--- service: "Publicasta" schema_version: "1.0" article_id: 560 title: "AlphaGenome Atlas convierte nueve mil millones de cambios posibles en el ADN en un mapa de investigación" language: "es" default_language: "en" canonical_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=es" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=es" api_url: "https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=es" channel_url: "https://publicasta.com/api/public/v1/channels/good_tech_news" channel_articles: "https://publicasta.com/api/public/v1/channels/good_tech_news/articles" search_url: "https://publicasta.com/api/public/v1/search" documentation_url: "https://publicasta.com/api-docs#reading-publicasta" openapi_url: "https://publicasta.com/api-docs/openapi.json" published_at: "2026-09-08T17:41:53+00:00" updated_at: "2026-09-08T17:41:53+00:00" translations: - language: "ar" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ar" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=ar" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ar" - language: "de" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=de" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=de" - language: "en" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=en" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=en" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=en" - language: "es" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=es" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=es" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=es" - language: "fr" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=fr" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=fr" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=fr" - language: "pl" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=pl" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=pl" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=pl" - language: "ru" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ru" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=ru" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ru" - language: "zh" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=zh" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=zh" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=zh" --- # AlphaGenome Atlas convierte nueve mil millones de cambios posibles en el ADN en un mapa de investigación > AlphaGenome Atlas precalcula los efectos moleculares previstos para cada posible cambio de una sola letra en el genoma humano. Sirve para decidir qué estudiar después, pero sus predicciones no son diagnósticos ni sustituyen los experimentos o la interpretación de profesionales de la genética. Una variante genética puede estar separada de su secuencia de referencia por una sola letra del ADN y, aun así, ser difícil de interpretar. El problema no es que falten variantes posibles. Es justo lo contrario: el genoma humano contiene tantos cambios posibles, en tantos contextos reguladores, que los investigadores no pueden probarlos uno por uno en el laboratorio. Además, la mayoría no se encuentra en regiones que codifican proteínas. Se sitúan en las partes menos conocidas del genoma, que ayudan a decidir cuándo, dónde y con qué intensidad se activan los genes. ![Una doble hélice de ADN luminosa sobre un atlas abstracto de datos genómicos y señales reguladoras.](https://publicasta.com/storage/projects/16/pages/560/2026/09/696fd60b-90ae-4e40-a02c-2e3be16a5fd3.webp) El 8 de septiembre de 2026, Google DeepMind presentó AlphaGenome Atlas, un catálogo consultable de predicciones para aproximadamente nueve mil millones de variantes de un solo nucleótido posibles en todo el genoma humano. La cifra se refiere a cada sustitución posible de una letra en cada posición de un genoma de referencia: en cada base de ADN, las otras tres bases generan tres cambios posibles. Atlas precalcula lo que el modelo AlphaGenome predice que esas sustituciones podrían hacer a procesos moleculares como la expresión génica, el corte y empalme del ARN, la actividad de la cromatina y los contactos entre regiones del ADN. Esa descripción importa. Atlas no es una lista de nueve mil millones de mutaciones confirmadas como causantes de enfermedades. Tampoco es una base de datos de diagnósticos personales ni demuestra que un cambio molecular previsto vaya a causar una enfermedad. Su aportación inmediata es más modesta y, precisamente por eso, más útil: ofrece a