas de ellas con resolución de un solo par de bases.
Entre los fenómenos que puede modelar se encuentran la expresión génica, el inicio de la transcripción, la accesibilidad de la cromatina, modificaciones de histonas, unión de factores de transcripción, contactos de cromatina y distintos componentes del splicing.
Para comprender su utilidad puede pensarse en un experimento virtual.
El investigador proporciona una secuencia normal de ADN y luego introduce una variante. El sistema compara ambas situaciones y predice qué señales moleculares podrían modificarse como consecuencia de ese cambio.
No reemplaza el experimento biológico. Ayuda a decidir qué hipótesis y qué variantes pueden resultar especialmente relevantes para investigar.
Del modelo AlphaGenome al nuevo Atlas
AlphaGenome ya existía antes del anuncio de septiembre.
Su trabajo científico fue publicado en Nature en enero de 2026. En las evaluaciones informadas por los investigadores, el modelo igualó o superó a los mejores modelos externos utilizados como comparación en 25 de 26 evaluaciones sobre predicción de efectos de variantes. También obtuvo resultados de estado del arte en 22 de 24 tareas evaluadas de predicción de señales genómicas.
La novedad de AlphaGenome Atlas consiste en llevar ese sistema a una escala diferente.
En lugar de solicitar una predicción cada vez que se quiere investigar una variante determinada, DeepMind precalculó los efectos correspondientes a unos 9.000 millones de posibles cambios de un solo nucleótido.
Es, conceptualmente, el paso de tener una herramienta capaz de calcular una ruta determinada a disponer de un gigantesco mapa previamente calculado que puede ser consultado por los investigadores.
Una puntuación para buscar una “aguja en un pajar” genético
El Atlas incorpora además una nueva herramienta: el AlphaGenome Variant Impact score (AVI).
Se trata de una puntuación destinada a resumir el impacto potencial de una variante genética.
DeepMind explica que AVI combina información procedente de AlphaGenome con AlphaMissense, otro modelo desarrollado para predecir el impacto de variantes que modifican proteínas.
El objetivo práctico es permitir que un investigador que enfrenta miles de variantes candidatas pueda priorizar cuáles merecen mayor atención.
Pero la puntuación no pretende limitarse a decir que una variante parece relevante.
El sistema proporciona también atribuciones que intentan identificar qué características biológicas contribuyeron a esa puntuación: por ejemplo, si la predicción señala posibles alteraciones en expresión génica, accesibilidad de la cromatina o splicing.
Esa capacidad de combinar priorización e interpretación mecanística constituye uno de los aspectos científicamente más interesantes del proyecto.
Una aplicación en enfermedades raras
DeepMind informó un ejemplo concreto desarrollado junto con investigadores vinculados al GREGoR Consortium, dedicado al estudio de enfermedades raras no resueltas.
Uno de los grandes problemas de estos casos consiste en determinar cuál, entre numerosas variantes encontradas en un paciente, puede resultar relevante para explicar el cuadro investigado.
Investigadores utilizaron AVI para priorizar variantes que habían pasado inadvertidas en análisis anteriores y encontraron una variante que afectaba DNM1, un gen fuertemente asociado con encefalopatía epiléptica.
Según DeepMind, AlphaGenome predijo además un posible mecanismo: la variante generaría un sitio incorrecto de splicing, alterando el procesamiento de la información genética.
El punto científicamente relevante es que la investigación no terminó con la predicción informática: el efecto fue posteriormente sometido a validación experimental, y los experimentos encontraron además variantes cercanas con efectos similares.
Es un ejemplo útil para entender cuál podría ser el verdadero lugar de estas herramientas: la inteligencia artificial identifica y prioriza hipótesis; posteriormente, la investigación experimental debe contrastarlas.
Otro experimento: más de 54.000 participantes del UK Biobank
DeepMind también informa una aplicación sobre datos genómicos de más de 54.000 participantes del UK Biobank realizada por Gareth Hawkes, investigador de la University of Exeter.
Al agrupar variantes raras de acuerdo con los efectos moleculares predichos por AlphaGenome Atlas, el investigador detectó un 22 % más de asociaciones genéticas no codificantes que, según DeepMind, no hubieran resultado detectables frente al ruido estadístico mediante el análisis utilizado como referencia.
En otro análisis relacionado con el índice de masa corporal, se concentró en el 1 % de las variantes no codificantes que Atlas predecía como potencialmente más relevantes y encontró 19 regiones genéticas susceptibles de orientar investigaciones posteriores.
Aquí nuevamente debe evitarse una interpretación excesiva.
Encontrar una asociación genética no equivale a demostrar causalidad ni significa que el sistema pueda predecir el futuro médico individual de una persona.
La utilidad está en reducir el espacio de búsqueda y generar hipótesis más específicas para investigaciones posteriores.
Lo que AlphaGenome Atlas NO hace
Este punto resulta indispensable para interpretar responsablemente el anuncio.
AlphaGenome Atlas no es una herramienta de diagnóstico médico.
No permite afirmar, simplemente a partir de una variante, que una persona desarrollará determinada enfermedad.
