El desafío de predecir el impacto de las variantes genéticas
Cada célula del cuerpo humano contiene el mismo ADN, pero no activa los mismos genes ni responde de igual manera a una alteración genética. Una variante puede tener efectos distintos según el tipo y el estado de la célula, lo que hace que los promedios de tejidos completos puedan ocultar señales relevantes para una enfermedad. Este es el principal desafío que aborda la nueva herramienta de Google DeepMind.
La interpretación de cómo las variaciones genéticas impactan en la expresión génica y sus efectos a nivel molecular ha sido un proceso experimental difícil. AlphaGenome 2 busca acelerar el progreso hacia ese objetivo al predecir cómo las variantes interrumpen estos procesos biológicos, revelando cómo están conectados los planos de construcción de las proteínas y el panel de control que regula la actividad génica.
Una arquitectura condicional centrada en el contexto celular
A diferencia de la versión anterior, que recibía una secuencia de ADN de un millón de letras y producía predicciones en paralelo para numerosos tejidos, AlphaGenome 2 adopta un enfoque condicional. Analiza una condición biológica específica, como un tejido, un tipo celular o un estado, junto con la secuencia genética. Esta condición entra en distintas etapas de la arquitectura del modelo, permitiendo estimar cómo se interpreta un mismo fragmento de ADN en contextos celulares distintos.
El modelo fue entrenado con más de 107 millones de perfiles celulares individuales procedentes de 68 tejidos, combinando datos de muestras humanas y de ratón. Además de las predicciones de expresión génica, modificaciones de histonas y accesibilidad de la cromatina que ya ofrecía la versión anterior, AlphaGenome 2 incorpora estimaciones de metilación del ADN. Esta amplitud permite inferir mediciones experimentales que falten, como predecir la accesibilidad de la cromatina a partir de datos de actividad génica de célula única.
Diferencias clave entre AlphaGenome 1 y AlphaGenome 2
| Característica | AlphaGenome 1 | AlphaGenome 2 |
|---|---|---|
| Enfoque de predicción | Salidas paralelas fijas para tejidos en bloque | Modelo condicional para un tipo o estado celular específico |
| Datos de entrenamiento | Secuencias de ADN largas | Más de 107 millones de perfiles celulares individuales |
| Modalidades adicionales | Expresión génica, histonas, cromatina | Incluye metilación del ADN e imputación multimodal |
| Generalización | Requiere ajuste para nuevos contextos | Se adapta a datos scRNA-seq nuevos sin reentrenamiento |
Mejoras cuantitativas en la identificación de variantes
Google DeepMind informó que, en el conjunto de datos TenK10K, un mapa de 28 tipos de células inmunitarias primarias, AlphaGenome 2 identificó de manera confiable el 30% de las variantes causales, frente al 16% del modelo anterior ajustado con datos de célula única y otras herramientas especializadas. En la identificación de efectos direccionales sobre genes, la comparación fue de 43% frente a 23%.
Estos resultados, proporcionados por la empresa, sugieren que el modelo puede ayudar a priorizar variantes candidatas que otros análisis podrían pasar por alto. La evaluación también examinó si el modelo podía seguir variaciones continuas de expresión génica en células que maduran, como las células madre sanguíneas que avanzan hacia linajes de glóbulos rojos o células inmunitarias, mostrando una mejor capacidad para explicar diferencias entre tipos celulares de un mismo tejido en regiones no vistas durante el entrenamiento.
Aplicaciones en investigación de enfermedades y diseño de fármacos
La herramienta permite conectar variantes genéticas con genes diana en células humanas primarias, como los astrocitos cerebrales, mapeando potenciadores e interruptores reguladores. En estudios de asociación de todo el genoma (GWAS), que suelen señalar regiones relacionadas con un rasgo sin identificar la variante causal, las puntuaciones precalculadas de AlphaGenome 2 pueden ayudar a priorizar posibilidades en rasgos que van desde la estatura hasta la diabetes tipo 2.
Para el desarrollo de medicamentos, identificar la célula y la proteína implicadas es crucial al definir un objetivo terapéutico. El modelo reprodujo computacionalmente un hallazgo previo sobre una variante en un elemento regulador distante que eleva la actividad del gen ETS2 en macrófagos intestinales, células vinculadas con la enfermedad inflamatoria intestinal. Este caso ilustra cómo una señal genética puede depender de la célula donde actúa, un factor clave para la medicina de precisión.
Limitaciones y alcance de la herramienta
Tanto AlphaGenome como AlphaGenome 2 están destinados únicamente a investigación y no han sido validados ni aprobados para fines clínicos o diagnósticos. La empresa advierte que la herramienta es solo para investigación y que las predicciones más detalladas implican un mayor costo computacional. Por esta razón, DeepMind no espera reemplazar de inmediato a la versión anterior, ya que el nuevo modelo no resultaba práctico para producir el atlas que cubre los posibles cambios de una sola letra en el genoma humano.
El rendimiento del modelo está condicionado por los datos con los que ha sido entrenado. Aunque puede generalizarse a nuevos estados celulares mediante la carga de datos de ARN de célula única, no sustituye la comprobación en el laboratorio. La imputación multimodal puede orientar qué experimentos conviene realizar después, pero no demuestra por sí sola un mecanismo clínico. La empresa anticipa que trabaja en herramientas para su plataforma de desarrollo agéntica Google Antigravity, pero no presenta el modelo como un sistema de diagnóstico.
Continúa explorando
Fuentes consultadas
Correcciones y transparencia
Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.
Proponer una corrección