los biólogos una forma de ordenar hipótesis antes de dedicar tiempo y dinero a los experimentos. ## El cuello de botella es la interpretación, no la secuenciación La secuenciación moderna puede identificar muchas más diferencias genéticas de las que los equipos clínicos o de investigación pueden explicar con seguridad. Un informe de secuenciación puede contener variantes bien comprendidas, variantes respaldadas por pruebas sólidas aunque incompletas y variantes de significado incierto. Esta última categoría no es un diagnóstico. Indica que las pruebas disponibles todavía no permiten una clasificación fiable. La dificultad es especialmente grande fuera de las regiones que codifican proteínas. Los exones codificantes representan solo alrededor del 2 % del genoma humano, mientras que el ADN regulador ayuda a controlar la actividad de los genes en distintos tipos de células y tejidos. Un cambio en un elemento regulador puede afectar a si un gen se transcribe, a la cantidad de ARN que se produce o a la manera en que se corta y empalma un transcrito de ARN. Las pruebas pertinentes pueden estar distribuidas a lo largo de un tramo extenso de ADN y ser relevantes únicamente en un contexto biológico concreto. Por eso, una tabla de consulta sencilla basada solo en el gen más cercano resulta insuficiente. Una variante puede influir en un gen distante, producir efectos distintos en diferentes tejidos o alterar un paso molecular sin provocar una consecuencia clínica evidente. Los investigadores necesitan algo más que una posición en un cromosoma. Necesitan predicciones comprobables sobre aquello que el cambio de secuencia podría modificar. AlphaGenome se diseñó para hacer ese tipo de predicciones. Puede procesar secuencias de ADN de hasta un millón de pares de bases y producir muchos tipos de resultados con alta resolución. El modelo compara una secuencia de referencia con otra que contiene una variante y después estima los cambios en distintas propiedades moleculares. Esos resultados incluyen señales de expresión génica, unión de factores de transcripción, accesibilidad de la cromatina, contactos tridimensionales del ADN y patrones de corte y empalme del ARN. Atlas aplica ese enfoque a una escala que normalmente ningún grupo de investigación individual podría reproducir para cada cambio posible de una sola letra. Google DeepMind afirma que el conjunto de datos precalculado ocupa aproximadamente un petabyte. En lugar de obligar a cada investigador a ejecutar el modelo para cada variante candidata, el servicio ofrece las predicciones mediante una interfaz web y una API para investigación académica. ## Qué aporta realmente Atlas El modelo AlphaGenome original ya permitía puntuar variantes seleccionadas. El nuevo Atlas modifica el flujo de trabajo. Traslada parte del cálculo bajo demanda a un recurso de referencia preparado, de modo que un científico puede comenzar explorando una región o una variante candidata sin tener que construir antes una gran canalización computacional. Ese cambio resulta útil en varias situaciones. Un equipo que estudia una enfermedad rara puede tener una lista de variantes encontradas en un paciente o una familia y necesitar decidir qué cambios no codificantes merecen pruebas funcionales. Un grupo de genética de poblaciones puede querer examinar si las variantes raras cercanas a un gen probablemente producen efectos reguladores parecidos. Un laboratorio dedicado a la regulación génica puede necesitar elegir un conjunto reducido de sustituciones para ensayos con reporteros, perturbaciones mediante CRISPR o mediciones de ARN. En todos esos casos, el modelo puede ayudar a acotar la búsqueda. Atlas también introduce una puntuación de impacto de variantes AlphaGenome, o puntuación AVI. DeepMind la describe como una puntuación combinada que reúne predicciones de AlphaGenome sobre efectos reguladores y predicciones de AlphaMissense para variantes que alteran proteínas. Una única puntuación no puede sustituir las pruebas subyacentes, pero sí ayudar a ordenar una lista extensa de candidatas y a revisar primero las variantes que parecen más relevantes a través de las señales disponibles. Esta es la diferencia práctica entre una predicción y una prueba. Una puntuación es útil cuando mejora el orden en que los científicos investigan sus preguntas. Se vuelve engañosa cuando se interpreta como un veredicto definitivo. La mejor forma de entender Atlas es como una capa de priorización sobre la