AlphaGenome 2 es el nuevo modelo de inteligencia artificial de Google DeepMind que predice cómo las variantes genéticas afectan la actividad de los genes en tipos celulares específicos, algo que su versión anterior no lograba. Según DeepMind, el modelo identifica casi el doble de variantes que cambian la expresión génica en células, comparado con su modelo anterior de referencia.
El anuncio, publicado el 11 de noviembre de 2026, marca un cambio de enfoque en cómo la IA aborda la genómica. El ADN humano tiene alrededor de 3.000 millones de letras, y la mayoría de las enfermedades no está en las zonas que codifican proteínas, sino en los interruptores moleculares que deciden cuándo y dónde se activa un gen.
Lo interesante para cualquier empresa, no solo para un laboratorio, es el patrón detrás del avance: datos masivos, una pregunta bien definida y un modelo capaz de generalizar a casos que nunca vio. Vamos por partes.
¿Qué problema resolvía AlphaGenome 1 y cuál era su límite?
El primer AlphaGenome tomaba un fragmento de ADN de un millón de letras y predecía propiedades moleculares en miles de experimentos de distintos tejidos a la vez. Era eficiente, pero repartía su capacidad entre todos los casos y le costaba capturar diferencias sutiles entre células parecidas.
El problema de fondo es que el mismo cambio de una sola letra puede tener efectos opuestos según la célula donde ocurra. Tu cerebro y tu piel contienen el mismo ADN, pero lo usan de forma completamente distinta. Un modelo que promedia tejidos completos pierde justamente esa información.
Como explica el genetista James Lee, del Francis Crick Institute, en declaraciones recogidas por Nature, tener una herramienta que no puede predecir la especificidad por tipo celular "es un poco problemático, y por eso no ha sido enormemente útil para nosotros".
Ahí está la lección de negocio: un modelo que promedia todo puede ser impresionante en una demostración y poco útil en la decisión concreta. Pasa igual con los reportes de gestión que mezclan todas las sedes en un solo número.
¿Cómo logra AlphaGenome 2 predecir efectos en células específicas?
El cambio central es arquitectónico. En lugar de predecir en paralelo para todos los tejidos, AlphaGenome 2 es un modelo condicional: recibe la secuencia de ADN y además una condición biológica concreta, que puede ser un tejido, un tipo celular o un estado celular. Esa condición entra en cada etapa de la arquitectura.
DeepMind entrenó el modelo con más de 107 millones de perfiles celulares individuales de muestras humanas y de ratón. Con esa base, el modelo puede separar el estado biológico de una célula de sus resultados medidos, lo que le permite predecir propiedades que nadie midió todavía, como la accesibilidad de la cromatina, a partir de una sola medición de actividad génica.
En la práctica, esto significa que un investigador puede subir una instantánea de actividad génica de unas pocas docenas de células y obtener predicciones para estados celulares que el modelo nunca vio durante el entrenamiento.
Aquí conviene una advertencia honesta, y es el ángulo que la cobertura entusiasta suele omitir: el propio DeepMind aclara que AlphaGenome y AlphaGenome 2 son herramientas de uso exclusivamente investigativo y no han sido validadas ni aprobadas para fines clínicos o de diagnóstico. El modelo sigue fallando en muchos casos y es especialmente débil en tipos celulares raros. No estamos frente a enfermedades genéticas resueltas, ni de cerca.
¿Qué resultados concretos respaldan a AlphaGenome 2?
Los números que reporta DeepMind son medibles. En el conjunto de datos TenK10K, un mapa unicelular de 28 tipos de células inmunes primarias, AlphaGenome 2 identificó de forma confiable casi el doble de variantes causales que el modelo anterior ajustado con datos unicelulares: 30% frente a 16%. En efectos génicos direccionales, la diferencia fue 43% frente a 23%.
El caso más citado es el de la enfermedad inflamatoria intestinal. Un estudio de 2024 identificó que una variante en un interruptor regulatorio lejano sobreactiva el gen ETS2 en macrófagos del intestino. Ese hallazgo requirió edición génica y técnicas de biología molecular sofisticadas. AlphaGenome 2 reprodujo el resultado de forma computacional y aisló la variante causal, mostrando que activa selectivamente ETS2 en macrófagos intestinales y deja casi intactos otros tipos celulares y genes.
La comparación de tiempos es la que más impresiona a los especialistas. Según Nature, James Lee señaló que el modelo resolvió el problema en 30 minutos, mientras que a su equipo le tomó un año y medio de experimentos llegar a la misma conclusión.
El video de Two Minute Papers añade un dato sobre generalización: en un estudio de Parkinson, un modelo especializado predecía correctamente si la actividad génica subía o bajaba en 17% de los efectos conocidos, mientras que AlphaGenome 2, que nunca se entrenó con ese estudio, alcanzó 41%. Es decir, un modelo general superó a uno especializado en el terreno del especializado.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
Probablemente tu empresa no investiga genómica. Pero el patrón que hace funcionar a AlphaGenome 2 es el mismo que separa a las empresas que aprovechan la IA de las que solo compran licencias.
