Inteligencia artificial aplicada a la genómica clínica: del algoritmo al paciente

Los modelos que interpretan el ADN están cambiando la investigación diagnóstica. La cuestión médica no es solo qué pueden predecir, sino qué evidencia permite convertir esa predicción en una decisión segura.

Cómo leer este artículo:

Esta es una revisión narrativa crítica, no una revisión sistemática ni una guía de práctica clínica. Se priorizan artículos revisados por pares y se distingue entre rendimiento computacional, validez clínica y utilidad para el paciente.

Indice

Una nueva capacidad, una vieja obligación clínica

La inteligencia artificial ha entrado en la genómica clínica por varias puertas: identifica variantes en datos de secuenciación, estima sus consecuencias, relaciona fenotipos con enfermedades y ayuda a organizar la información que utiliza el especialista. No se trata de una sola tecnología ni de una sola intervención médica, como subraya la revisión de Duong y Solomon sobre sus aplicaciones diagnósticas, terapéuticas y de apoyo clínico. [1] La obligación de integrar la evidencia molecular con los datos del paciente sigue presente en el marco ACMG/AMP de interpretación de variantes. [17]

La noticia relevante no es que un algoritmo pueda emitir una respuesta, sino que empieza a resolver tareas biológicas antes difíciles de abordar a escala: desde anticipar alteraciones del empalme del ARN hasta estimar efectos reguladores de variantes no codificantes. [8] [10] Pero esos resultados proceden de evaluaciones moleculares y no equivalen, por sí solos, a demostrar que una herramienta mejore el pronóstico o el tratamiento de un paciente. [10]

Las claves, antes de los detalles

• Predicción no es diagnóstico: una puntuación computacional aporta evidencia; no sustituye la clasificación clínica completa de la variante. [5]
• El contexto cambia el rendimiento: los resultados globales pueden ocultar diferencias entre genes, regiones proteicas y cohortes. [7] [4]
• La frontera se amplía: los modelos reguladores y los sistemas diagnósticos con agentes ofrecen resultados prometedores, todavía ligados a las tareas y poblaciones evaluadas. [10] [12]

Del archivo de secuenciación a la decisión médica

Conviene separar tres preguntas: si la variante se ha detectado correctamente, si se asocia con la enfermedad en ese contexto y si usar esa información cambia la atención de forma beneficiosa. La literatura sobre clasificación de variantes y uso responsable del riesgo poligénico obliga a mantener separadas estas dimensiones, aunque con frecuencia se agrupen bajo la palabra «precisión». [17] [16]

DeepVariant ilustra el primer nivel: utiliza redes neuronales profundas para identificar variantes de un nucleótido y pequeñas inserciones o deleciones en lecturas alineadas. [2] Mejorar esa detección no resuelve automáticamente la interpretación del hallazgo, que exige valorar el mecanismo de enfermedad, la herencia y la evidencia disponible para la variante y el gen. [17]

1. DETECCIÓN
   ¿Está la variante? Lecturas, calidad y llamada de variantes.
2. EFECTO
   ¿Qué puede alterar? Proteína, empalme y regulación.
3. INTERPRETACIÓN
   ¿Explica el cuadro? Fenotipo, herencia y evidencia clínica.
4. UTILIDAD
   ¿Cambia la atención?Decisiones, beneficios y posibles daños.

AlphaMissense y el riesgo de confundir cobertura con certeza

En 2023, Cheng y colaboradores presentaron AlphaMissense, un modelo que combina contexto estructural y conservación evolutiva para predecir el efecto de sustituciones de aminoácidos; el estudio asignó el 89 % de las posibles variantes de cambio de sentido a categorías predictivas de probable benignidad o probable patogenicidad. [3] Ese 89 % describe la cobertura de clasificación del modelo, no una sensibilidad diagnóstica del 89 %, ni un porcentaje de pacientes diagnosticados. [3]