biología, no como una autoridad automática sobre lo que una variante significa para una persona. ## Los primeros ejemplos muestran el uso previsto Google DeepMind describe dos aplicaciones iniciales. En una de ellas, investigadores del Broad Institute utilizaron la puntuación AVI para priorizar variantes en un caso de enfermedad rara que no había sido resuelto. El sistema destacó una variante en el gen DNM1 y predijo que podía crear un sitio anómalo de corte y empalme. La predicción aportó pruebas de apoyo en un caso que posteriormente se resolvió mediante el proceso más amplio de investigación genómica. El detalle importante está en la expresión “pruebas de apoyo”. El resultado no procedió únicamente de un modelo. Un diagnóstico de enfermedad rara suele depender del fenotipo del paciente, las relaciones familiares, la frecuencia en la población, la conexión entre el gen y la enfermedad, las observaciones previas y, cuando existe, la evidencia funcional. Una predicción sobre el corte y empalme puede hacer que una candidata resulte más atractiva para el trabajo de laboratorio o la revisión de expertos, pero no elimina la necesidad de contar con esas otras líneas de evidencia. En otro ejemplo, un investigador utilizó predicciones de Atlas junto con datos de más de 54.000 participantes del UK Biobank. Según se ha informado, agrupar las variantes de acuerdo con sus efectos moleculares previstos reveló un 22 % más de asociaciones genéticas no codificantes que un enfoque que no aprovechaba del mismo modo el impacto predicho. El análisis también identificó 19 regiones genómicas vinculadas al índice de masa corporal entre las variantes con mayor impacto. Ese resultado muestra cómo un modelo puede ayudar con la organización estadística sin ofrecer necesariamente una nueva conclusión médica. Los investigadores suelen enfrentarse a una colección ruidosa de variantes raras, cada una observada con una frecuencia demasiado baja para analizarla por separado. Si las predicciones permiten agrupar variantes que parecen alterar el mismo mecanismo regulador, esos grupos pueden ser más fáciles de estudiar. La asociación sigue necesitando análisis independiente y validación biológica. Los ejemplos también dejan claro para qué no está diseñado Atlas. No explica el fenotipo completo de una persona a partir de su genoma. No calcula la salud futura de un individuo. No determina cómo se comporta una variante en todos los tejidos, a cualquier edad y bajo todas las condiciones ambientales. Identifica hipótesis moleculares que pueden combinarse con otras pruebas. ## Por qué el ADN no codificante complica el análisis La expresión “ADN no codificante” puede generar una impresión equivocada. No codificante no significa inútil, y tampoco significa que cada base tenga una función reguladora conocida. Quiere decir que la secuencia no codifica directamente una proteína. Muchas regiones no codificantes ayudan a controlar la actividad génica, pero la función reguladora suele depender del contexto. Una secuencia puede ser relevante en una célula hepática y no en una neurona, durante el desarrollo y no en la edad adulta, o únicamente después de que una señal concreta active una ruta biológica. Por eso, los datos de entrenamiento de modelos como AlphaGenome importan tanto como su arquitectura. DeepMind afirma que AlphaGenome se entrenó con mediciones procedentes de recursos públicos como ENCODE, GTEx, el proyecto 4D Nucleome y FANTOM5. Estos proyectos miden distintos aspectos de la regulación génica en determinados tipos de células y tejidos humanos y de ratón. Proporcionan una cobertura valiosa, pero no son un registro completo de cada estado celular en todas las personas. Un modelo aprende patrones a partir de aquello que se ha medido. Si un tejido, una etapa del desarrollo, un grupo de ancestría o una condición celular está poco representado en los datos de entrenamiento, el modelo puede disponer de información menos fiable para ese contexto. El resultado puede seguir siendo útil como hipótesis, pero su incertidumbre no debería quedar oculta detrás de un número que parezca preciso. Existe un segundo reto: la distancia biológica. La regulación génica no se limita a un vecindario corto alrededor de un gen. Los potenciadores y otros elementos reguladores pueden actuar a grandes distancias, y el ADN se pliega en estructuras tridimensionales que ponen en contacto regiones alejadas. AlphaGenome puede utilizar un contexto de hasta un millón