El 8 de septiembre de 2026, Google DeepMind lanzó AlphaGenome Atlas: un mapa gratuito y precalculado que puntúa cada uno de los ~9.000 millones de posibles cambios de una sola letra en el ADN humano. En lugar de ejecutar un modelo, el investigador escribe una variante y lee la predicción.
El número principal es la puntuación AVI (AlphaGenome Variant Impact): un número por variante que clasifica la probabilidad de que un cambio importe. Funciona tanto para el 2 % del genoma que codifica proteínas como para el 98 % que no, justo la parte que la ciencia ha tenido más difícil de leer.
Es realmente útil y realmente limitado. Los laboratorios pueden ahora consultar en segundos lo que antes exigía cómputo a medida o trabajo de laboratorio, pero las puntuaciones son predicciones, no pruebas, y DeepMind es explícito en que no sirve para el diagnóstico clínico. La lección más profunda, la que trasciende la genómica, tiene que ver con el empaquetado: lo que se gana aquí no es un modelo nuevo, sino un modelo difícil convertido en algo que simplemente se puede usar.
Qué es realmente AlphaGenome Atlas
AlphaGenome Atlas es una base de datos, no un chatbot. DeepMind tomó su modelo AlphaGenome y lo ejecutó de forma exhaustiva sobre el genoma humano, guardando después cada resultado. Lo que obtuvo es, según ellos, "el catálogo más completo de cómo las mutaciones genéticas afectan a la biología molecular", y es enorme: cerca de 1 petabyte de predicciones, más de 30 veces el tamaño de la AlphaFold Database.
La escala es el punto clave. Para cada variante, el Atlas contiene miles de predicciones de efectos moleculares repartidas en cientos de tipos celulares y tejidos humanos y de ratón. Demis Hassabis, de DeepMind, planteó la ambición sin rodeos:
"With AlphaFold we mapped the protein universe - now with AlphaGenome Atlas we're charting the human genome..."
Dos nombres a los que atribuir el trabajo: se acredita a Pushmeet Kohli, vicepresidente de Ciencia de DeepMind, y a Žiga Avsec, que lidera su trabajo en genómica.
El problema para el que se creó: el 98 % que no sabíamos leer
Este es el contexto que lo hace importante. Solo alrededor del 2 % del genoma humano codifica proteínas. El ~98 % restante es ADN no codificante, la parte que decide cuándo, dónde y con qué intensidad se activan y desactivan los genes.
Eso es un problema porque la mayoría de las variantes asociadas a enfermedades que revelan los estudios de asociación del genoma completo están justo en ese espacio no codificante, donde el efecto era históricamente un misterio. A una variante así se le pone una etiqueta frustrante: "variante de significado incierto". Se ve, pero no se puede decir qué hace. Antes del Atlas, resolver una significaba ejecutar el modelo uno mismo o hacer un trabajo de laboratorio lento y caro.
La propuesta es que ahora se pueden clasificar las variantes por impacto previsto en lugar de probarlas todas. Julia Zeitlinger, del Stowers Institute, describió bien el efecto:
"gives us a searchable dictionary for non-coding DNA"
La puntuación AVI: un número para cualquier variante
Lo que realmente se lee en el Atlas es la puntuación AlphaGenome Variant Impact (AVI), un único número que describe cuánto se prevé que importe un cambio. Lo ingenioso es que combina dos modelos: AlphaGenome para los efectos reguladores (no codificantes) y AlphaMissense para los efectos que alteran proteínas (codificantes). Así, una variante codificante y una no codificante salen en la misma escala y se pueden comparar directamente.
La escala es logarítmica, lo que es fácil de malinterpretar, así que aquí va la versión simple:
| Puntuación AVI | Qué significa, a grandes rasgos |
|---|---|
| 10 | Entre el 10 % de variantes más impactantes del genoma |
| 30 | Entre ~1 de cada 1.000 variantes más fuertes |
Y no es un número de caja negra. Cada puntuación AVI se descompone en contribuciones aditivas de categorías interpretables como la accesibilidad de la cromatina, el empalme y la conservación, de modo que se ve qué proceso molecular se prevé que altere una variante, y no solo que altera algo. DeepMind informa de que la puntuación ofrece "best-in-class performance across many variant pathogenicity and rare-disease benchmarks."
Por dentro: cómo lee el ADN AlphaGenome
El Atlas es una tabla de consulta, pero lo que la llenó fue el modelo AlphaGenome, publicado por primera vez en junio de 2025. Conviene entender cómo lee un genoma, porque en eso se apoyan las puntuaciones.
