- AlphaGenome 2 es un modelo de secuenciación de ADN mejorado que puede predecir el impacto de las variaciones genéticas en las células humanas.
- El modelo analiza tipos de células individuales, ayudando a los investigadores a examinar las variaciones genéticas relacionadas con enfermedades.
- En las pruebas de referencia, AlphaGenome 2 identificó más variaciones causales, mejorando la capacidad de juicio sobre el impacto de la actividad genética.
- El modelo está disponible para uso en investigación no comercial y aún no ha recibido validación o aprobación para usos clínicos.
Google DeepMind ha lanzado AlphaGenome 2, una versión mejorada de su modelo de secuenciación de ADN, diseñado para predecir cómo las variaciones genéticas afectan a diferentes tipos de células humanas, ayudando a los investigadores a explorar los mecanismos genéticos detrás de las enfermedades. Este modelo se basa en el AlphaGenome original, que era capaz de mapear la actividad molecular en una amplia variedad de tejidos, abarcando tanto las regiones codificantes como no codificantes del genoma, proporcionando así un enfoque unificado para evaluar el impacto potencial de las variaciones genéticas. A principios de este año, la compañía también lanzó AlphaGenome Atlas, un recurso de predicción independiente que mapea el impacto de cada posible cambio de una sola letra en el ADN dentro del genoma humano.
Funciones y características de AlphaGenome 2
Según la información de la empresa, AlphaGenome 2 no se limita a promedios a nivel de tejido, sino que analiza tipos de células individuales y su estado. Esto permite a los investigadores examinar cómo las variaciones genéticas afectan a las células relacionadas con enfermedades, así como las diferencias que pueden existir en estos impactos bajo diferentes condiciones celulares. El modelo fue entrenado con datos de más de 17 millones de células individuales de muestras humanas y de ratón, abarcando 68 tipos de tejidos. A diferencia de su predecesor, el modelo considera condiciones biológicas específicas y secuencias de ADN al momento de la entrada.
Los investigadores pueden seleccionar un tipo de célula de un catálogo de referencia o utilizar sus propios datos de células individuales para examinar estados celulares previamente no observados. El modelo también puede estimar datos de mediciones experimentales faltantes a partir de otros datos disponibles, como la accesibilidad de la cromatina.
En las pruebas de referencia utilizando TenK10K, un conjunto de datos de células individuales que abarca 28 tipos principales de células inmunitarias, AlphaGenome 2 identificó el 30% de las variaciones causales, en comparación con el modelo original que solo identificó el 16% después de ajustes en datos de células individuales y otras herramientas especializadas. El modelo también mejoró la capacidad de juicio sobre la dirección del impacto de las variaciones en la actividad genética. En el 43% de los casos, el modelo identificó correctamente si las variaciones aumentaban o disminuían la expresión genética, mientras que el modelo original y las herramientas comparativas solo lo hicieron en un 23% de los casos.
Estos resultados sugieren que el sistema actualizado puede ayudar a los investigadores a reducir el rango de cambios genéticos más probables que afectan a los procesos relacionados con enfermedades en tipos específicos de células.
Ejemplos de predicciones específicas de células
Google DeepMind también demostró la capacidad del modelo para examinar efectos genéticos en condiciones celulares no previamente encontradas. En un ejemplo, los investigadores utilizaron datos de células individuales de personas que recibieron la vacuna COVID-19 mRNA. AlphaGenome 2 fue capaz de distinguir entre células T inmunitarias activadas y células T en reposo, y descubrió que una variación relacionada con casos severos de COVID-19 tenía un mayor impacto en la actividad genética de las células activadas. La compañía también utilizó el modelo para reproducir computacionalmente hallazgos relacionados con la enfermedad inflamatoria intestinal (IBD).
Las variaciones ubicadas en regiones de control remoto del ADN se mostraron capaces de promover la actividad del gen ETS2 en macrófagos intestinales. El modelo predijo que este efecto se concentra en estas células, en lugar de ocurrir de manera generalizada en otros tipos de células. Estos ejemplos ilustran cómo las predicciones específicas de células pueden ayudar a los investigadores a vincular las variaciones genéticas con las células y procesos biológicos involucrados en enfermedades. Sin embargo, las predicciones computacionales aún requieren validación experimental.
AlphaGenome 2 ya está disponible a través de la API de AlphaGenome para uso en investigación no comercial, mientras que los investigadores comerciales pueden acceder al modelo a través de una vista previa privada. Google DeepMind indicó que el modelo está destinado a fines de investigación y aún no ha recibido validación o aprobación para usos clínicos o diagnósticos.
Importancia de AlphaGenome 2 en la investigación genética
El lanzamiento de AlphaGenome 2 marca un avance significativo en la investigación en genómica, ya que no solo puede predecir el impacto de las variaciones genéticas, sino que también permite análisis específicos de tipos celulares. Esta predicción específica de células ayuda a los investigadores a comprender de manera más precisa la base genética de las enfermedades y podría facilitar el desarrollo de nuevas terapias. Aunque el modelo tiene potencial para fines de investigación, se requieren más validaciones experimentales para confirmar la precisión y fiabilidad de sus predicciones.

