# Google DeepMind lanza AlphaGenome 2 para el modelado epigenómico y el plegado 3D de cromatina de múltiples tejidos

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/es/article/google-deepmind-launches-alphagenome-2-multi-tissue-chromatin-2026-10-17-morn-es
Section: AI (https://technewslist.com/es/ai)
Author: TechNewsList
Language: es
Published: 2026-10-17T05:40:22.489+00:00
Updated: 2026-10-17T05:40:22.687667+00:00

> Google DeepMind lanza AlphaGenome 2, un modelo básico que escala el contexto a 1 Mb para predecir el plegamiento de la cromatina en 3D y la regulación de variantes en 150 tejidos humanos.

## TL;DR
- Google DeepMind presentó AlphaGenome 2 el 16 de octubre de 2026 para modelar la arquitectura de cromatina 3D y la regulación genética a partir de ADN lineal.
- El modelo de base biológica escala el modelado de secuencias a ventanas de contexto continuas de una megabase con alta precisión predictiva.
- Entrenado en más de 150 tipos de células y tejidos primarios humanos, el modelo puntúa mutaciones patógenas no codificantes en segundos.
- Los investigadores académicos reciben acceso a API para acelerar el descubrimiento de objetivos para oncología de precisión y trastornos genéticos raros.

## Key points
- AlphaGenome 2 procesa ventanas de ADN de 1 megabase para resolver bucles potenciadores-promotores distales y dominios de asociación topológica.
- La arquitectura integra capas estructuradas de espacio de estados con escasa atención para evitar los límites computacionales del transformador cuadrático.
- Los resultados predicen la expresión de RNA-seq, la accesibilidad a la cromatina, las marcas de histonas y las matrices de contacto Hi-C simultáneamente.
- El modelo logró un coeficiente de correlación de Spearman de 0,88 frente a puntos de referencia de contacto experimentales independientes entre promotor y potenciador.
- Más del noventa y ocho por ciento de la variación genética humana no codificante ahora se puede calificar funcionalmente para determinar la alteración transcripcional.

## Qué pasó

El 16 de octubre de 2026, Google DeepMind presentó AlphaGenome 2, un innovador modelo biológico capaz de predecir la arquitectura tridimensional de la cromatina, marcadores epigenéticos y la expresión genética directamente a partir de una secuencia lineal de ADN en múltiples tejidos humanos. Desarrollado en estrecha colaboración con investigadores de EMBL-EBI y Broad Institute, el modelo representa la reconstrucción computacional más completa de la regulación del genoma humano producida hasta la fecha.

Mientras que los primeros modelos genómicos evaluaban ventanas de secuencia corta de unas pocas kilobases, AlphaGenome 2 escala el modelado de secuencia transformadora a intervalos genómicos continuos de una megabase. Esta dramática expansión en contexto permite que la red neuronal capture interacciones potenciador-promotor distal, límites de dominio de asociación topológica y reordenamientos estructurales complejos que dictan la diferenciación celular y la etiología de la enfermedad.

![Conjunto completo de cromosomas humanos que muestra patrones de bandas y organización de la cromatina objetivo de arquitecturas de plegamiento genómico 3D.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792214208710-z40t11-google-deepmind-launches-alphagenome-2-multi-tissue-chromatin-2026-10-17-morning-inside-1-45f65a0080.webp)
*Conjunto completo de cromosomas humanos que muestra patrones de bandas y organización de la cromatina objetivo de arquitecturas de plegamiento genómico 3D.*

AlphaGenome 2, formado con conjuntos de datos de genómica funcional estandarizados que abarcan más de 150 tipos de células humanas primarias, tejidos fetales y líneas celulares cancerosas, proporciona mapas predictivos de alta resolución de la actividad genética específica de cada tipo de célula sin necesidad de ensayos destructivos en laboratorio húmedo para cada variante de tejido individual.

## Por qué importa

Más del noventa y ocho por ciento del genoma humano se compone de secuencias no codificantes, durante mucho tiempo coloquialmente mal caracterizadas como ADN basura. Décadas de estudios de asociación de todo el genoma han revelado que la gran mayoría de las variantes genéticas asociadas a enfermedades residen dentro de estas regiones no codificantes, y no actúan alterando las secuencias de aminoácidos de las proteínas, sino interrumpiendo los interruptores transcripcionales y los bucles cromosómicos de largo alcance.

Históricamente, determinar si una variante de un solo nucleótido en una región potenciadora afecta a un oncogén distante requirió meses de arduos experimentos de laboratorio, incluidas pantallas de activación CRISPR, ensayos de captura de conformación cromosómica y validaciones de genes informadores. Para afecciones genéticas raras y enfermedades poligénicas complejas, este cuello de botella experimental dejó millones de variantes de pacientes clasificadas como variantes de significado incierto.

AlphaGenome 2 proporciona a los genetistas moleculares y desarrolladores terapéuticos un microscopio predictivo in-silico. Al simular las consecuencias físicas y bioquímicas precisas de cualquier intercambio de un solo nucleótido o inserción estructural en 150 contextos de tejidos en segundos, la plataforma acelera drásticamente el descubrimiento de objetivos para oncología de precisión, trastornos autoinmunes y síndromes congénitos hereditarios.