El contraste clínico introdujo un matiz importante: Kong y colaboradores evaluaron una cohorte de 7454 personas, formada por 3383 pacientes y sus familiares, y observaron discordancias entre AlphaMissense y clasificaciones clínicas de ClinVar, particularmente en regiones intrínsecamente desordenadas de proteínas. [4] De 475 variantes catalogadas como patogénicas en ClinVar, 83 recibieron una predicción de probable benignidad con una puntuación de AlphaMissense ≤0,34, el umbral analizado para esa categoría. [4]

Ese hallazgo no permite declarar inútil al modelo ni convertir ClinVar en una verdad experimental infalible: el propio trabajo reconoce su dependencia de esa base y el enfoque parcial en una cohorte de un centro. [4] Sí justifica una precaución concreta: una predicción tranquilizadora no debe borrar evidencia clínica contraria sin una evaluación experta del conjunto. [4] [17]

Calibrar: traducir una puntuación a evidencia clínica

Una puntuación alta no lleva incorporado un grado universal de certeza. Pejaver y el grupo de interpretación de variantes de ClinGen propusieron calibrar los predictores para asignar fuerza de evidencia a intervalos de puntuación dentro de los criterios PP3/BP4, en vez de utilizar umbrales arbitrarios o contar algoritmos concordantes como pruebas independientes. [5]

La ampliación publicada por Bergquist y colaboradores en 2025 calibró AlphaMissense, ESM1b y VARITY_R: los tres alcanzaron evidencia de nivel fuerte para patogenicidad y al menos moderado para benignidad en determinados intervalos, con VARITY_R llegando a fuerte también para benignidad; en ocasiones, los niveles más altos cubrían pocas variantes y las mejoras respecto a herramientas previamente recomendadas fueron como máximo modestas. [6] Por tanto, «evidencia fuerte» describe una contribución calibrada a la clasificación, no un diagnóstico autónomo ni una validación de cualquier uso del modelo. [6] [17]

La calibración global tampoco cierra la discusión: Tejura y colaboradores estudiaron REVEL y BayesDel en 3.668 genes relacionados con enfermedad y documentaron heterogeneidad entre genes que puede quedar oculta al agrupar todo el genoma. [7] Su análisis señala el riesgo de asignar una fuerza de evidencia inadecuada cuando la distribución de puntuaciones de un gen se aparta de la distribución general. [7]

“A variant of uncertain significance (VUS) should not be used in clinical decision-making.”

Richards y colaboradores, recomendaciones ACMG/AMP de 2015. [17]

La regla sigue siendo decisiva: una variante de significado incierto no se convierte en un resultado accionable porque un sistema redacte una explicación convincente. La resolución de esa incertidumbre debe apoyarse en nueva evidencia y en la aplicación del marco de clasificación correspondiente. [17]

El ARN y el genoma no codificante entran en la conversación

SpliceAI supuso un avance al predecir alteraciones del empalme a partir de la secuencia, incluidas variantes intrónicas o sinónimas que pueden activar sitios crípticos; en el trabajo original, las predicciones de variantes de novo con efecto sobre el empalme se validaron mediante RNA-seq en 21 de 28 pacientes evaluados para ese análisis. [8] Es un resultado de validación molecular en un subconjunto seleccionado, no una estimación del rendimiento diagnóstico de toda una consulta de enfermedades raras. [8]

AbSplice amplió ese enfoque al predecir empalme aberrante en distintos tejidos e integrar información de secuencia y, cuando está disponible, datos de ARN. [9] La consecuencia práctica es que no basta con preguntar si una variante afecta al empalme: también importa el tejido y qué evidencia transcriptómica puede obtenerse para contrastar la hipótesis. [9]

El salto más reciente de esta selección es AlphaGenome, publicado en Nature en enero de 2026: procesa secuencias de una megabase y predice múltiples modalidades funcionales, incluidas expresión, accesibilidad de la cromatina y empalme, con resolución de base individual en sus salidas de alta resolución. [10] El modelo igualó o superó al mejor comparador externo en 25 de 26 evaluaciones de efectos de variantes, un resultado potente que pertenece al terreno de la predicción molecular. [10]

