El ADN se aisló por primera vez en 1869, pero la comunidad científica necesitó casi un siglo para comprender su estructura de doble hélice. Ese largo intervalo de ocho décadas incluyó dos guerras mundiales y un crecimiento demográfico de aproximadamente mil millones de personas. 

La ciencia avanzó de forma irregular durante ese periodo, con hallazgos aislados que rara vez produjeron transformaciones inmediatas en la práctica médica.

Ese ritmo pausado cambió de forma drástica en 2020. En ese año, el modelo AlphaFold, desarrollado por Google DeepMind, resolvió un problema que había frustrado a los biólogos durante medio siglo: predecir la estructura tridimensional de las proteínas a partir de su secuencia de aminoácidos. 

La hazaña tuvo tal repercusión que cuatro años después sus responsables, Demis Hassabis y John Jumper, recibieron el Premio Nobel de Química de 2024.

Y es que la Inteligencia Artificial demostró con AlphaFold que podía comprimir años de trabajo experimental en cuestión de minutos. 

LEA TAMBIÉN: Google duplica emisiones de carbono por uso de la IA

Sin embargo, aquel modelo se centró en las proteínas, las máquinas microscópicas que ejecutan las funciones celulares. El siguiente desafío consistía en descifrar el manual de instrucciones que las produce: el propio ADN. Ese es el terreno que ahora explora una nueva generación de herramientas computacionales.

AlphaGenome 2: la Inteligencia Artificial que examina el ADN célula por célula 

Google DeepMind presentó AlphaGenome 2 como la evolución de su modelo anterior, AlphaGenome, lanzado en 2025. 

El cambio de enfoque es radical. Mientras que la primera versión trabajaba con promedios de tejidos completos, la nueva herramienta realiza predicciones para tipos celulares concretos y para estados biológicos específicos. 

Dicha distinción resulta crucial porque una misma variante genética puede pasar inadvertida en un análisis agregado de tejido y, al mismo tiempo, tener un efecto devastador en un subtipo celular minoritario.

💻 ¿Quién enseña a la inteligencia artificial a mejorar cada vez más? 👨‍💻 Los modelos de Anthropic mejoraron casi el doble de rápido en determinadas pruebas desde octubre de 2025. Un estudio apunta que el uso de la propia IA en su desarrollo podría explicar gran parte de esta aceleración. ✔️ Más detalles aquí: https://t.co/yApwV8D4pd #AlMayadeen #InteligenciaArtificial

— Al Mayadeen Español (@almayadeen_es) November 6, 2026

El problema biológico de fondo es bien conocido. Prácticamente todas las células del cuerpo humano contienen la misma secuencia de ADN, pero no expresan los mismos genes. 

Una célula del músculo cardiaco y una célula inmunitaria comparten el material genético, aunque activan y desactivan regiones diferentes para cumplir sus funciones. 

Como consecuencia, una mutación puede ser inocua en un tejido y patogénica en otro. Los modelos anteriores no capturaban esa especificidad, y ahí reside la principal aportación de AlphaGenome 2.

La arquitectura del nuevo sistema abandona el diseño que predecía miles de experimentos en paralelo. En su lugar, AlphaGenome 2 funciona como un modelo condicional: procesa un fragmento de un millón de letras de ADN junto con una condición biológica concreta, que puede ser un tejido, un tipo celular o un estado de activación. 

De esta forma, aprende cómo la misma cadena genética se lee de manera diferente según el contexto celular. La Inteligencia Artificial deja de ofrecer una respuesta única para todo el organismo y comienza a responder pregunta por pregunta, célula por célula.

Un entrenamiento masivo con datos de células individuales 

Para alcanzar esa granularidad, el equipo de DeepMind entrenó el modelo con más de 107 millones de perfiles celulares individuales procedentes de 68 tejidos humanos y de ratón. 

Esta base de datos supera con creces la información que alimentó a AlphaGenome 1, que trabajaba con muestras heterogéneas de tejido. La diferencia no es solo cuantitativa. 

Los datos de célula única permiten al modelo distinguir subpoblaciones que antes se mezclaban en un promedio indistinguible.

El rendimiento experimental confirma el salto. En una prueba con un mapa de 28 tipos de células inmunitarias primarias, AlphaGenome 2 identificó un 30 por ciento de variantes causales, frente al 16 por ciento que logró su predecesor en las mismas condiciones. 

La precisión en la dirección del efecto génico también mejoró: pasó del 23 al 43 por ciento. Estos números implican que la Inteligencia Artificial reduce a la mitad el número de experimentos de laboratorio que los científicos deben descartar y acelera la priorización de candidatos terapéuticos.

Una de las capacidades que más ha llamado la atención de los investigadores es la adaptación a datos no vistos durante el entrenamiento. 

AlphaGenome 2 puede recibir información de unas pocas decenas de células de un estado biológico nuevo y generar predicciones sin necesidad de reentrenarse por completo. 

En una validación con células T activadas por vacunas de ARN mensajero contra la covid-19, el modelo distinguió con éxito las células activadas de las de reposo. 

Tal flexibilidad convierte a la herramienta en un motor predictivo que se ajusta sobre la marcha, algo impensable en los modelos genómicos tradicionales.