AlphaGenome: el mapa predictiu de l’ADN humà

AlphaGenome representa un salt qualitatiu en la manera com la intel·ligència artificial pot ajudar-nos a entendre el genoma humà. Aquesta nova eina desenvolupada per Google DeepMind és capaç de predir les conseqüències funcionals de qualsevol canvi en cadascuna de les lletres que componen el nostre ADN, obrint una finestra sense precedents al funcionament més profund de la biologia humana.

Què és AlphaGenome i per a què serveix

El genoma humà és una seqüència de tres mil milions de parells de bases —les famoses «lletres» de l’ADN— que contenen tota la informació necessària per construir i mantenir un organisme. Però no totes les variacions en aquesta seqüència tenen el mateix efecte: algunes són completament innocues, d’altres provoquen malalties greus, i moltes es troben en zones del genoma el paper de les quals encara no entenem del tot.

AlphaGenome aborda exactament aquest problema. Mitjançant models d’aprenentatge profund entrenats amb grans quantitats de dades genòmiques, l’eina és capaç de generar un mapa predictiu exhaustiu que cobreix cada possible mutació puntual del genoma humà. Això vol dir que, per a qualsevol posició de l’ADN, el sistema pot anticipar quin seria l’impacte d’un canvi en aquella lletra concreta: si alteraria l’expressió d’un gen, si modificaria l’estructura de la cromatina o si afectaria algun mecanisme regulador clau.

Un repte científic de dimensió astronòmica

La magnitud del problema que resol AlphaGenome és difícil d’exagerar. Amb tres mil milions de posicions al genoma i quatre possibles nucleòtids en cada una, el nombre total de variants que cal avaluar s’aproxima a deu mil milions. Explorar experimentalment cada una d’aquestes possibilitats seria impossible amb les tecnologies actuals: requeriria dècades d’investigació i recursos econòmics inabastables.

Aquí és on la intel·ligència artificial canvia les regles del joc. AlphaGenome comprimeix aquest esforç en un sistema computacional que pot generar prediccions a una escala que cap laboratori humà podria assolir. No substitueix l’experimentació, però permet prioritzar-la: els investigadors poden usar el mapa per identificar quines variants mereixen atenció urgent i dissenyar experiments molt més focalizats i eficients.

El model no es limita a classificar variants com a «perilloses» o «benignes». Va més lluny i intenta explicar el mecanisme concret pel qual un canvi determinat podria tenir conseqüències biològiques, cosa que el converteix en una eina d’investigació, no només de criba.

Implicacions per a la medicina i la recerca genòmica

Les aplicacions pràctiques d’una tecnologia com aquesta són enormes. En el camp de la medicina de precisió, entendre l’impacte funcional de les variants genètiques és fonamental per diagnosticar malalties rares, moltes de les quals estan causades per mutacions en regions del genoma que fins ara eren poc estudiades perquè no codifiquen proteïnes directament.

També obre possibilitats interessants en el camp de la farmacogenòmica —l’estudi de com els gens influeixen en la resposta als medicaments— i en la identificació de nous dianes terapèutiques. Si sabem amb precisió quines variants alteren quins processos biològics, podem dissenyar fàrmacs que actuïn sobre aquells processos de manera molt més específica.

A més, AlphaGenome pot ser un recurs valuós per a estudis d’associació del genoma complet (GWAS, per les sigles en anglès), que intenten relacionar variants genètiques amb malalties complexes com la diabetis, l’Alzheimer o determinats tipus de càncer. Fins ara, moltes de les variants identificades en aquests estudis es trobaven en regions «no codificants» i era difícil interpretar-ne la rellevància. Un mapa predictiu com el que ofereix AlphaGenome pot ajudar a donar sentit a aquestes dades.

El llegat de l’AlphaFold i el futur de la biologia computacional

AlphaGenome s’inscriu en una trajectòria clara de Google DeepMind en el camp de la biologia computacional. El precedent més cèlebre és AlphaFold, el sistema que va revolucionar la predicció de l’estructura tridimensional de les proteïnes i que va suposar un punt d’inflexió reconegut per tota la comunitat científica internacional.

Amb AlphaGenome, l’aposta és igualment ambiciosa: si AlphaFold ens va ajudar a entendre com es plega la vida, AlphaGenome aspira a explicar com s’escriu i com es llegeix. La combinació d’ambdues eines, i d’altres que puguin venir, dibuixa un futur en què la intel·ligència artificial i la biologia treballen de manera cada vegada més integrada, accelerant el ritme del descobriment científic de maneres que encara som lluny de poder imaginar del tot.