Los autores reconocen dificultades para capturar efectos reguladores distales y patrones específicos de tipos celulares; además, predecir una consecuencia molecular no equivale a predecir directamente el fenotipo del paciente. [10] Su valor clínico potencial está en aportar hipótesis funcionales sobre variantes no codificantes, no en convertir automáticamente ese vasto espacio del genoma en diagnósticos confirmados. [10]

Enfermedades raras: acortar la lista no es resolver todos los casos

La priorización de genes es una de las aplicaciones más cercanas al trabajo diario del laboratorio. En la evaluación retrospectiva de GEM, con 119 casos ya diagnosticados, el sistema situó los genes y variantes causales previamente comunicados entre los dos primeros candidatos en el 92 % de los casos; el estudio añadió una cohorte de validación de 60 casos. [11] El denominador importa: reconstruir un diagnóstico conocido mide la capacidad de priorización, no una tasa del 92 % de nuevos diagnósticos en pacientes sin resolver. [11]

En un análisis separado de 14 casos previamente no resueltos, GEM propuso un diagnóstico nuevo probable; tres casos generaron candidatos que no avanzaron tras la revisión manual y diez no aportaron hallazgos nuevos. [11] Esta comparación interna ilustra por qué el éxito en una clasificación retrospectiva no debe presentarse como rendimiento de descubrimiento en una población diagnóstica distinta. [11]

En 2026, DeepRare llevó la búsqueda de evidencias a una arquitectura de agentes con razonamiento trazable: el estudio reunió 6.401 casos de nueve conjuntos de datos y, en una evaluación multimodal de 168 casos con fenotipo y exoma, situó el diagnóstico correcto en primera posición en el 69,1 %, frente al 55,9 % de Exomiser en esa comparación. [12] El 95,4 % comunicado para la revisión experta de sus cadenas de razonamiento no es exactitud diagnóstica: el texto lo desarrolla como exactitud media de las referencias, revisadas en una muestra de 180 casos. [12]

El contrapunto es igualmente importante: un estudio de Reese y colaboradores con 5.213 casos encontró que el mejor de los modelos de lenguaje evaluados, o1 preview, incluía el diagnóstico correcto entre las diez primeras posiciones en el 36,8 % y rendía por debajo de Exomiser utilizando solo fenotipo. [13] No hay una contradicción que resolver con un ganador universal: se comparan modelos, entradas y arquitecturas diferentes, y el propio estudio no evaluó aportar datos genómicos a esos modelos de lenguaje. [13] [12]

Qué demuestran realmente los resultados más citados

La siguiente tabla es un mapa de lectura, no una clasificación competitiva de productos. Cada fila conserva la tarea y el denominador del estudio: sus porcentajes no deben combinarse ni compararse como si midieran el mismo desenlace.

Resultados seleccionados y límite de su interpretación clínica

Herramienta / estudio	Resultado y población o tarea	Lo que no demuestra
AlphaMissense Science, 2023	Clasificación predictiva del 89 % de las posibles variantes missense en dos categorías. [3]	No es un 89 % de sensibilidad ni de pacientes diagnosticados. [3]
Evaluación clínica de AlphaMissense npj Genomic Medicine, 2025	83 de 475 variantes patogénicas de ClinVar recibieron predicción de probable benignidad con puntuación ≤0,34. [4]	No estima el error universal del modelo en cualquier gen o población; la referencia clínica tiene limitaciones. [4]
GEM Genome Medicine, 2021	En 119 casos diagnosticados, genes y variantes causales entre los dos primeros candidatos en el 92 %. [11]	No es rendimiento de nuevos diagnósticos en una cohorte no resuelta. [11]
DeepRare Nature, 2026	Primera posición correcta: 69,1 % frente al 55,9 % de Exomiser, en 168 casos con fenotipo y exoma. [12]	No establece superioridad en cualquier población ni beneficio terapéutico o pronóstico. [12]
AlphaGenome Nature, 2026	Iguala o supera al mejor comparador externo en 25/26 evaluaciones de efectos de variantes. [10]	No mide desenlaces clínicos ni una tasa de diagnóstico en personas. [10]