de pares de bases, un tramo considerablemente más largo que el de muchos modelos de secuencia, pero sigue siendo una ventana finita. La documentación técnica de Google señala un horizonte de contexto de un megabase como limitación; esto significa que las interacciones que superen ese rango no pueden capturarse en una sola consulta de predicción. También hay una diferencia entre un resultado molecular y una consecuencia a escala del organismo. El modelo puede predecir que una variante cambia una señal de corte y empalme del ARN o reduce una señal de expresión génica. Eso no demuestra por sí solo que el cambio cause una enfermedad, determine su gravedad o responda a un tratamiento concreto. El camino que va del ADN a la salud incluye la biología celular, el desarrollo, la fisiología, el entorno y el azar. ## Un mapa útil también necesita datos de referencia Después de una predicción de Atlas, el siguiente paso más valioso normalmente no es otra predicción. Es un experimento o una revisión de pruebas diseñada en torno a la afirmación concreta que se quiere comprobar. Si el modelo predice un cambio en el corte y empalme, los investigadores pueden analizar ARN de un tejido pertinente o utilizar un ensayo celular validado. Si predice un cambio en la actividad de un potenciador, pueden comparar las secuencias de referencia y alternativa en un sistema de reportero y comprobar después si el resultado se mantiene en un modelo celular más realista. Si una variante está asociada a un rasgo, hacen falta replicación estadística y un mecanismo biológico plausible. El diseño experimental importa porque las predicciones computacionales pueden estar correlacionadas con los datos utilizados para entrenar o evaluar el modelo. Un resultado que parece convincente in silico puede fracasar cuando la secuencia se prueba en otro tipo celular o con otro ensayo. También puede suceder lo contrario: un modelo puede ayudar a los laboratorios a escoger experimentos que, de otro modo, serían demasiado numerosos o costosos. Su papel más sólido suele consistir en hacer más selectiva la validación. La genómica clínica tiene sus propias reglas para combinar pruebas. La guía de ClinGen para la clasificación de variantes utiliza un marco ACMG/AMP que incorpora datos poblacionales, evidencia computacional, estudios funcionales, segregación, fenotipo y otra información. Las predicciones computacionales son una parte del proceso, no un sustituto de la curación experta. ClinGen advierte explícitamente que sus recomendaciones no están destinadas a la toma directa de decisiones diagnósticas o médicas sin la revisión de un profesional de la genética. Las condiciones de uso de AlphaGenome son igualmente claras. Google DeepMind afirma que AlphaGenome Atlas no ha sido validado ni aprobado para uso clínico. El modelo está destinado a la investigación, y sus predicciones no deben utilizarse como consejo médico, diagnóstico o fundamento para modificar un tratamiento. Ese límite no es una nota secundaria. Es la diferencia entre una herramienta para generar pruebas y una prueba clínica regulada. ## Qué pueden hacer ahora los investigadores Para los usuarios académicos, Atlas reduce varias barreras a la vez. Un científico puede consultar una candidata sin ejecutar localmente el modelo completo. Un equipo puede inspeccionar variantes no codificantes que de otro modo serían difíciles de ordenar. Un estudiante puede explorar cómo se predice que un cambio de una sola letra afecta simultáneamente a varios procesos moleculares. Un grupo computacional puede utilizar la API para análisis pequeños y construir sus propias comparaciones alrededor de las puntuaciones devueltas. El recurso también puede hacer que los resultados negativos sean más informativos. Si una variante obtiene una puntuación de efecto previsto bajo en varios resultados moleculares pertinentes, puede bajar en la lista de prioridades de un laboratorio. Eso no demuestra que la variante sea inocua, pero puede ayudar a distribuir una capacidad experimental escasa. Lo contrario también es cierto: un efecto previsto fuerte puede identificar una candidata para un estudio más profundo sin declararla patogénica. Hay límites prácticos. La API pública está destinada a la investigación no comercial, y la documentación del proyecto indica que se adapta mejor a análisis pequeños o medianos que a solicitudes con más de un millón de predicciones. Los investigadores también deben registrar la versión