Google crea una IA que predice cómo el ADN afecta a cada tipo de célula

Google DeepMind presenta AlphaGenome 2, una IA que muestra cómo pequeños cambios en el ADN alteran cada tipo de célula. La compañía quiere usarla para entender mejor las enfermedades y acelerar la búsqueda de nuevos fármacos.

Google crea una IA que predice cómo el ADN afecta a cada tipo de célula

Google DeepMind ha presentado AlphaGenome 2, un modelo de inteligencia artificial que intenta averiguar cómo los cambios en el ADN afectan a cada tipo de célula del cuerpo. La compañía lo presenta como una herramienta para entender mejor el origen de las enfermedades y encontrar nuevos tratamientos.

Para entender por qué importa, hay que partir de algo sencillo: casi todas las células del cuerpo tienen el mismo ADN, pero no todas usan los mismos genes. Un músculo del corazón y una célula del sistema inmunitario tienen el mismo manual de instrucciones, pero encienden y apagan instrucciones distintas según su función. Por eso, una misma variante genética puede tener efectos muy diferentes según la célula en la que actúe.

AlphaGenome 2 es el sucesor de AlphaGenome, lanzado el año pasado. El modelo original predecía efectos en tejidos enteros, promediando muchas células a la vez, y eso diluía las diferencias entre tipos de células muy parecidos. La nueva versión trabaja con una condición cada vez: un tejido, un tipo de célula o un estado concreto. Se le indica el fragmento de ADN y la célula objetivo, y aprende cómo se lee ese mismo fragmento de forma distinta en cada una.

Un modelo entrenado con millones de células

Para entrenarlo, DeepMind ha usado más de 100 millones de perfiles de células individuales procedentes de 68 tejidos. Esos datos salen de grandes mapas celulares del cuerpo humano, como el Human Cell Atlas, un consorcio científico que ha catalogado la actividad génica de millones de células. DeepMind sostiene que, gracias a este método, esos mapas dejan de ser simples catálogos y sirven para predecir cómo funciona la genética humana.

Google calcula que el nuevo modelo localiza casi el doble de variantes capaces de alterar la actividad génica frente a su antecesor. En una prueba con un mapa de 28 tipos de células inmunitarias, llamado TenK10K, el modelo encontró el 30% de las variantes causales con una precisión del 90%, frente al 16% del modelo anterior ajustado a datos unicelulares. En cuanto a la dirección del efecto, es decir, si un gen se activa o se desactiva, la cifra pasa del 23% al 43%.

Otra de las capacidades que destaca es que el modelo puede trabajar con tipos celulares y estados que nunca ha visto, sin necesidad de reentrenarse. Basta con subir datos de actividad génica de unas pocas decenas de células. En un ejemplo, a partir de datos de un estudio sobre la vacuna de ARN mensajero contra la COVID-19, el modelo distinguió los linfocitos T activados por la vacuna de los que estaban en reposo. También mostró que una variante ligada a formas graves de COVID-19 altera más la actividad génica cuando las células están activadas, un efecto que pasaría desapercibido en células no activadas.

Un caso concreto: la enfermedad inflamatoria intestinal

DeepMind pone como ejemplo la enfermedad inflamatoria intestinal. Un estudio reciente mostró que una variante genética situada en un interruptor regulador lejano activa en exceso el gen ETS2 en los macrófagos del intestino, un tipo de células del sistema inmune. AlphaGenome 2 reprodujo ese hallazgo por ordenador: señaló la variante causal y mostró que solo potenciaba ETS2 en esos macrófagos, sin afectar apenas a otras células ni a otros genes.

El modelo también ayuda a conectar la genética con la biología celular. Muchas variantes vinculadas a enfermedades se encuentran lejos del gen al que afectan, lo que dificulta seguir su pista. DeepMind ha calculado de antemano predicciones para variantes asociadas a rasgos y enfermedades en cientos de condiciones celulares y tisulares, y ha publicado atlas con unos 7 millones de variantes comunes y de estudios de asociación del genoma completo. Adam Gayoso, investigador de DeepMind implicado en el proyecto, considera que el gran avance es «unir la genética humana con la biología celular».

Qué puede hacer y qué no

Google aclara que el modelo está pensado para orientar la investigación, no para sustituir a los experimentos de laboratorio. Tampoco está aprobado para uso clínico ni diagnóstico. La investigadora Sarah Teichmann, que cofundó el Human Cell Atlas y trabaja en la Universidad de Cambridge, valora que la IA puede aplicarse a datos celulares nuevos sin tener que volver a entrenarse.

De momento, el acceso es limitado. Hoy ya se puede usar para estudios sin fines comerciales a través de la API de AlphaGenome, y la clave para ese uso no tiene coste, mientras que los proyectos con ánimo de lucro solo pueden entrar mediante una prueba cerrada. Las predicciones más detalladas tienen un coste computacional mayor y son más caras de producir que las del modelo anterior, por lo que AlphaGenome 2 no reemplaza de inmediato a su predecesor. Para cubrir todo el genoma humano, la compañía sigue usando la versión original.

DeepMind quiere ampliar los datos de entrenamiento, incluidos los estados celulares peor representados hoy, y entrenar futuras versiones con datos de varias especies. A largo plazo, la idea es alimentar las llamadas células virtuales, simulaciones digitales de sistemas biológicos. Si el modelo funciona fuera de los laboratorios de la compañía, pasar de leer el ADN a entender qué hace cada célula podría acortar el camino hacia nuevos fármacos.

Newsletter · gratis

La semana de la IA, en cinco minutos.

Únete a los lectores que empiezan la semana sabiendo qué pasa en la IA. Cada domingo, en tu correo.