Oncología: de la imagen a la hipótesis molecular

La IA también puede aproximarse al genoma sin empezar por una secuencia de ADN: CHIEF, un modelo de histopatología, fue entrenado con 60.530 imágenes de portaobjetos completos y evaluado en más de 19.400 imágenes de 32 conjuntos independientes para tareas que incluyen detección de cáncer, predicción de alteraciones moleculares y pronóstico. [14] El interés es integrar la morfología tumoral con información molecular, no demostrar que una imagen sustituya de forma general a la secuenciación. [14]

La lectura prudente del estudio es que la histología puede aportar señales predictivas sobre determinados biomarcadores en los conjuntos evaluados. [14] Para pasar a decisiones terapéuticas, esta revisión propone exigir validación del biomarcador concreto, comparación con la prueba de referencia y una evaluación del circuito asistencial; esta propuesta no es una recomendación clínica atribuida a los autores de CHIEF.

Riesgo poligénico: la precisión también depende de a quién se aplica

No toda predicción genómica utiliza aprendizaje profundo: las puntuaciones de riesgo poligénico agrupan efectos de múltiples variantes y pueden combinarse con modelos clínicos, pero no son diagnósticos por sí mismas. [16] La pregunta relevante es si mejoran una decisión preventiva concreta respecto a los factores de riesgo ya disponibles, con beneficios que superen los daños. [16]

Martin y colaboradores advirtieron que las diferencias de rendimiento entre ascendencias pueden ampliar desigualdades, especialmente cuando los datos de desarrollo se concentran en poblaciones de ascendencia europea. [15] Una herramienta sofisticada no corrige por sí sola la falta de representación: la transferencia entre poblaciones, la calibración del riesgo y el acceso a las intervenciones siguen siendo parte de la evaluación clínica. [16]

Los riesgos menos visibles: circularidad, alucinaciones y privacidad

La evaluación de predictores exige vigilar cómo se separan los datos utilizados para entrenar, calibrar y comprobar un modelo: si la información se solapa, el rendimiento puede no reflejar su utilidad ante variantes nuevas. [5] En modelos de lenguaje, además, importan la descripción de los datos, la versión del sistema, los procedimientos de consulta y la forma de verificar las respuestas. [18]

Los modelos pueden devolver identificadores genéticos u ontológicos erróneos, un problema especialmente serio cuando una respuesta fluida aparenta precisión técnica. [13] Los sistemas que recuperan literatura y muestran referencias intentan hacer el proceso más comprobable, pero la evaluación experta de DeepRare mide la calidad de ese apoyo documental, no una garantía automática de que la conclusión sea correcta. [12]

La revisión de genética clínica de Duong y Solomon también destaca problemas de representación de poblaciones y despliegue clínico. [1] TRIPOD-LLM identifica explícitamente la privacidad entre los retos de los modelos de lenguaje y pide describir la aprobación ética y el consentimiento, o su dispensa. [18] Como criterio editorial de seguridad, este artículo propone no trasladar genomas identificables ni historias familiares a servicios externos sin una evaluación institucional del tratamiento de datos, las condiciones del proveedor y la base jurídica aplicable; no se presenta aquí un dictamen legal ni una certificación regulatoria de ningún producto.

Qué debería pedir un hospital antes de incorporar una herramienta

Los estándares de comunicación científica ayudan a hacer esa evaluación verificable: TRIPOD-LLM se ocupa de estudios con modelos de lenguaje y STARD-AI de estudios de exactitud diagnóstica con IA. [18] [19] Para ensayos de intervenciones que incluyen IA, CONSORT-AI añade requisitos específicos de información; seguir una lista de reporte favorece la transparencia, pero no certifica por sí solo la calidad o utilidad del sistema. [20]

A partir de esa literatura y de los problemas de calibración descritos, proponemos la siguiente lista para equipos clínicos, laboratorios y comités de innovación. No es una guía de consenso ni sustituye los procedimientos de validación, acreditación o regulación que correspondan.

