Phoenix 24
En los rincones invisibles del ADN reside información que ahora la inteligencia artificial puede traducir en diagnósticos adelantados.
Internacional, agosto de 2025 — Durante décadas, más del 98 % del genoma humano fue etiquetado como “no codificante”, es decir, sin relevancia funcional. Hoy, una nueva generación de IAs está reinterpretando ese “ADN oscuro” como un archivo clínico cargado de señales clave para identificar cánceres, mutaciones y rutas regulatorias inexploradas.
Uno de los avances más recientes proviene de DeepMind, que en junio lanzó AlphaGenome, un modelo de inteligencia artificial capaz de procesar secuencias de hasta un millón de pares de bases, identificar regiones regulatorias y predecir cómo variantes microscópicas pueden alterar la expresión génica en células específicas. El propio modelo ha logrado reproducir en simulaciones interacciones moleculares conocidas, incluyendo mutaciones que actúan como “interruptores” activadores en leucemias humanas. Esta capacidad abre la puerta a descubrir cómo pequeñas diferencias en el genoma pueden desatar tumores o desactivar genes supresores de cáncer.
En paralelo, investigadores del Salk Institute presentaron recientemente ShortStop, otra IA que detecta microproteínas codificadas por regiones oscuras del ADN, tan pequeñas que escapaban a las técnicas convencionales. En muestras de pulmón canceroso, identificó 210 nuevos microproteínas, una de las cuales muestra fuerte asociación con tumores. Este tipo de hallazgos puede transformar los biomarcadores disponibles para diagnóstico temprano o terapias específicas, capitalizando microproteínas antes ignoradas como “incógnitas funcionales”.
Un tercer frente combina IA con genómica clínica aplicada. Laboratorios como NIST han liberado secuencias completas de cáncer de páncreas de pacientes voluntarios, generando bases de datos públicas que alimentan IAs capaces de entrenarse sobre mutaciones reales y patrones estructurales del tumor. Esa aproximación ayuda a ajustar algoritmos para que no solo detecten variantes, sino que aprendan qué cambios predicen resistencia a tratamientos o evolución rápida del cáncer.
La implicación práctica es clara: los modelos como AlphaGenome pueden analizar el “ADN basura” y convertirlo en información útil. Desde el punto de vista clínico, se trata de comprender si variantes no codificantes alteran promotores, potenciadores o la estructura tridimensional del genoma, provocando cambios en redes de regulación génica que inciden directamente en tumorigénesis o predisposición genética.
Además, estas herramientas aceleran la detección temprana de mutaciones críticas, como las del gen EGFR en cáncer de pulmón. Ensayos clínicos recientes han mostrado que sistemas de IA pueden identificar probable presencia de mutaciones con alta precisión, incluso antes de que los tests genéticos tradicionales confirmen el hallazgo. Eso permite anticipar la terapia dirigida y reducir el estrés en los laboratorios de secuenciación.
La sinergia entre IA y genómica está redefiniendo la oncología de precisión. La integración de datos multi‑ómicos —secuenciación, epigenética, transcriptómica— con aprendizaje automático permite diseñar estrategias personalizadas de tratamiento, mejorar la detección temprana mediante biopsias líquidas e incluso identificar fármacos reutilizables para pacientes resistentes a terapias convencionales.
No obstante, hay desafíos: la opacidad algorítmica (modelos tipo black‑box), sesgos en datos de entrenamiento, falta de estándares universales para validación clínica y desigual acceso global a estas tecnologías. Estudios recientes señalan que una gran parte de los modelos actuales no logra capturar interacciones génicas más allá de 100,000 bases de distancia o variantes específicas del tejido u órgano.
Desde una perspectiva geopolítica, esta evolución tecnológica tiene ramificaciones estratégicas. Países como Estados Unidos, Reino Unido y China compiten por liderar la genómica asistida por IA, cada uno desarrollando protocolos, bases de datos clínicas y alianzas público‑privadas. Sin embargo, muchas regiones —incluyendo Latinoamérica y África— todavía carecen de la infraestructura y regulación necesarias para aprovechar estas capacidades de forma equitativa.
Para Perú, México y otras naciones de renta media, el reto consiste en construir marcos regulatorios que permitan compartir datos genómicos anónimos, fomentar colaboración entre hospitales y universidades, y garantizar que la IA aplicada en salud no discrimine por origen genético, acceso o condición socioeconómica.
En conclusión, el análisis del “lado oscuro” del genoma mediante IA representa una nueva frontera para avanzar en el diagnóstico, monitoreo y tratamiento del cáncer. No se trata solo de abrir ventanas ocultas dentro del ADN, sino de reescribir un capítulo médico donde lo que antes se creía basura genética se convierte ahora en información vital. El desafío está en traducir esa promesa computacional en evidencia médica robusta y ética, para que cada paso tecnológico se refleje en salud tangible y accesible.
Esta nota fue elaborada por el equipo editorial de Phoenix24 con base en fuentes científicas internacionales, modelos de IA recientes y análisis geopolítico-técnico independiente.
This article was produced by the Phoenix24 editorial team based on international scientific sources, recent AI models, and independent technological and geopolitical analysis.