El martes, Google DeepMind presentó AlphaGenome Atlas, una base de datos creada al ejecutar su modelo AlphaGenome sobre cada posible sustitución de una sola letra en el genoma humano de referencia: aproximadamente 9.000 millones de variantes potenciales. La empresa lo califica como el catálogo más completo hasta la fecha sobre cómo las mutaciones pueden afectar a la biología molecular, con predicciones que abarcan la regulación genética, el empalme y los efectos sobre las proteínas.¹

La propuesta es la velocidad. En lugar de probar las variantes una por una en un laboratorio, o de esperar a que un modelo las calcule, los investigadores pueden buscar resultados precalculados, incluida una puntuación de Impacto de Variante AlphaGenome diseñada para clasificar los indicios más relevantes. El atlas es gratuito para investigadores académicos a través de un portal basado en navegador, una API y la plataforma Antigravity de Google.¹

El director ejecutivo de Google, Sundar Pichai, presentó ese acceso como un elemento central del lanzamiento y afirmó que la herramienta funciona «en un navegador web normal, sin necesidad de programar», y que es gratuita para académicos.Sundar Pichai (sundarpichai)² La vía comercial es menos clara: DeepMind afirma que próximamente habrá licencias a través de Google Cloud, mientras que su empresa hermana de descubrimiento de fármacos, Isomorphic Labs, también necesitará una licencia comercial.³

Las primeras demostraciones dan cierto peso al argumento de la empresa. En investigaciones sobre enfermedades raras con el Consorcio GREGoR, Atlas ayudó a señalar una variante de DNM1 vinculada a encefalopatía epiléptica; experimentos de laboratorio respaldaron posteriormente la predicción. En un análisis independiente de UK Biobank, el filtrado por efecto molecular previsto produjo un 22 % más de asociaciones que un análisis sin Atlas.³

Pero el atlas es una brújula, no un diagnóstico. El responsable de genómica de DeepMind, Žiga Avsec, afirmó que las predicciones pueden orientar los estudios posteriores «en la dirección correcta», pero no son «la verdad universal».³ El escrutinio independiente es más severo: dado que el modelo se entrena con tipos celulares limitados y conjuntos de datos existentes, sigue sin estar claro si aporta conocimientos más allá de esas entradas. Como expresó una evaluación: «Por el momento, no está claro si ya hemos llegado a ese punto».⁴