Google DeepMind ha revelado una nueva herramienta de inteligencia artificial (IA) capaz de predecir los impactos moleculares de modificar cualquiera de los mil millones de letras que componen nuestro código genético.
El 8 de septiembre, la potencia de IA de Google anunció una base de datos de libre acceso llamada AlphaGenome Atlas, que contiene datos sobre 9 mil millones de posibles cambios en el código genético humano y estima cómo estos cambios afectarán a diferentes tejidos y procesos celulares. Además, la herramienta emite una puntuación simple para ayudar a los científicos a sopesar rápidamente los impactos colaterales de estos cambios.
Cómo se empaqueta, entrega y lee una secuencia de aproximadamente 3 mil millones de letras del código químico para crear una vida humana es una de las preguntas centrales de la investigación genética. El año pasado, DeepMind anunció una herramienta que podría impulsar a los investigadores hacia una respuesta. La herramienta, llamada AlphaGenome, predice cómo los cambios en una secuencia de ADN alteran proteínas, células y, en última instancia, la experiencia humana.
Ahora, un año después, DeepMind ha lanzado AlphaGenome Atlas, con la esperanza de que sea una versión accesible de AlphaGenome para más investigadores.
“Parece un recurso excelente,” dijo Greg Findlay, líder de grupo en el Francis Crick Institute de Londres, quien no participa en AlphaGenome Atlas, a Live Science. Sin embargo, otros expertos señalan que, si bien la herramienta es un paso adelante, todavía no puede responder a todas las grandes preguntas de la genética.
“No es este santo grial,” dijo Tuuli Lappalainen, profesora de genómica en el KTH Royal Institute of Technology en Estocolmo y profesora asociada sénior en el New York Genome Center, quien no participa en AlphaGenome Atlas, a Live Science.
Leer el futuro de las variantes genéticas
El laboratorio de Lappalainen ha estado usando AlphaGenome para estudiar los efectos de la variación en los genomas durante el último año. Señaló que esta tecnología no es nueva. Sin embargo, según Google DeepMind, AlphaGenome supera a los modelos anteriores en la resolución con la que puede predecir el impacto de los cambios en el genoma. Alrededor del 98% de nuestro ADN es no codificante, lo que significa que la maquinaria celular no lo lee directamente para fabricar las proteínas que mantienen funcionando nuestras células.
Los genetistas ahora reconocen que este código, que alguna vez se creyó ADN “basura”, es necesario para gestionar cómo y cuándo leer las partes del genoma que codifican nuestros bloques moleculares, o genes codificadores. Sin embargo, la evolución no ha producido un genoma ordenado. En su lugar, algunas instrucciones reguladoras están distribuidas ampliamente a lo largo del código.
AlphaGenome permitió a los investigadores explorar cómo cambios en una sola pareja de letras de ADN podrían influir en hasta 1 millón de pares de código circundante — un alcance mucho mayor que el que podían lograr los modelos anteriores y que abarcó gran parte de la red regulatoria de cada gen.
Realmente no necesitas ser un experto en estos métodos para poder ir allí y buscar algo en un navegador.
Tuuli Lappalainen, profesora de genómica en el KTH Royal Institute of Technology y profesora asociada sénior en el New York Genome Center
Pero este poder tuvo un precio. Hasta el lanzamiento de Atlas, AlphaGenome requería que los usuarios tuviesen suficiente experiencia en bioinformática para acceder y usar la interfaz de programación automática de los modelos — un área de especialización que no todos los genetistas poseen. Además, calcular los efectos de cada cambio era un esfuerzo extenuante para los recursos informáticos de los académicos.
Para crear AlphaGenome Atlas, los investigadores de DeepMind calcularon cada posible cambio de base (de letra) y pusieron a disposición de forma gratuita los datos resultantes, que suman 1 petabyte, o 1 millón de gigabytes, de información. Esto aligera la carga de las computadoras personales sobrecargadas de los académicos. Además, la tecnología ahora está empaquetada en un portal web fácil de acceder y sencillo de usar.
“Realmente no necesitas ser un experto en estos métodos para poder ir allí y consultar algo en un navegador,” dijo Lappalainen.
Otra simplificación es la puntuación de Impacto de variantes de AlphaGenome, una métrica que predice cuánta influencia biológica tendrá un cambio. En un artículo preimpreso acompañado, DeepMind mostró que la puntuación podría separar mutaciones asociadas a enfermedades de mutaciones inofensivas en un conjunto de datos clínicos. Aunque la simplicidad de la puntuación podría hacerla más difícil de interpretar en ciertos casos, dijo Lappalainen, sería útil para investigadores que deseen examinar una lista de variantes génicas.
¿Nubes en la bola de cristal?
Sin embargo, la herramienta no es todavía un predictor perfecto. Un estudio de preimpresión del 11 de septiembre, realizado por un equipo de investigación dirigido por Katie Pollard, directora del Gladstone Institute of Data Science and Biotechnology y profesora de la Universidad de California, San Francisco, sugirió que, si bien AlphaGenome era hábil para encontrar mutaciones causales, subestimaba de forma persistente su impacto.
El equipo de Pollard encontró que el modelo no siempre podía vincular cambios en elementos reguladores con los genes que controlaban, especialmente cuando no estaban cerca en el genoma. “Mi esperanza, quizá ingenua, sería que las personas tomen estas predicciones con la debida cautela,” dijo Lappalainen.
A pesar de estas limitaciones, dijo Lappalainen, avances como AlphaGenome Atlas forman parte de un movimiento más amplio hacia una genómica más colaborativa y basada en datos. Pero advirtió que el campo necesitaría darle igual atención a los experimentos de laboratorio húmedo, que verifican la precisión de las predicciones de variantes.
Aunque estas pruebas son tediosas y consumen mucho más tiempo que una búsqueda en la interfaz de AlphaGenome Atlas, dijo, son esenciales para generar los datos que los modelos de IA necesitan para mejorar sus predicciones.
“Todavía estamos muy limitados por la cantidad de datos en biología, y esos datos deben ser creados,” dijo Lappalainen.