El modelo toma un tramo de 1 millón de pares de bases de ADN cada vez y lo procesa con una arquitectura tipo U-Net con una torre Transformer central, una forma de codificador y luego decodificador tomada en parte de AlphaFold. El contexto largo es lo que le permite conectar un interruptor regulador con un gen situado lejos en la cadena, y produce predicciones hasta la resolución de un solo par de bases. A partir de esa única pasada predice a lo largo de 11 modalidades genómicas funcionales, entre ellas la expresión génica, el empalme del ARN, la accesibilidad de la cromatina y el plegamiento del genoma. Además de las puntuaciones de variantes, el Atlas cataloga más de 2.500 motivos de ADN recurrentes con sus ubicaciones en el genoma.
El Atlas frente a ejecutar el modelo uno mismo
Si AlphaGenome ya existía, ¿por qué crear el Atlas? Por velocidad y acceso. Ejecutar un modelo de este tamaño en vivo, variante a variante, sirve para un puñado de consultas y es inviable para trabajo a escala del genoma. Probar así los 9.000 millones de cambios posibles simplemente no es factible.
Por eso DeepMind precalculó las respuestas. Esa única decisión es lo que convierte un modelo de investigación en algo que un biólogo puede usar un martes por la tarde. Jonathan Sebat, genetista psiquiátrico de la UC San Diego, describió con claridad el impacto del día a día:
"Our own workflows in the lab can be streamlined quite a bit because we don't actually have to compute anything. We literally can just look up everything."
Ese cambio hacia la consulta ya se ha notado en trabajo real. Un equipo del Broad Institute, junto con el GREGoR Consortium, usó puntuaciones AVI para priorizar una variante no codificante como posible causa de una epilepsia grave en un paciente. En un caso relacionado, la predicción llegó a señalar el mecanismo: una variante que creaba un sitio de empalme incorrecto.
Cómo usarlo en la práctica
Hay tres vías de entrada, según quién seas.
| Vía de acceso | Para quién / coste | Ideal para |
|---|---|---|
| Portal web sin código | Académico, gratis | Consultar una variante sin nada de código |
| API de AlphaGenome (GitHub) | No comercial, gratis (Apache 2.0) | Análisis a medida de escala pequeña a media |
| Google Cloud Model Garden | Licencia comercial | Empresas, descubrimiento de fármacos |
Para la mayoría de los investigadores, el portal es lo importante: escribes una variante en una web y lees la puntuación AVI más el desglose por modalidad, sin saber programar. Si quieres automatizarlo, la API es un paquete de Python (dna_client, con las llamadas predict_variant y score_variant) gratuito para uso no comercial. El acceso ya importa claramente en el campo: DeepMind dice que unos 9.000 investigadores habían usado AlphaGenome a través de la API incluso antes de que el Atlas lo convirtiera en apuntar y hacer clic.
Dónde se queda corto
Esta es la parte que gran parte de la cobertura del día del lanzamiento pasó por alto, y es la sección más importante para quien deba decidir cuánto confiar en una puntuación.
DeepMind deja claro que el Atlas no está aprobado para ningún uso clínico y no sustituye un diagnóstico profesional. Es una herramienta de priorización. Y es menos precisa que su famoso hermano: los expertos señalan que el Atlas es mucho menos preciso que la base de datos de AlphaFold, aunque sea mucho mayor, porque predecir la regulación génica es un problema más ruidoso que predecir la estructura de proteínas. Martin Kircher, del Centro Max Delbrück, hizo una lectura ecuánime:
"This is a useful and generous way to scale up access to a strong model" ... it "won't replace experiments or, in the case of diagnosing disease, accounting for differences specific to individuals."
El escrutinio más agudo vino de profesionales en Hacker News, y merece la pena escucharlo. Un comentarista con evidente formación en biología rechazó la idea de que las puntuaciones por variante se traduzcan limpiamente en valor médico:
"on their own, with the exception of a few diseases, individual SNP predictions are meaningless in terms of actual pathogenicity."
Otro planteó un matiz metodológico sutil: si las etiquetas del benchmark se apoyan en la conservación evolutiva, un modelo puede parecer bueno en parte por releer una señal que ya se le había dado. Y un tema recurrente fue que los mapas de variantes individuales pasan por alto biología que solo aparece cuando varios cambios interactúan, algo que una puntuación variante a variante no puede captar. Nada de esto hace inútil al Atlas; lo hace ser lo que DeepMind dice que es: un punto de partida, no una respuesta.
