{"id":68032,"date":"2026-09-08T19:12:08","date_gmt":"2026-09-08T19:12:08","guid":{"rendered":"https:\/\/overcentral.com\/es\/?p=68032"},"modified":"2026-09-08T19:12:08","modified_gmt":"2026-09-08T19:12:08","slug":"alphagenome-atlas-variantes-geneticas-68032","status":"publish","type":"post","link":"https:\/\/overcentral.com\/es\/alphagenome-atlas-variantes-geneticas-68032\/","title":{"rendered":"AlphaGenome Atlas de DeepMind mapea 9.000 millones de cambios en el ADN"},"content":{"rendered":"

Leer una secuencia de ADN y localizar d\u00f3nde cambia una de sus letras es, hoy en d\u00eda, un proceso relativamente automatizado. Lo dif\u00edcil comienza despu\u00e9s: descifrar qu\u00e9 consecuencias tiene ese cambio. Muchas variantes gen\u00e9ticas apenas alteran el funcionamiento de la c\u00e9lula, mientras que otras pueden afectar procesos esenciales como la regulaci\u00f3n g\u00e9nica, el splicing<\/em> del ARN o la estructura de las prote\u00ednas, y en determinados casos abrir la puerta a enfermedades. La gen\u00e9tica lleva d\u00e9cadas tratando de separar las variantes inocuas de las da\u00f1inas, pero se topa con un l\u00edmite pr\u00e1ctico insalvable: el espacio de variantes posibles en el genoma humano es tan vasto que resulta imposible estudiar experimentalmente cada una por separado en el laboratorio. Google DeepMind<\/a> acaba de dar un paso de gigante para sortear ese obst\u00e1culo con el AlphaGenome Atlas, un mapa predictivo que re\u00fane los efectos moleculares de m\u00e1s de 9.000 millones de cambios de una sola letra en el ADN humano. La cifra no es un cat\u00e1logo de mutaciones observadas en pacientes, sino un modelo exhaustivo de todas las sustituciones posibles, calculado mediante inteligencia artificial y puesto a disposici\u00f3n de la comunidad cient\u00edfica a trav\u00e9s de una interfaz web interactiva.<\/p>\n

Qu\u00e9 es AlphaGenome Atlas: el mapa de todas las letras posibles del genoma humano<\/h2>\n

AlphaGenome Atlas es un recurso desarrollado por Google DeepMind que recopila predicciones sobre el impacto molecular de todas las sustituciones de un solo nucle\u00f3tido posibles en el genoma humano. En el ADN hay cuatro bases \u2014adenina, citosina, guanina y timina\u2014 y cada posici\u00f3n del genoma puede albergar una de ellas. Cuando cambia una simple letra hablamos de una variante de un solo nucle\u00f3tido, tambi\u00e9n conocida como SNV. Teniendo en cuenta que el genoma humano contiene aproximadamente 3.000 millones de pares de bases y que en cada posici\u00f3n la base existente puede sustituirse por cualquiera de las otras tres, el n\u00famero total de variantes posibles asciende a unos 9.000 millones. DeepMind ha construido un atlas que predice qu\u00e9 efectos tendr\u00eda cada una de esas sustituciones.<\/p>\n

El Atlas no se limita a una \u00fanica m\u00e9trica. Seg\u00fan la publicaci\u00f3n oficial de la compa\u00f1\u00eda, re\u00fane estimaciones sobre m\u00faltiples procesos moleculares: desde la expresi\u00f3n g\u00e9nica hasta el splicing<\/em>, pasando por la accesibilidad de la cromatina y el impacto en la actividad de los genes, con predicciones calculadas para cientos de tipos celulares y tejidos, tanto humanos como de rat\u00f3n. El conjunto de datos ocupa cerca de un petabyte, una escala que refleja la magnitud del proyecto.<\/p>\n