Primero, el modelo funciona porque había datos. Más de 107 millones de perfiles celulares ya medidos por la comunidad científica. Sin esa base acumulada, ningún algoritmo habría aprendido nada. En una empresa peruana, el equivalente es tener ventas, inventario y atención al cliente registrados de forma consistente durante años. Si tu información vive en cuadernos y en la cabeza del jefe de almacén, ninguna IA te va a salvar.
Segundo, la pregunta estaba bien definida. No era "entiende la biología", era "dado este ADN y este tipo celular, ¿cómo cambia la expresión génica?". Esa precisión es la diferencia entre un proyecto de IA que entrega valor en semanas y uno que se queda en presentaciones. En nuestro blog insistimos en lo mismo: el caso de uso acotado gana.
Tercero, el modelo generalizó. Funcionó en estudios que nunca vio. Eso es exactamente lo que un gerente comercial quiere cuando pide un pronóstico de demanda: que el sistema funcione con el producto nuevo que todavía no tiene historial, no solo con el que ya vendió mil veces.
Y cuarto, hay un límite explícito. DeepMind dice con claridad que su modelo no sirve para diagnóstico. Las empresas que adoptan IA con madurez hacen lo mismo: definen para qué sirve la herramienta y para qué no, antes de ponerla frente a un cliente.
¿Cómo aplica esto en tu empresa?
Si quieres llevar este patrón a tu operación, empieza por tres frentes concretos.
- Ordena los datos antes de elegir la herramienta. Un modelo entrenado con datos sucios produce predicciones sucias, sin importar cuán avanzado sea. Revisa si tus registros de ventas, compras e inventario son consistentes entre sedes y áreas.
- Define una pregunta única y medible. No "usar IA en el negocio", sino "predecir qué clientes dejarán de comprar el próximo trimestre" o "detectar facturas con errores antes de que salgan". Una pregunta por proyecto.
- Valida con casos que el sistema no vio. Antes de confiar en un modelo, pruébalo con datos de un periodo o una sede que hayas reservado. Si solo acierta en lo que ya conocía, no está generalizando.
Si quieres revisar por dónde empezar en tu caso particular, puedes conversar con nosotros sobre tu caso y ver qué datos ya tienes disponibles.
Preguntas Frecuentes
¿Qué es AlphaGenome 2 y para qué sirve?
AlphaGenome 2 es un modelo de inteligencia artificial de Google DeepMind que predice cómo las secuencias de ADN y sus variaciones afectan la actividad de los genes en tipos celulares específicos. Sirve para que los investigadores prioricen qué variantes genéticas estudiar en el laboratorio, especialmente en enfermedades donde el origen está en zonas del ADN que no codifican proteínas. Está disponible para investigación no comercial mediante la API de AlphaGenome y en vista previa privada para investigación comercial a través de Google Cloud.
¿AlphaGenome 2 ya puede diagnosticar enfermedades genéticas?
No. DeepMind indica expresamente que AlphaGenome y AlphaGenome 2 son de uso exclusivamente investigativo y que no han sido validados ni aprobados para fines clínicos o de diagnóstico. El modelo todavía omite muchas mutaciones relacionadas con enfermedades y tiene un desempeño débil en tipos celulares raros. Su función es orientar la investigación, no reemplazar una prueba diagnóstica.
¿Por qué AlphaGenome 2 es más preciso que su versión anterior?
Porque pasó de un modelo que predecía todos los tejidos en paralelo a un modelo condicional que recibe el tipo celular como dato de entrada en cada etapa de su arquitectura. Eso le permite capturar diferencias sutiles entre células parecidas. Según DeepMind, en el conjunto TenK10K identificó 30% de variantes causales frente al 16% del modelo anterior, y en un estudio de Parkinson alcanzó 41% de aciertos frente al 17% de un modelo especializado.
Conclusión: ¿qué nos enseña AlphaGenome 2 sobre adoptar IA?
AlphaGenome 2 no resuelve las enfermedades genéticas, y su propio creador lo dice. Lo que sí demuestra es que la IA entrega resultados extraordinarios cuando se cumplen tres condiciones: datos masivos y ordenados, una pregunta acotada y la capacidad de generalizar a casos nuevos.
Ese trío no es exclusivo de la biología. Aplica a un pronóstico de demanda, a la detección de fraude en facturación o a la priorización de tickets de soporte en una empresa mediana de Lima. La tecnología ya está disponible; lo que escasea son datos limpios y preguntas bien formuladas.
Si quieres evaluar qué tan preparada está tu empresa para aprovechar este tipo de modelos, conversemos sobre tu caso.
Por Edgar Vásquez, Consultoría TI · actualizado el jueves, 19 de noviembre de 2026
Fuentes y Referencias
- Two Minute Papers — DeepMind Just Showed Us What AI Is Really For
- Google DeepMind — AlphaGenome 2: Deciphering how cells read DNA
- Nature — DeepMind's ultra-powerful AI for genome mapping wows scientists
- WIRED en Español — Así funciona AlphaGenome 2
✨ Contenido generado con ContentFlow — Consultoría-Ti