## Detalles técnicos

La arquitectura neuronal central de AlphaGenome 2 combina una columna vertebral transformadora dilatada de contexto ultralargo con cabezales de predicción equivariantes multitarea. El modelo ingiere tokens de secuencia de ADN lineal sin procesar y procesa interacciones de nucleótidos de largo alcance a través de capas de atención jerárquicas optimizadas para simetrías de secuencia biológica.

Para superar la complejidad computacional cuadrática inherente a la atención estándar en secuencias de una megabase, los investigadores de Google DeepMind implementaron capas de espacio de estados estructuradas combinadas con ventanas de atención dispersa locales. Este enfoque híbrido permite que el modelo resuelva tanto los motivos de unión del factor de transcripción local que abarcan de seis a doce pares de bases como los bucles de plegamiento de la cromatina macroscópica que se extienden a lo largo de cientos de kilobases.

![Mesa de laboratorio biomédico equipada con pipetas y placas de ensayo utilizadas para la validación experimental de predicciones genómicas mediante aprendizaje automático.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792214210489-mx22nn-google-deepmind-launches-alphagenome-2-multi-tissue-chromatin-2026-10-17-morning-inside-2-9afbba1dc8.webp)
*Mesa de laboratorio biomédico equipada con pipetas y placas de ensayo utilizadas para la validación experimental de predicciones genómicas mediante aprendizaje automático.*

El modelo genera perfiles genómicos multimodales simultáneamente, prediciendo la abundancia transcripcional de RNA-seq, los picos de accesibilidad de la cromatina de DNasa I y ATAC-seq, los enriquecimientos de modificación de histonas de ChIP-seq y las matrices de frecuencia de contacto cromosómico Hi-C de alta resolución. A través de rigurosas evaluaciones comparativas con conjuntos de datos experimentales independientes, AlphaGenome 2 logró un coeficiente de correlación de Spearman de 0,88 para la predicción del contacto promotor-potenciador, superando significativamente a las arquitecturas especializadas anteriores.

## Impacto en el mercado / la industria

El lanzamiento de AlphaGenome 2 intensifica la carrera de la biología computacional entre los desarrolladores de modelos básicos y los gigantes farmacéuticos. Tras el impacto transformador de AlphaFold en la proteómica estructural, la genómica de secuencia a función impulsada por IA representa la próxima frontera en el descubrimiento de fármacos computarizados.

Las empresas de biotecnología y las compañías farmacéuticas multinacionales están reorientando rápidamente sus proyectos en etapa inicial en torno a modelos genómicos predictivos. Al identificar centros reguladores no codificantes que causan enfermedades, los desarrolladores terapéuticos pueden diseñar oligonucleótidos antisentido específicos, pequeños ARN de interferencia y terapias de edición de bases CRISPR diseñadas para modular la expresión genética con precisión quirúrgica.

Además, los consorcios de investigación académica y los laboratorios de diagnóstico clínico están integrando las predicciones de AlphaGenome en los procesos de interpretación clínica. La automatización de la clasificación funcional de variantes de pacientes no codificantes promete aumentar el rendimiento diagnóstico de trastornos genéticos pediátricos no diagnosticados, brindando respuestas a familias que anteriormente enfrentaron años de odiseas diagnósticas.

## Qué observar ahora

Google DeepMind se ha comprometido a proporcionar a investigadores académicos verificados e instituciones científicas sin fines de lucro acceso API subsidiado a AlphaGenome 2 a partir de noviembre de 2026, acompañado de un portal web abierto para la puntuación de variantes exploratorias.

A principios de 2027 se publicarán estudios de validación independientes realizados por redes de genómica clínica, que evaluarán el poder predictivo del modelo en posibles cohortes de pacientes con enfermedades cardiovasculares y trastornos neurológicos.

Finalmente, los investigadores seguirán los esfuerzos en curso para ampliar las capacidades de AlphaGenome a la biología sintética de múltiples genomas, permitiendo el diseño generativo de novo de promotores sintéticos y circuitos genéticos artificiales para terapias celulares y genéticas avanzadas.

## Fuentes

- [Blog de investigación Google DeepMind](https://deepmind.google/discover/blog/alphagenome-2-epigenomic-3d-chromatin-folding/): Publicación técnica que detalla la arquitectura del transformador AlphaGenome 2, ventanas de contexto de 1 Mb y puntos de referencia de contacto de cromatina de múltiples tejidos.
- [Noticias de biotecnología de la naturaleza](https://www.nature.com/articles/d41587-026-00412-x): Análisis de revisión por pares que examina cómo el modelado de secuencias de ADN de largo alcance identifica con precisión mutaciones patógenas no codificantes.
- [Artículo de la revista científica](https://www.science.org/content/article/deepmind-alphagenome-2-predicts-epigenome-3d-genome-structure): Evaluación científica sobre el potencial de traducción clínica para el descubrimiento de objetivos de fármacos oncológicos y la detección de enfermedades genéticas raras.

Mentions: Google DeepMind, EMBL-EBI, Broad Institute

## Sources
- [Blog de investigación Google DeepMind](https://deepmind.google/discover/blog/alphagenome-2-epigenomic-3d-chromatin-folding/)
- [Noticias de biotecnología de la naturaleza](https://www.nature.com/articles/d41587-026-00412-x)
- [Artículo de la revista científica](https://www.science.org/content/article/deepmind-alphagenome-2-predicts-epigenome-3d-genome-structure)