A diferencia de otras bases de datos gen\u00f3micas que se limitan a registrar variantes encontradas en poblaciones humanas, AlphaGenome Atlas es un mapa predictivo. Es decir, no solo indica qu\u00e9 variantes existen o son frecuentes, sino que anticipa los efectos moleculares que tendr\u00eda cada cambio posible, incluidos aquellos que no se han observado jam\u00e1s. El valor de este enfoque es evidente para la investigaci\u00f3n biom\u00e9dica: permite explorar el espacio completo de posibilidades antes de decidir qu\u00e9 variantes merecen an\u00e1lisis experimentales.<\/p>\n

La puntuaci\u00f3n AVI: un sem\u00e1foro para priorizar variantes<\/h3>\n

Junto al atlas, DeepMind ha introducido un nuevo sistema de puntuaci\u00f3n llamado AlphaGenome Variant Impact, o AVI. Esta m\u00e9trica combina las predicciones de AlphaGenome con las de AlphaMissense, el modelo que la compa\u00f1\u00eda present\u00f3 en 2023 para evaluar variantes que alteran amino\u00e1cidos en las prote\u00ednas. El resultado es un \u00fanico valor que resume el posible impacto de cada variante. Para los investigadores, AVI funciona como un sistema de priorizaci\u00f3n: en lugar de enfrentarse a miles de millones de candidatas, la puntuaci\u00f3n ayuda a identificar cu\u00e1les tienen m\u00e1s probabilidades de estar asociadas a efectos funcionales relevantes y, potencialmente, a enfermedades.<\/p>\n

La utilidad de esta puntuaci\u00f3n ya se ha puesto a prueba en contextos reales. En colaboraci\u00f3n con el consorcio GREGoR, investigadores del Broad Institute y sus colegas utilizaron AVI para priorizar variantes en el estudio de enfermedades raras. Gracias a este enfoque localizaron una alteraci\u00f3n en el gen DNM1<\/em> que hab\u00eda pasado desapercibida en investigaciones anteriores. Las predicciones indicaban que esa variante creaba un sitio de splicing<\/em> incorrecto, un efecto que posteriormente fue validado experimentalmente. El caso demuestra c\u00f3mo la IA<\/a> puede servir como gu\u00eda para dirigir la atenci\u00f3n a regiones del genoma que de otro modo quedar\u00edan sepultadas entre millones de cambios neutros.<\/p>\n

El contexto: de Enformer a AlphaGenome<\/h3>\n

El lanzamiento del Atlas no surge de la nada. DeepMind lleva m\u00e1s de una d\u00e9cada aplicando inteligencia artificial a problemas biol\u00f3gicos, y en el campo de la gen\u00e9tica cuenta con una trayectoria consolidada. En 2021 present\u00f3 Enformer, un modelo centrado en predecir c\u00f3mo una secuencia de ADN influye en la regulaci\u00f3n g\u00e9nica. En 2023 lleg\u00f3 AlphaMissense, orientado a estimar el impacto de las variantes que alteran prote\u00ednas, un trabajo que ya supuso un cat\u00e1logo de 71 millones de posibles cambios de amino\u00e1cidos. En 2025 la compa\u00f1\u00eda present\u00f3 AlphaGenome, un modelo capaz de anticipar m\u00faltiples efectos moleculares a partir de secuencias largas de ADN. Lo que ahora se conoce como AlphaGenome Atlas es el siguiente paso natural: llevar esa capacidad predictiva a escala del genoma completo y dejar las predicciones precalculadas para que cualquier investigador pueda consultarlas sin necesidad de ejecutar el modelo desde cero.<\/p>\n

La progresi\u00f3n de estos modelos refleja un cambio de paradigma en la biolog\u00eda computacional. Los primeros enfoques se centraban en problemas muy concretos, como la predicci\u00f3n de la estructura de prote\u00ednas o el efecto de mutaciones individuales. AlphaGenome Atlas, en cambio, aborda una pregunta mucho m\u00e1s ambiciosa: \u00bfqu\u00e9 ocurre a nivel molecular cuando se produce cualquier cambio posible en cualquier posici\u00f3n del genoma? Esa ambici\u00f3n tiene implicaciones importantes para la investigaci\u00f3n gen\u00e9tica, porque permite pasar de una l\u00f3gica reactiva \u2014analizar variantes que ya se han observado en pacientes\u2014 a una l\u00f3gica proactiva \u2014explorar todas las posibilidades y seleccionar las m\u00e1s prometedoras para estudios experimentales\u2014.<\/p>\n