Qué significa esto si construyes con AI
Escribo esto desde el lado del software, no del laboratorio, y lo que se me quedó no es la genómica. Es la decisión de producto que hay debajo.
AlphaGenome existió más de un año como API. Potente, y accesible sobre todo para quien podía montar cómputo y escribir Python. El Atlas no hizo el modelo más inteligente. Hizo el trabajo duro de antemano y lo envolvió en algo que simplemente se puede usar, de modo que un biólogo consulta una respuesta en lugar de ingeniársela. Esa brecha entre "aquí tienes un modelo capaz" y "aquí tienes algo que hace el trabajo" es donde la mayor parte de la AI se adopta o se abandona.
Ese es exactamente el patrón que nos importa en eesel. Un modelo en bruto es infraestructura; lo que un equipo contrata es un empleado. eesel es una plataforma de AI teammates, y los teammates llegan listos para trabajar: hoy, un AI teammate de helpdesk que se incorpora a tu cola de soporte ya conociendo tu centro de ayuda, y un redactor de blog con AI. No conectas un modelo y esperas lo mejor; la configuración difícil ya está hecha para que el teammate sea útil el primer día, igual que el Atlas es útil en cuanto entras en él.
Prueba eesel
Si AlphaGenome Atlas es una lección sobre cómo hacer realmente utilizable un modelo potente, esa es toda la idea detrás de eesel para equipos de soporte y contenido. En lugar de darte un modelo y una configuración en blanco, eesel te da un teammate que ya conoce tu contexto, y te deja ponerlo a prueba antes de que toque a un cliente simulando sobre tus tickets pasados reales.
Y como muchos equipos ya manejan sus herramientas desde una terminal o un agente de programación, existe una CLI de eesel: el mismo teammate y el mismo espacio de trabajo que gestionas en el panel, controlados desde la línea de comandos. Una persona puede usarla directamente, un script puede automatizarla, y agentes de programación como Claude Code, Codex o Cursor pueden operarla: revisar las instrucciones de un teammate, enviar un mensaje de prueba, leer resultados estructurados y proponer un cambio acotado para que lo apruebe una persona. Es la filosofía de consultar sin conexiones, aplicada a la automatización del soporte. Puedes probar eesel gratis.
Preguntas frecuentes
¿Qué es AlphaGenome Atlas?
AlphaGenome Atlas es una base de datos gratuita de Google DeepMind, lanzada el 8 de septiembre de 2026, que precalcula el efecto molecular previsto de cada posible cambio de una sola letra en el ADN humano. Cubre unos 9.000 millones de variantes de un solo nucleótido y asigna a cada una una puntuación AlphaGenome Variant Impact (AVI) que se puede consultar sin escribir código.
¿Qué significa la puntuación AVI?
La puntuación AlphaGenome Variant Impact es un único número que clasifica cuánto se prevé que una variante afecte a la función. Un AVI de 10 sitúa la variante entre el 10 % más impactante del genoma; un AVI de 30, entre aproximadamente 1 de cada 1.000 más fuertes. Combina los modelos AlphaGenome y AlphaMissense para que las variantes codificantes y no codificantes compartan una misma escala.
¿Es gratis AlphaGenome Atlas?
Sí, para uso académico y otros usos no comerciales, tanto a través del portal web sin código como de la API de AlphaGenome en GitHub (Apache 2.0). El uso comercial, como el descubrimiento de fármacos, requiere una licencia a través de Model Garden de Google Cloud.
¿Puede AlphaGenome Atlas diagnosticar enfermedades?
No. DeepMind afirma que el Atlas no está validado ni aprobado para ningún uso clínico y que no sustituye un diagnóstico profesional. Es una herramienta de priorización para la investigación que clasifica qué variantes merece la pena investigar, y cualquier hallazgo sigue necesitando confirmación experimental.
¿En qué se diferencia AlphaGenome Atlas de AlphaFold?
AlphaFold predice estructuras de proteínas; AlphaGenome predice cómo la secuencia de ADN, incluido el 98 % no codificante del genoma, regula la actividad de los genes. El conjunto de datos del Atlas es unas 30 veces mayor que la AlphaFold Database, con aproximadamente 1 petabyte, aunque DeepMind señala que predecir la regulación génica es un problema más difícil y que el Atlas es menos preciso que AlphaFold.