Google DeepMind cartografía el ADN no codificante: AlphaGenome Atlas, entre la ambición y los límites de precisión

El 8 de septiembre de 2026 Google DeepMind presentó AlphaGenome Atlas, un archivo digital que reúne predicciones precalculadas sobre el impacto molecular de las variantes del ADN humano. La base de datos cubre nueve mil millones de variantes de un solo nucleótido y mapea así cualquier alteración posible de una única letra del genoma. Con un peso cercano al petabyte —más de treinta veces el tamaño de la base de datos de AlphaFold—, el Atlas se centra en el ADN no codificante, que supone alrededor del 98 % del material genético y regula la actividad de las proteínas. Hasta ahora, usar el modelo AlphaGenome exigía sólidos conocimientos de programación y una infraestructura de cálculo notable; con este lanzamiento la empresa traslada el procesamiento aguas arriba y ofrece los resultados directamente a través de un portal web, gratuito para uso no comercial.

Para completar el mapeo, el equipo de desarrollo tuvo que multiplicar por unas ochenta veces la velocidad de cálculo del modelo, según informó IEEE Spectrum. El responsable de genómica de Google DeepMind, Žiga Avsec, subrayó el enorme esfuerzo de ingeniería que exigió el trabajo, mientras que el vicepresidente de la compañía, Pushmeet Kohli, afirmó que entender este lenguaje de la vida puede desbloquear muchísimas cosas. El Atlas introduce el AlphaGenome Variant Impact (AVI), una puntuación única concebida para ordenar y resumir las predicciones procedentes de AlphaGenome y AlphaMissense, aplicable tanto a regiones codificantes como no codificantes. La evolución de los modelos sigue una cronología precisa: tras AlphaFold en 2020 y AlphaMissense en 2023, AlphaGenome se anunció en 2025 y se describió en un artículo de Nature en enero de 2026. Según Scientific American, los usuarios comerciales —las farmacéuticas, por ejemplo— deben obtener una licencia, mientras que el acceso sigue siendo gratuito para investigadores académicos; el blog de DeepMind anuncia el uso comercial 'en breve' en Google Cloud, sin indicar fecha ni precios.

Pese al impacto potencial, la comunidad científica y las fuentes independientes señalan varias carencias documentadas. Scientific American señala que el Atlas es mucho menos preciso que la base de datos de AlphaFold y que debe considerarse exclusivamente un punto de partida. El modelo tiene límites estructurales: no puede evaluar patologías que requieren la presencia simultánea de varias variantes, y los potenciadores que regulan genes a distancias enormes pueden quedar fuera de la ventana de un millón de pares de bases que el modelo examina alrededor de cada variante. Sobre la puntuación de impacto, el genomista de la University of British Columbia Carl de Boer observa que tiene un uso claro, pero que probablemente será fácil de malinterpretar. Sobre el valor del trabajo es tajante: entender cómo los cambios influyen en la regulación es fundamental para entender la mayoría de las enfermedades. La propia DeepMind precisa que los datos del Atlas no sustituyen a la opinión, el diagnóstico ni el tratamiento médico, y que no están validados ni aprobados para uso clínico. En el plano metodológico queda un punto abierto: el artículo de Nature de enero de 2026 se refiere al modelo AlphaGenome, mientras que para el Atlas el blog remite a un documento técnico en PDF; no consta que el lanzamiento venga acompañado de un trabajo con revisión por pares.

La estrategia de DeepMind repite el esquema ya visto con AlphaFold: primero el modelo, después la base de datos que lo hace consultable para quien no tiene ni código ni GPU. Reducir la complejidad biológica a un índice único consultable desde el navegador rebaja la barrera de entrada, pero la utilidad real se medirá por la capacidad de los laboratorios de no confundir un mapa precalculado con un dato clínico, sobre todo mientras falte una validación independiente. — Olya