Tampoco convierte automáticamente una predicción informática en evidencia de que una variante sea patogénica.
Y no reemplaza la interpretación clínica, genética, bioinformática ni experimental.
La propia Google DeepMind establece expresamente que la información proporcionada por AlphaGenome Atlas no está destinada a sustituir el asesoramiento, diagnóstico o tratamiento médico profesional y señala que AlphaGenome no ha sido validado ni aprobado para ningún uso clínico.
Esta advertencia marca la frontera entre dos conceptos que pueden confundirse fácilmente:
predecir un posible efecto molecular de una variante genética no es lo mismo que diagnosticar una enfermedad.
¿Por qué puede ser importante para la medicina?
Aunque hoy su utilización sea fundamentalmente científica, las posibilidades de investigación son significativas.
Una de ellas es la priorización de variantes. La secuenciación genómica puede revelar enormes cantidades de diferencias respecto del genoma de referencia. Determinar cuáles merecen ser investigadas constituye un problema de escala.
Otra es la comprensión mecanística. Una predicción que sugiera que determinada variante modifica el splicing, la expresión de un gen o la accesibilidad de la cromatina puede proporcionar una hipótesis concreta para ser contrastada experimentalmente.
También podría contribuir a investigaciones destinadas a identificar nuevos blancos terapéuticos, comprender mejor determinados trastornos genéticos y orientar experimentos que, de otra manera, resultarían prohibitivamente numerosos.
DeepMind menciona expresamente esos objetivos como posibles aplicaciones de la plataforma.
¿Significa esto que una IA ya puede “leer nuestro destino genético”?
No.
Esa interpretación sería científicamente incorrecta.
Una enfermedad o un rasgo humano puede depender de múltiples genes, interacciones entre variantes, mecanismos epigenéticos, edad, ambiente, estilo de vida y numerosos factores biológicos adicionales.
Además, como han señalado análisis científicos posteriores sobre AlphaGenome, el modelo fue evaluado principalmente respecto de sustituciones de un único nucleótido. Los genomas reales presentan también inserciones, deleciones, variantes estructurales y combinaciones de alteraciones cuya interpretación puede ser considerablemente más compleja.
Por ello, AlphaGenome Atlas debe entenderse como una poderosa herramienta predictiva para investigación molecular, no como una máquina capaz de anticipar de manera determinista la salud futura de una persona.
Una nueva etapa de la IA científica
La relevancia de AlphaGenome Atlas puede comprenderse mejor observando el cambio de escala.
Durante décadas, una parte sustancial de la investigación genética se ha enfrentado a un problema inevitable: existen demasiadas variantes posibles como para comprobar experimentalmente cada una.
La inteligencia artificial introduce una estrategia diferente.
En lugar de comenzar experimentalmente con miles o millones de candidatos, puede utilizarse un modelo computacional para ordenarlos, detectar patrones, formular hipótesis sobre sus mecanismos y seleccionar aquellos que justifican una investigación experimental prioritaria.
AlphaGenome Atlas lleva esa lógica prácticamente a la totalidad de las posibles sustituciones de una sola letra del genoma humano.
No significa que la IA haya descifrado definitivamente el genoma.
Significa que los investigadores disponen ahora de un mapa predictivo de una escala que habría resultado impracticable construir mediante experimentación individual de cada variante.
Y esa diferencia es sustancial.
Acceso para investigadores
AlphaGenome Atlas se encuentra disponible para investigación no comercial mediante un portal web. DeepMind también ofrece acceso a AlphaGenome mediante API y herramientas para desarrolladores; la compañía informó asimismo que prevé disponibilidad comercial del Atlas a través de Google Cloud.
El acceso mediante una interfaz web tiene otra consecuencia relevante: un investigador no necesariamente necesita desarrollar código para comenzar a explorar determinadas predicciones.
Explorar AlphaGenome Atlas — Google DeepMind
El verdadero alcance del avance
El valor de AlphaGenome Atlas no reside en haber convertido la genética en una ciencia completamente predecible.
Su importancia está en otro lugar: utilizar inteligencia artificial para reducir drásticamente un espacio de búsqueda biológica que, por su magnitud, resulta imposible abordar variante por variante mediante experimentos convencionales.
Para un médico, puede representar una nueva infraestructura de investigación sobre los mecanismos moleculares asociados con determinadas variantes.
Para un genetista o bioinformático, constituye una herramienta de priorización e interpretación.
Para científicos dedicados al desarrollo de terapias, puede ayudar a formular hipótesis y seleccionar objetivos experimentales.
Y para cualquier profesional ajeno a la medicina, el concepto central puede resumirse de esta manera:
la IA no está diciendo qué enfermedad tendrá una persona; está intentando predecir qué podría ocurrir dentro de la maquinaria molecular de una célula si se cambia una determinada letra de su ADN.
Esa diferencia entre predicción molecular y diagnóstico clínico es, por ahora, la frontera fundamental para comprender correctamente uno de los mapas genómicos predictivos más ambiciosos desarrollados mediante inteligencia artificial.