• Indicación y comparador: definir qué decisión se pretende mejorar y contra qué práctica asistencial se evaluará.
• Validación externa y local: comprobar la población, el tipo de muestra, la plataforma y las diferencias entre grupos relevantes.
• Rendimiento con denominadores: pedir sensibilidad, especificidad, valores predictivos y calibración cuando proceda, con incertidumbre y análisis de errores; una posición en una lista no equivale a un diagnóstico confirmado.
• Control de versiones: documentar modelo, umbrales, transcritos, referencia genómica y bases de datos para poder reconstruir cada informe.
• Supervisión y discrepancias: establecer quién revisa los hallazgos, cómo se confirma la evidencia y qué ocurre cuando el algoritmo contradice la evaluación clínica.
• Utilidad y seguimiento: medir tiempo hasta un diagnóstico confirmado, cambios de manejo, costes, daños y resultados relevantes para los pacientes, además de la exactitud computacional.

La prueba de realidad:

Una herramienta debe evaluarse en el lugar exacto del proceso donde pretende intervenir. Una buena predicción molecular merece investigación; una decisión asistencial exige además justificación clínica, trazabilidad y responsabilidad.

El futuro no es un informe sin firma

La evidencia seleccionada muestra avances sólidos en tareas acotadas: detección de variantes pequeñas, predicción de efectos sobre proteínas y ARN, y priorización de hipótesis diagnósticas. [2] [3] [9] [11] También documenta diferencias entre el rendimiento en evaluaciones de referencia y los problemas que aparecen al trasladar predicciones a variantes, genes y pacientes concretos. [4] [7]

La conclusión razonable no es frenar la innovación, sino pedirle que responda a una pregunta médica más exigente que «¿acierta el modelo?»: «¿qué cambia de forma fiable para esta persona?». La IA puede ayudar a leer el genoma; la responsabilidad clínica empieza cuando esa lectura se convierte en una decisión.

Método de búsqueda y transparencia editorial

Se realizó una búsqueda narrativa dirigida, con corte el 22 de octubre de 2026, mediante búsqueda web y consulta de registros de PubMed, textos de PubMed Central y páginas editoriales de las revistas. Se combinaron términos sobre IA y genómica clínica con búsquedas específicas de predicción de variantes, empalme, diagnóstico de enfermedades raras, modelos de lenguaje, histopatología, riesgo poligénico y estándares de evaluación.

Se priorizaron investigaciones originales revisadas por pares, evaluaciones clínicas o independientes, revisiones especializadas y documentos de consenso; la selección final reúne 20 publicaciones de 2015 a 2026.

Esta búsqueda no se registró, no siguió un protocolo PRISMA y no permite afirmar exhaustividad ni estimar efectos combinados. La comprobación de fuentes utilizó el texto completo accesible y, cuando no se dispuso de él en forma completa, el resumen y la ficha bibliográfica; los resultados se limitan a lo verificable en ese material.

Para la búsqueda bibliografica y la revisión final se utilizó un agente de IA, separado de la redacción, para examinar coherencia, cifras, denominadores, atribuciones, limitaciones y correspondencia entre afirmaciones y referencias.