C\u00f3mo funciona AlphaGenome Atlas en la pr\u00e1ctica cient\u00edfica<\/h2>\n

La escala del proyecto es dif\u00edcil de asimilar. Hablamos de m\u00e1s de 9.000 millones de variantes de un solo nucle\u00f3tido, cada una con predicciones asociadas a m\u00faltiples procesos moleculares y en cientos de tipos celulares y tejidos. El conjunto de datos ocupa aproximadamente un petabyte, el equivalente a almacenar alrededor de dos millones de pel\u00edculas en alta definici\u00f3n. Hasta ahora, un recurso de tales dimensiones habr\u00eda resultado inmanejable para la mayor\u00eda de los laboratorios, que no disponen de la infraestructura computacional necesaria para descargarlo y procesarlo. DeepMind ha resuelto este problema ofreciendo las predicciones a trav\u00e9s de una interfaz web que permite consultar directamente la informaci\u00f3n sin necesidad de manejar ficheros masivos.<\/p>\n

El funcionamiento t\u00e9cnico combina dos modelos. AlphaGenome analiza secuencias largas de ADN y anticipa m\u00faltiples efectos moleculares, mientras que AlphaMissense aporta informaci\u00f3n espec\u00edfica sobre variantes que alteran amino\u00e1cidos. La integraci\u00f3n de ambos produce el valor AVI, que resume el posible impacto en un \u00fanico n\u00famero. Esa puntuaci\u00f3n se complementa con las predicciones detalladas de cada proceso molecular, lo que permite al investigador no solo saber qu\u00e9 variantes podr\u00edan ser relevantes, sino tambi\u00e9n entender qu\u00e9 mecanismo biol\u00f3gico podr\u00edan estar afectando.<\/p>\n

La aplicaci\u00f3n pr\u00e1ctica del Atlas se puede resumir en tres pasos. En primer lugar, un investigador identifica una regi\u00f3n gen\u00f3mica de inter\u00e9s asociada a una enfermedad o proceso biol\u00f3gico. En segundo lugar, consulta en AlphaGenome Atlas las predicciones para todas las variantes posibles dentro de esa regi\u00f3n. En tercer lugar, utiliza la puntuaci\u00f3n AVI y las predicciones detalladas para seleccionar las variantes candidatas con mayor probabilidad de tener un efecto biol\u00f3gico real, y solo entonces las lleva al laboratorio para su validaci\u00f3n experimental. Este flujo de trabajo reduce dr\u00e1sticamente el espacio de b\u00fasqueda y permite concentrar los recursos donde hay m\u00e1s posibilidades de encontrar algo relevante.<\/p>\n

Evidencia en enfermedades raras y datos poblacionales<\/h3>\n

La colaboraci\u00f3n con el consorcio GREGoR y el Broad Institute ha proporcionado una de las primeras validaciones independientes del enfoque. En el caso de DNM1<\/em>, las predicciones del Atlas se\u00f1alaron que una variante creaba un sitio de splicing<\/em> aberrante, es decir, que el ARN mensajero se cortaba y empalmaba en un lugar incorrecto. Esa hip\u00f3tesis fue confirmada experimentalmente, lo que demuestra que el modelo no solo asigna puntuaciones, sino que puede anticipar mecanismos moleculares concretos que luego se verifican en el laboratorio.<\/p>\n

