Cómo la IA de Google está transformando la detección y el tratamiento de enfermedades

Tecnología que busca acortar la distancia entre el laboratorio y el paciente

Google presenta un conjunto de herramientas y colaboraciones diseñadas para hacer las enfermedades más detectables, tratables y, cuando sea posible, prevenibles. En los últimos cinco años sus equipos publicaron 90 artículos revisados por pares, con más de 90,000 citas, y trabajan junto a clínicos, universidades e institutos de investigación para llevar hallazgos del laboratorio a la práctica clínica.

Los esfuerzos combinan modelado molecular, análisis genómico, imágenes cerebrales a escala nanométrica y modelos geoespaciales para salud pública. El objetivo es claro: acelerar la ciencia para mejorar resultados en salud, reduciendo tiempos de descubrimiento y apoyo diagnóstico.

Decodificando la mecánica de la enfermedad: del gen a la proteína

Comprender cómo opera una enfermedad requiere mirar sus raíces moleculares y genéticas. Herramientas como AlphaGenome Atlas ofrecen un catálogo extenso de predicciones sobre cómo cambios mínimos en el ADN afectan procesos biológicos. Estos modelos tempranos de biología computacional actúan como asistentes para investigadores, revelando mecánicas que antes eran difíciles de observar a gran escala.

Un ejemplo concreto es el uso de AlphaFold por el Institute for Global Health en Barcelona para repasar virtualmente 30,000 compuestos buscando actividad antiparasitaria contra la enfermedad de Chagas. Esa enfermedad, endémica en gran parte de América Latina y con aproximadamente 8 millones de personas afectadas, carece de suficientes tratamientos accesibles. La investigación permitió identificar dos fármacos ya aprobados por la FDA que podrían ser reutilizados para Chagas, acortando potencialmente el tiempo hasta disponer de opciones terapéuticas.

Otro trabajo, realizado por la Universidad de Exeter, utilizó AlphaGenome Atlas con datos genómicos de más de 54,000 individuos para detectar variantes que influyen en la abundancia de proteínas circulantes, entre ellas PLA2G7 (vinculada con procesos de envejecimiento) y EGLN1 (sensor celular de oxígeno). Descifrar estas relaciones ayuda a separar las mutaciones con efecto real de las que sólo generan «ruido» genómico.

Reconstrucción neural a escala nanométrica

En colaboración con el Lichtman Lab de Harvard, Google ayudó a reconstruir fragmentos humanos del cerebro a resolución nanométrica y a poner esos datos a disposición pública a través de Neuroglancer. Además, se mapearon cerebros de organismos modelo como la mosca, el pez cebra larval y el pájaro cantor. Estos atlas neuronales facilitan el estudio de la conectividad y la función cerebral, recursos que potencian investigaciones en neurología y neurociencias.

De la biología computacional al laboratorio: acelerando soluciones médicas

Los modelos no quedan sólo en simulaciones: en muchos casos han reemplazado procesos iterativos lentos por sistemas capaces de procesar grandes volúmenes de datos con rapidez.

• Secuenciación genómica ultrarrápida: En un ensayo clínico con la Escuela de Medicina de la Universidad de Stanford, DeepVariant y DeepConsensus se usaron para diagnosticar causas genéticas en casos donde el tiempo era crítico. El programa logró un diagnóstico genético por secuenciación del genoma completo en menos de ocho horas, un resultado reconocido por Guinness World Records que permitió intervenciones potencialmente salvadoras.

• Diseño de enzimas desde cero: AlphaProtein Novo es una canalización de machine learning para crear enzimas “new-to-nature” —diseñadas desde principios físicos y computacionales— que en laboratorio sintetizaron motivos útiles para fármacos y degradaron plásticos tóxicos en condiciones extremas. Esto demuestra la capacidad de diseñar proteínas funcionales que extienden lo conocido en la naturaleza.

Modelos geoespaciales para salud pública proactiva

La salud comunitaria está ligada al entorno. Google combina modelos de Google Earth AI con datos ambientales, meteorológicos y de movilidad para ayudar a prever brotes y dirigir atención a poblaciones vulnerables. En investigación conjunta con la OMS AFRO y el Instituto Nacional de Investigación Biomédica del Congo (INRB), modelos geoespaciales conversacionales reemplazaron semanas de codificación manual y ayudaron a identificar riesgos de exposición y transmisión de ébola con mayor rapidez, lo que permitió despliegues proactivos como laboratorios móviles.

Para regiones como América Latina, donde enfermedades transmitidas por vectores y brotes localizados son una preocupación constante, este tipo de enfoques geoespaciales y predictivos puede ser particularmente valioso para optimizar recursos y priorizar intervenciones.

Apoyo a proveedores clínicos mediante aprendizaje automático

Las investigaciones muestran que los modelos de machine learning pueden tanto mejorar la detección de enfermedades como reducir cargas administrativas para que los profesionales de la salud concentren su tiempo en la atención.

• Mamografías: En estudios publicados en Nature Cancer con Imperial College London y el NHS del Reino Unido, un sistema de cribado mamográfico evaluado en 125,000 mujeres detectó 25% de los cánceres de intervalo históricamente pasados por alto y mostró potencial para disminuir la carga de lectura de los especialistas hasta en 40%. Esto podría ofrecer un alivio significativo en sistemas con escasez de radiólogos.

• Leucemia pediátrica: Aplicado en casos reales del Children’s Mercy Hospital, DeepSomatic confirmó todas las variantes conocidas y detectó 10 mutaciones previamente no identificadas en muestras de leucemia infantil, incluso trabajando con muestras tumorales sin muestra normal asociada. DeepSomatic está disponible públicamente y puede apoyar la evaluación de riesgo clínico y decisiones de tratamiento dirigido.

Implicaciones para América Latina y desafíos de adopción

Las tecnologías descritas ofrecen oportunidades claras para mejorar investigación, diagnóstico y respuesta a brotes en América Latina. En particular, la reutilización de fármacos para enfermedades endémicas (como Chagas), las secuencias genómicas rápidas para cuidados críticos y los modelos geoespaciales para optimizar respuestas pueden tener impacto directo.

Sin embargo, su adopción requiere infraestructura (capacidad de secuenciación, conectividad, laboratorios), regulaciones claras sobre datos genómicos y de salud, inversiones en capacitación y marcos éticos que garanticen equidad y protección de la privacidad. La colaboración entre gobiernos, instituciones académicas, proveedores y empresas tecnológicas será clave para trasladar estos avances a beneficios tangibles para la población.

Conclusión

La combinación de modelos de IA, biología computacional y asociaciones clínicas está acelerando descubrimientos y herramientas con aplicación clínica real: desde predicciones genómicas y diseño de enzimas hasta diagnósticos ultrarrápidos y sistemas que apoyan a profesionales de la salud. Para que estos avances se traduzcan en mejores resultados en América Latina, es imprescindible impulsar infraestructura, gobernanza de datos y colaboraciones locales que permitan adoptar y validar estas soluciones en contextos reales.