del genoma, la secuencia de referencia, el transcrito elegido y el contexto biológico utilizados en el análisis. Una coordenada sin esos metadatos no constituye un resultado reproducible. El precálculo crea otra responsabilidad: el control de versiones. Un atlas genómico no es una respuesta inmutable. Los modelos pueden actualizarse, las ensamblajes de referencia pueden cambiar, las anotaciones pueden mejorar y las pruebas experimentales pueden cambiar una interpretación anterior. Un análisis serio debería conservar la versión del modelo o de Atlas, la variante consultada, el genoma de referencia, los campos de salida y la fecha de acceso. Sin ese registro, los usuarios posteriores quizá no puedan entender por qué cambió un resultado. ## Por qué es una buena noticia tecnológica, con matices La buena noticia no es que la IA haya resuelto el genoma. No lo ha hecho. La noticia positiva es que se ha abordado de forma concreta un cuello de botella conocido de la investigación. En lugar de pedir a los científicos que elijan dentro de un espacio casi inmanejable de posibles cambios de una sola letra, AlphaGenome Atlas les ofrece una primera exploración amplia y consultable de ese espacio. Puede incorporar las variantes no codificantes al mismo flujo de trabajo práctico que las variantes codificantes más conocidas y ayudar a conectar distintas señales moleculares alrededor de una candidata. Eso importa porque el descubrimiento suele depender de decidir qué probar después. Un laboratorio no dispone de tiempo, muestras ni financiación ilimitados. Una mejor priorización puede acortar el camino entre una observación genómica y un experimento bien diseñado. En enfermedades raras, puede ayudar a detectar un mecanismo regulador o de corte y empalme plausible. En estudios poblacionales, puede facilitar la agrupación de variantes en conjuntos con significado biológico. En investigación básica, puede revelar patrones que indiquen qué zonas del genoma merecen mediciones más detalladas. Los límites son igual de importantes. Atlas predice efectos moleculares, no resultados clínicos completos. Cubre un genoma de referencia, no todos los contextos genómicos personales. No puede observar procesos biológicos ausentes o poco representados en sus datos. Su ventana de secuencia finita deja sin resolver algunas interacciones de largo alcance. Sus resultados necesitan validación, una evaluación cuidadosa de la incertidumbre y su integración con la evidencia genética establecida. Esa combinación ofrece un criterio razonable para valorar la biología computacional. Una herramienta de investigación merece confianza cuando aclara el siguiente experimento, registra lo que sabe y deja espacio para lo que todavía desconoce. AlphaGenome Atlas parece útil en esos términos: no como un oráculo diagnóstico, sino como un mapa para recorrer un problema que ya es demasiado grande para inspeccionarlo a mano por completo. ### Fuentes y lecturas adicionales - [Google DeepMind: AlphaGenome Atlas](https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/) — anuncio, alcance de Atlas, puntuación AVI y primeros ejemplos de investigación. - [Google: presentación general de AlphaGenome Atlas](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-atlas/) — escala del conjunto de datos, modelo de acceso y ejemplos relacionados con enfermedades raras y datos del UK Biobank. - [Nature: el nuevo atlas genómico de DeepMind](https://www.nature.com/news/deepminds-new-genome-atlas-charts-effects-of-all-9-billion-human-gene-mutations) — contexto independiente de divulgación científica. - [Google DeepMind: modelo AlphaGenome](https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/) — entradas del modelo, propiedades moleculares predichas, evaluaciones y advertencia sobre su uso en investigación. - [Documentación y repositorio de la API de AlphaGenome](https://github.com/google-deepmind/alphagenome) — acceso, resultados compatibles y límites prácticos de uso. - [Documentación de AlphaGenome en Google Cloud](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/open-models/alphagenome) — limitaciones declaradas, incluido el uso exclusivo en investigación y el horizonte de contexto de un megabase. - [Guía de ClinGen para la clasificación de variantes](https://www.clinicalgenome.org/tools/clingen-variant-classification-guidance/) — cómo encajan las pruebas computacionales, funcionales, clínicas y poblacionales en la interpretación experta de variantes.