Referencias bibliográficas

1. Duong D, Solomon BD. Artificial intelligence in clinical genetics. European Journal of Human Genetics. 2025;33:281–288. DOI: 10.1038/s41431-024-01782-w. [Enlace]
2. Poplin R, Chang PC, Alexander D, et al. A universal SNP and small-indel variant caller using deep neural networks. Nature Biotechnology. 2018;36:983–987. DOI: 10.1038/nbt.4235. [Enlace]
3. Cheng J, Novati G, Pan J, et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science. 2023;381(6664):eadg7492. DOI: 10.1126/science.adg7492. [Enlace]
4. Kong SW, Lee IH, Collen LV, et al. Discordance between a deep learning model and clinical-grade variant pathogenicity classification in a rare disease cohort. npj Genomic Medicine. 2025;10:17. DOI: 10.1038/s41525-025-00480-w. [Enlace]
5. Pejaver V, Byrne AB, Feng BJ, et al. Calibration of computational tools for missense variant pathogenicity classification and ClinGen recommendations for PP3/BP4 criteria. American Journal of Human Genetics. 2022;109(12):2163–2177. DOI: 10.1016/j.ajhg.2022.10.013. [Enlace]
6. Bergquist T, Stenton SL, Nadeau EAW, et al. Calibration of additional computational tools expands ClinGen recommendation options for variant classification with PP3/BP4 criteria. Genetics in Medicine. 2025;27(6):101402. DOI: 10.1016/j.gim.2025.101402. [Enlace]
7. Tejura M, Fayer S, McEwen AE, et al. Calibration of variant effect predictors on genome-wide data masks heterogeneous performance across genes. American Journal of Human Genetics. 2024;111(9):2031–2043. DOI: 10.1016/j.ajhg.2024.07.018. [Enlace]
8. Jaganathan K, Kyriazopoulou Panagiotopoulou S, McRae JF, et al. Predicting Splicing from Primary Sequence with Deep Learning. Cell. 2019;176(3):535–548.e24. DOI: 10.1016/j.cell.2018.12.015. [Enlace]
9. Wagner N, Çelik MH, Hölzlwimmer FR, et al. Aberrant splicing prediction across human tissues. Nature Genetics. 2023;55:861–870. DOI: 10.1038/s41588-023-01373-3. [Enlace]
10. Avsec Ž, Latysheva N, Cheng J, et al. Advancing regulatory variant effect prediction with AlphaGenome. Nature. 2026;649:1206–1218. DOI: 10.1038/s41586-025-10014-0. [Enlace]
11. De La Vega FM, Chowdhury S, Moore B, et al. Artificial intelligence enables comprehensive genome interpretation and nomination of candidate diagnoses for rare genetic diseases. Genome Medicine. 2021;13:153. DOI: 10.1186/s13073-021-00965-0. [Enlace]
12. Zhao W, Wu C, Fan Y, et al. An agentic system for rare disease diagnosis with traceable reasoning. Nature. 2026;651:775–784. DOI: 10.1038/s41586-025-10097-9. [Enlace]
13. Reese JT, Chimirri L, Bridges Y, et al. Systematic benchmarking demonstrates large language models have not reached the diagnostic accuracy of traditional rare-disease decision support tools. European Journal of Human Genetics. 2026;34:498–504. DOI: 10.1038/s41431-026-02054-5. [Enlace]
14. Wang X, et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature. 2024;634:970–978. DOI: 10.1038/s41586-024-07894-z. [Enlace]
15. Martin AR, Kanai M, Kamatani Y, et al. Clinical use of current polygenic risk scores may exacerbate health disparities. Nature Genetics. 2019;51:584–591. DOI: 10.1038/s41588-019-0379-x. [Enlace]
16. Polygenic Risk Score Task Force of the International Common Disease Alliance. Responsible use of polygenic risk scores in the clinic: potential benefits, risks and gaps. Nature Medicine. 2021;27:1876–1884. DOI: 10.1038/s41591-021-01549-6. [Enlace]
17. Richards S, Aziz N, Bale S, et al. Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genetics in Medicine. 2015;17(5):405–424. DOI: 10.1038/gim.2015.30. [Enlace]
18. Gallifant J, Afshar M, Ameen S, et al. The TRIPOD-LLM reporting guideline for studies using large language models. Nature Medicine. 2025;31:60–69. DOI: 10.1038/s41591-024-03425-5. [Enlace]
19. Sounderajah V, Guni A, Liu X, et al. The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence. Nature Medicine. 2025;31:3283–3289. DOI: 10.1038/s41591-025-03953-8. [Enlace]
20. Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK; SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nature Medicine. 2020;26:1364–1374. DOI: 10.1038/s41591-020-1034-x. [Enlace]