Cómo es el atlas del ADN que anticipa el efecto de 9.000 millones de mutaciones

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.

Ahora, 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. El avance consiste 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. Eso abre un espacio inmenso de variantes posibles. Algunas no provocan efectos detectables.

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. Comprobar una por una en el laboratorio exige una cantidad de tiempo y recursos imposible de sostener.

DeepMind buscó resolver ese cuello de botella con una estrategia distinta. En vez de estudiar solo ejemplos aislados, 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. La comparación no resulta menor: 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 prestigioso médico cardiólogo estadounidense Eric Topol, quien felicitó al equipo a través de la red social X.

El atlas convierte miles de millones de cambios posibles en un mapa consultable

La base del sistema es el modelo AlphaGenome, presentado antes por DeepMind para analizar fragmentos concretos de ADN y anticipar múltiples consecuencias moleculares de una variante.

Ese modelo ya podía estimar efectos sobre expresión génica, accesibilidad de la cromatina y otros procesos. El problema era la escala. 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.

Ese detalle cambia el uso práctico de la herramienta. En lugar de programar consultas complejas y esperar el procesamiento de cada caso, los investigadores pueden entrar al catálogo y revisar resultados listos para usar.

Žiga Avsec, líder del equipo de AlphaGenome, resumió esa idea con una frase que apunta al corazón del proyecto: “El acceso instantáneo es algo que resulta mágico”. Más allá del tono, la afirmación expresa el salto principal de esta etapa. DeepMind no presentó solo un modelo, sino una infraestructura pensada para que más laboratorios puedan trabajar con sus salidas.

El atlas no se limita a un número por mutación. Para cada variante, ofrece miles de predicciones sobre efectos moleculares en distintos tejidos y tipos celulares de humano y ratón.

Eso incluye regiones del ADN que codifican proteínas y también zonas no codificantes, donde se juega buena parte de la regulación genética. Ese punto resulta clave porque apenas una pequeña porción del genoma produce proteínas de forma directa. El resto contiene secuencias que influyen en cuándo, dónde y cuánto se activa un gen, un terreno mucho más difícil de interpretar.

Para simplificar esa complejidad, DeepMind sumó una nueva métrica llamada AlphaGenome Variant Impact, o AVI.

La puntuación combina las capacidades de AlphaGenome con las de AlphaMissense, otro modelo de la compañía orientado a variantes que cambian aminoácidos en proteínas. El resultado es un valor único que resume el posible impacto biológico de una variante y permite ordenar prioridades sin revisar manualmente miles de salidas por separado. En términos prácticos, funciona como una señal inicial: no reemplaza el análisis detallado, pero ayuda a decidir dónde mirar primero.

Ese pedido venía de los propios usuarios. Desde que AlphaGenome salió a escena, alrededor de 9.000 investigadores accedieron a sus predicciones por medio de la API, según DeepMind. Sin embargo, esa vía exige escribir código y manejar flujos de trabajo técnicos que no todos los biólogos usan a diario. La aparición del atlas apunta a cerrar esa brecha.

Dhavi Hariharan, de DeepMind, describió la demanda con una pregunta que recibían de forma recurrente: “¿Podrían darme una puntuación única que me ayude a entender si me interesa esta variante o si debo investigar más a fondo?” AVI fue la respuesta.

La iniciativa también amplía el foco más allá de las sustituciones puntuales. DeepMind indicó que el recurso incorpora más de 100 millones de inserciones o deleciones cortas observadas en genomas humanos. Aunque el centro del anuncio gira alrededor de las variantes de una sola letra, esa extensión suma relevancia para estudios reales, donde las alteraciones no siempre encajan en una única categoría.

Las primeras pruebas muestran utilidad en epilepsia, enfermedades raras y ADN no codificante

El valor de una herramienta como esta no depende solo de su tamaño. La pregunta central es si ayuda a encontrar algo que antes pasaba desapercibido. Los primeros ejemplos presentados por DeepMind apuntan en esa dirección. Uno de ellos surgió en colaboración con investigadores del Broad Institute, que aplicaron AVI para priorizar variantes en casos de enfermedades raras sin diagnóstico claro. En ese trabajo localizaron una alteración en el gen DNM1, asociado con una forma grave de epilepsia, que había quedado fuera de foco en análisis anteriores.

