Por Canuto  

Google DeepMind presentó AlphaGenome 2, un modelo de IA que busca predecir cómo las variantes del ADN actúan en tipos y estados celulares concretos. La compañía afirma que casi duplicó la identificación de ciertas variantes frente a su sistema anterior, aunque advierte que la herramienta es solo para investigación y no está validada para uso clínico.

***

  • El modelo fue entrenado con más de 107 millones de perfiles celulares individuales procedentes de 68 tejidos y puede recibir como condición un tipo o estado celular específico.
  • En una evaluación con 28 tipos de células inmunitarias, identificó el 30% de las variantes causales, frente al 16% del modelo previo, según Google DeepMind.
  • AlphaGenome 2 está disponible para investigación no comercial mediante una API; las predicciones más detalladas implican un mayor costo computacional y no tienen aprobación clínica.

 

 

Google DeepMind anunció AlphaGenome 2, un modelo de inteligencia artificial diseñado para estimar cómo las variaciones del ADN influyen en células humanas específicas y en la actividad de sus genes. La propuesta busca acercar dos clases de información que suelen analizarse por separado: las variantes genéticas asociadas con rasgos o enfermedades y los mapas que describen qué ocurre dentro de cada célula.

El desafío parte de una característica fundamental de la biología: casi todas las células del cuerpo contienen el mismo ADN, pero no activan los mismos genes ni responden de igual manera a una alteración genética. Una variante puede tener efectos distintos según el tipo y el estado de la célula, por lo que los promedios de tejidos completos pueden ocultar señales relevantes para una enfermedad.

Un modelo condicionado por el tipo de célula

AlphaGenome, la versión anterior, recibía una secuencia de ADN de un millón de letras y producía en paralelo predicciones para numerosos tejidos y experimentos. Ese diseño permitía cubrir muchas mediciones a la vez, pero, según la explicación de Google DeepMind, podía diluir las diferencias sutiles entre células estrechamente relacionadas. La segunda versión cambia el enfoque: analiza una condición biológica específica, como un tejido, un tipo celular o un estado, junto con la secuencia genética.

La condición entra en distintas etapas de la arquitectura del modelo, de modo que este pueda estimar cómo se interpreta un mismo fragmento de ADN en contextos celulares distintos. También puede trabajar con representaciones generadas a partir de experimentos de célula única que no estaban en su catálogo de referencia, una capacidad que le permite incorporar estados nuevos sin volver a entrenar todo el sistema.

El entrenamiento combinó datos de muestras humanas y de ratón, con más de 107 millones de perfiles celulares individuales distribuidos en 68 tejidos. Además de las predicciones que ya ofrecía AlphaGenome, como expresión génica, modificaciones de histonas y accesibilidad de la cromatina, la nueva versión incorpora estimaciones de metilación del ADN. La compañía plantea que esta amplitud puede ayudar también a inferir mediciones experimentales que falten.

Por ejemplo, si un equipo aporta datos de actividad génica de célula única, AlphaGenome 2 puede intentar predecir otras propiedades no medidas, como la accesibilidad de la cromatina. Esa imputación multimodal no sustituye la comprobación en el laboratorio, pero podría orientar qué experimentos conviene realizar después. Sarah Teichmann, cofundadora del consorcio Human Cell Atlas y profesora de Medicina de Células Madre en la Universidad de Cambridge, destacó que el modelo puede adaptarse a datos nuevos sin reentrenamiento.

Resultados reportados y ejemplos de uso

Google DeepMind informó que, en el conjunto 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%. La empresa sostiene que estos resultados pueden ayudar a priorizar variantes candidatas que otros análisis dejarían pasar.

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. En regiones del genoma que no formaban parte de los datos de entrenamiento, la compañía reportó una mejor capacidad para explicar diferencias entre tipos celulares de un mismo tejido. Se trata de resultados de evaluación del modelo, no de evidencia de eficacia en pacientes.

Como ejemplo relacionado con una enfermedad, AlphaGenome 2 reprodujo computacionalmente un hallazgo previo sobre una variante en un elemento regulador distante que eleva la actividad del gen ETS2 en macrófagos intestinales, células inmunitarias vinculadas con la enfermedad inflamatoria intestinal. Según la empresa, el modelo señaló el efecto selectivo en esos macrófagos, mientras que otros tipos celulares y genes apenas cambiaban. El caso ilustra cómo una señal genética puede depender de la célula donde actúa.

El modelo también fue probado con datos de un estudio sobre una vacuna de ARNm contra la COVID-19 que no había visto durante su entrenamiento. A partir de una pequeña muestra de células, distinguió células T activadas de otras inactivas y predijo que una variante asociada con COVID-19 grave alteraba más la actividad génica en las células activadas. Ese efecto podría quedar oculto si el análisis agrupa células en estados diferentes, aunque la predicción tampoco demuestra por sí sola un mecanismo clínico.

Aplicaciones potenciales y límites actuales

La empresa precalculó predicciones para variantes asociadas con rasgos y enfermedades en cientos de condiciones celulares y de tejidos humanos, con el objetivo de facilitar su consulta sin que cada grupo tenga que realizar cálculos a gran escala. Entre los usos que describe está el mapeo de potenciadores, interruptores reguladores que pueden actuar a distancia, con los genes que controlan en células humanas primarias. La información podría ayudar a conectar variantes con genes diana en células como los astrocitos cerebrales.

Los estudios de asociación de todo el genoma, conocidos como GWAS, suelen señalar regiones relacionadas con un rasgo, pero no siempre identifican la variante causal, el gen afectado o la célula en la que ocurre el efecto. DeepMind dice que sus puntuaciones precalculadas pueden ayudar a priorizar esas posibilidades en rasgos que van desde la estatura hasta la diabetes tipo 2. Cuando el modelo tiene suficiente confianza, también estima si una variante aumenta o reduce la actividad de un gen.

Para quienes desarrollan medicamentos, identificar la célula y la proteína implicadas puede ser importante al definir un objetivo terapéutico. Žiga Avsec, líder de genómica de Google DeepMind, explicó a The Verge que esa granularidad importa precisamente porque los fármacos se dirigen a proteínas y tipos celulares específicos. Peter Donnelly, director ejecutivo de Genomics PLC, valoró el avance como una posible herramienta para acortar la distancia entre una señal genética y la información que requiere un programa de desarrollo farmacológico.

La mayor resolución, sin embargo, tiene un costo: Avsec señaló que las predicciones de AlphaGenome 2 son más caras desde el punto de vista computacional que las de su predecesor. Por esa razón, DeepMind no espera reemplazar de inmediato AlphaGenome, y el nuevo modelo no resultaba práctico para producir el atlas que cubre los posibles cambios de una sola letra en el genoma humano. La empresa también explora ampliar los datos de entrenamiento y, a futuro, incorporar información de varias especies.

AlphaGenome 2 se ofrece para investigación no comercial mediante la API de AlphaGenome y cuenta con una vista previa privada para investigación comercial. La compañía anticipó que trabaja en herramientas para su plataforma de desarrollo agéntica Google Antigravity, pero no presentó el modelo como un sistema de diagnóstico ni como una tecnología lista para orientar tratamientos. Tanto AlphaGenome como AlphaGenome 2 están destinados únicamente a investigación y no han sido validados ni aprobados para fines clínicos o diagnósticos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados