AlphaGenome es un modelo de aprendizaje profundo unificado desarrollado por Google DeepMind que representa un avance significativo en la predicción de efectos funcionales de variantes genéticas, especialmente en el «ADN oscuro» (regiones no codificantes).

Características técnicas clave:

1. Arquitectura unificada: Predice miles de mediciones funcionales del genoma simultáneamente desde 1 Mb de secuencia de ADN
2. Predicciones multifuncionales: Incluye expresión génica, accesibilidad de la cromatina, unión de factores de transcripción, mapas de contacto 3D y críticamente, uso de sitios de empalme (splicing)
3. Alta resolución: Capaz de predecir efectos de variantes no codificantes con precisión superior a métodos anteriores
4. Limitación actual: Entrenado principalmente en datos de humano y ratón, con enfoque en genes codificantes de proteínas

Fuente principal: (RAG: Avsec et al., 2026, Nature, Vol 649) «AlphaGenome es un modelo de aprendizaje profundo unificado que predice miles de mediciones funcionales del genoma… a partir de 1 Mb de secuencia de ADN»

Aplicaciones de AlphaGenome y IA en Paleogenética

1. Interpretación funcional de variantes arcaicas

Problema actual: Los genomas antiguos (aDNA) están fragmentados y con baja cobertura, dificultando la interpretación funcional de variantes no codificantes.

Solución AlphaGenome: Podría tomar haplotipos arcaicos reconstruidos y predecir su impacto en:

• Regulación génica (expresión, splicing)
• Conformación de la cromatina
• Interacciones promotor-enhancer

Ejemplo concreto: Evaluar cómo variantes reguladoras neandertales afectan la expresión de genes de inmunidad ( OAS1, TLR) en humanos modernos.

2. Refinamiento del estudio de introgresión arcaica

Más allá de identificar segmentos de ADN neandertal/denisovano, AlphaGenome permitiría:

• Predecir si variantes introgressadas en regiones reguladoras alteran expresión génica
• Modelar efectos de enhancers arcaicos en genes relacionados con adaptación
• Proporcionar mecanismos moleculares para señales de selección positiva

3. Análisis de adaptación evolutiva

Caso emblemático: El gen EPAS1 en poblaciones tibetanas con adaptación a la altura.

• AlphaGenome podría modelar cómo cambios en sitios de empalme denisovanos afectan isoformas proteicas
• Evaluar consecuencias moleculares de variantes arcaicas en loci bajo selección
• Su capacidad para modelar «splice junctions» holísticamente es particularmente relevante

4. Limitaciones actuales para paleogenética

Según la documentación disponible:

1. Cobertura de especies limitada: Solo entrenado en humano y ratón (RAG: Documento AlphaGenome, p. 11)
2. Falta de datos de entrenamiento: No hay datos genómicos funcionales de alta calidad en homínidos extintos
3. Enfoque en genes codificantes: Podría subestimar impacto en ARN no codificantes largos (lncRNA)
4. No evaluado en genomas personales: La naturaleza única del aDNA amplificaría este desafío

Avances recientes en IA aplicables a paleogenética

Modelos de lenguaje para secuencias biológicas

• DNABERT, Nucleotide Transformer: Modelos pre-entrenados en secuencias genómicas
• Aplicación: Inferencia de funciones regulatorias en secuencias arcaicas fragmentadas

Redes generativas adversarias (GANs)

• Para imputación: Completar secuencias antiguas fragmentadas usando referencias modernas
• Para simulación: Generar variantes plausibles en linajes extintos

Modelos de atención (Transformers)

• Para alineamiento múltiple: Manejar secuencias con diferentes tasas de degradación
• Para predicción estructural: Inferir conformación 3D de regiones regulatorias arcaicas

Aprendizaje por transferencia

• Fine-tuning: Adaptar modelos entrenados en datos modernos a características de aDNA
• Domain adaptation: Compensar sesgos por degradación postmortem

Recomendaciones metodológicas para integración

Flujo de trabajo propuesto:

Secuencia aDNA → Limpieza/autenticación → Ensamblaje → 
→ Alineamiento con referencias → Extracción de variantes →
→ Predicción funcional con AlphaGenome/IA → 
→ Validación experimental (organoides editados)

Prioridades de investigación:

1. Generar datos de entrenamiento evolutivo: Experimentos de genómica funcional en primates no humanos
2. Desarrollar modelos específicos: IA entrenada en divergencia de secuencia y selección natural
3. Integrar múltiples modalidades: Combinar datos epigenómicos, transcriptómicos y proteómicos

Perspectivas futuras

Corto plazo (1-3 años):

• Aplicación de AlphaGenome a variantes arcaicas bien caracterizadas
• Desarrollo de pipelines para análisis de splicing en aDNA
• Integración con bases de datos de expresión tisular específica

Medio plazo (3-5 años):

• Modelos específicos para predicción en linajes extintos
• Sistemas de organoides editados con alelos arcaicos para validación
• Plataformas unificadas para análisis funcional evolutivo

Largo plazo (5+ años):

• Reconstrucción completa de redes regulatorias en homínidos extintos
• Predicción de fenotipos complejos a partir de genomas antiguos
• Modelado de interacciones genoma-ambiente en contextos paleoecológicos

Conclusión

AlphaGenome representa un cambio de paradigma en la interpretación funcional de variantes genéticas, pero su aplicación directa a paleogenética enfrenta limitaciones significativas por falta de datos de entrenamiento en especies relevantes. Sin embargo, su arquitectura y capacidades señalan el camino para:

1. Herramientas especializadas en genómica funcional evolutiva
2. Integración multidisciplinaria entre IA, paleogenómica y biología de sistemas
3. Nuevos enfoques para entender adaptación y enfermedad desde perspectiva evolutiva

Recomendación final: La comunidad paleogenómica debería colaborar con especialistas en IA para desarrollar modelos específicamente diseñados para las particularidades del aDNA, aprovechando el marco conceptual de AlphaGenome pero adaptándolo a las necesidades únicas del campo.

Fuentes citadas:

1. (RAG: Avsec et al., 2026, Nature, Vol 649) – Documento técnico principal de AlphaGenome
2. (Wikipedia: Paleogenetics) – Definiciones y contexto histórico
3. (Yahoo News: Google DeepMind unleashes new AI AlphaGenome) – Aplicaciones en ADN no codificante
4. (MSN: More Neanderthal than human) – Contexto de introgresión arcaica y salud