Según la descripción de los equipos, la predicción sugería que esa variante creaba un sitio de splicing incorrecto, es decir, una señal defectuosa en el mecanismo que recorta y organiza el ARN antes de la síntesis de proteínas. Después, las pruebas de laboratorio confirmaron esa hipótesis. El caso ilustra el tipo de ayuda que promete el atlas: no dicta un diagnóstico por sí solo, pero acota la búsqueda y señala hipótesis con suficiente peso como para justificar una validación experimental.

Otro resultado provino del trabajo de Gareth Hawkes, investigador del Medical Research Council en la Universidad de Exeter, que aplicó el atlas a datos genómicos de más de 54.000 personas del Reino Unido. Al agrupar variantes según su efecto molecular predicho, Hawkes detectó un 22% más de asociaciones genéticas que en análisis previos, de acuerdo con la información difundida por DeepMind. El hallazgo apunta a un problema habitual en genética estadística: muchas señales quedan ocultas entre grandes volúmenes de datos con escasa relevancia biológica. Si una herramienta consigue filtrar mejor ese ruido, el rendimiento del análisis cambia.

Un tercer frente aparece en el estudio del ADN no codificante, una región que durante décadas cargó con la etiqueta simplificadora de “ADN basura” y hoy concentra parte de las preguntas más difíciles de la biología molecular. En esos tramos se distribuyen secuencias cortas llamadas motivos, capaces de influir sobre la activación o la represión de genes y sobre el acceso físico del ADN a las proteínas reguladoras. Con apoyo de las predicciones del atlas, investigadores mapearon miles de esos motivos a lo largo del genoma y propusieron funciones posibles según el tipo celular.

Julia Zeitlinger, bióloga molecular del Instituto Stowers para la Investigación Médica, sintetizó el alcance de ese trabajo con una definición precisa: “nos proporciona un diccionario consultable para el ADN no codificante”. La frase sugiere una idea importante. Durante años, la genética acumuló secuencias y variantes mucho más rápido de lo que logró interpretar su función. Un atlas de este tipo no resuelve el problema por completo, pero ofrece una capa de organización y una lógica de consulta que antes no existían con esa amplitud.

Ese recorrido también muestra una línea de continuidad dentro de DeepMind. En 2021 la compañía presentó Enformer, centrado en predecir cómo la secuencia del ADN influye sobre la regulación génica. En 2023 llegó AlphaMissense, dedicado a estimar el efecto de variantes que alteran proteínas. Luego apareció AlphaGenome, con capacidad para anticipar múltiples efectos moleculares a partir de secuencias largas. AlphaGenome Atlas representa el paso siguiente: trasladar esas capacidades a escala de todo el genoma y dejar el cálculo listo para uso directo.

El despliegue, de todos modos, no elimina las cautelas. El bioinformático Martin Kircher, del Centro Max Delbrück de Medicina Molecular de Berlín, valoró el recurso como una ampliación útil del acceso a un modelo sólido, pero dejó en claro que no reemplaza los experimentos ni el examen puntual de cada caso clínico. Ese límite aparece también en la propia comunicación de DeepMind, que advirtió que AlphaGenome no cuenta con validación para uso clínico. La aclaración importa porque el brillo de una herramienta a gran escala puede llevar a sobredimensionar su alcance.

En genética, una predicción poderosa no equivale a una prueba definitiva. El atlas ordena posibilidades, prioriza candidatos y ofrece contexto molecular para interpretar cambios del ADN. Después, el trabajo duro sigue en pie: repetir resultados, contrastarlos en sistemas biológicos y decidir si el efecto anticipado aparece de verdad en células, tejidos o pacientes.

El descubrimiento, entonces, no cierra una etapa. Abre una forma nueva de recorrer el genoma humano con un mapa mucho más detallado que antes y con la promesa de reducir, al menos un poco, la distancia entre una letra alterada y su significado biológico.