Otro ejemplo de aplicaci\u00f3n proviene de la Universidad de Exeter. Gareth Hawkes aplic\u00f3 el Atlas a datos gen\u00f3micos de m\u00e1s de 54.000 participantes del UK Biobank, uno de los mayores estudios de cohorte del mundo. Seg\u00fan DeepMind, Hawkes logr\u00f3 detectar un 22% m\u00e1s de asociaciones gen\u00e9ticas no codificantes que de otro modo habr\u00edan quedado ocultas en el ruido estad\u00edstico. Este dato es especialmente relevante porque las variantes en regiones no codificantes han sido tradicionalmente dif\u00edciles de interpretar: no cambian la secuencia de una prote\u00edna, pero pueden alterar la regulaci\u00f3n de los genes a distancia. El Atlas permite captar esas se\u00f1ales d\u00e9biles que antes se perd\u00edan.<\/p>\n

Implicaciones para la investigaci\u00f3n gen\u00e9tica y la medicina<\/h2>\n

El impacto potencial de AlphaGenome Atlas en la gen\u00e9tica m\u00e9dica es considerable. Durante a\u00f1os, los estudios de asociaci\u00f3n gen\u00e9tica se han enfrentado a un problema de potencia estad\u00edstica: hay tantas variantes posibles en el genoma que cualquier correcci\u00f3n por comparaciones m\u00faltiples reduce enormemente la capacidad de detectar asociaciones reales. Contar con un mapa predictivo que priorice las variantes con mayor probabilidad de efecto funcional permite ajustar los an\u00e1lisis estad\u00edsticos y reducir el ruido. No es casualidad que el ejemplo de UK Biobank muestre un incremento del 22% en las asociaciones detectadas: el Atlas est\u00e1 actuando como un filtro de informaci\u00f3n previa que mejora la relaci\u00f3n se\u00f1al-ruido en los estudios gen\u00f3micos.<\/p>\n

En el campo de las enfermedades raras, donde cada paciente puede tener una variante \u00fanica que requiere interpretaci\u00f3n individualizada, la capacidad de priorizar variantes es crucial. Los equipos m\u00e9dicos que secuencian el exoma o el genoma completo de un paciente con una enfermedad de origen gen\u00e9tico desconocido se enfrentan a miles de variantes candidatas. El AVI puede ayudar a clasificarlas y a se\u00f1alar cu\u00e1les merecen estudios funcionales, un proceso que tradicionalmente ha dependido de la experiencia cl\u00ednica y de bases de datos poblacionales que no siempre contienen informaci\u00f3n suficiente.<\/p>\n

Sin embargo, conviene mantener una perspectiva equilibrada. DeepMind advierte expl\u00edcitamente de que AlphaGenome no ha sido validado para uso cl\u00ednico. Las predicciones del Atlas son hip\u00f3tesis computacionales que deben ser verificadas experimentalmente antes de extraer conclusiones firmes. La IA puede ayudar a decidir d\u00f3nde mirar primero, pero no puede sustituir la validaci\u00f3n en sistemas biol\u00f3gicos. Este matiz es esencial para entender las limitaciones reales de la herramienta y evitar interpretaciones deterministas de sus resultados.<\/p>\n

Qu\u00e9 preguntas responde AlphaGenome Atlas y cu\u00e1les quedan abiertas<\/h3>\n

Muchos lectores se preguntar\u00e1n exactamente qu\u00e9 tipo de informaci\u00f3n ofrece el Atlas para una variante concreta. La respuesta es que proporciona una estimaci\u00f3n del impacto de esa variante sobre varios procesos moleculares, como la expresi\u00f3n g\u00e9nica, el splicing<\/em> y la accesibilidad de la cromatina, en diferentes tipos celulares y tejidos. Adem\u00e1s, la puntuaci\u00f3n AVI resume si es probable que la variante tenga un efecto delet\u00e9reo importante, moderado o nulo. Es importante subrayar que el Atlas no dice si una variante causa una enfermedad concreta; lo que ofrece es evidencia molecular predictiva que ayuda a evaluar si una variante merece ser estudiada en relaci\u00f3n con una enfermedad.<\/p>\n

Otra pregunta habitual es si estas predicciones son fiables. La respuesta matizada es que el modelo ha sido evaluado en distintos contextos y ha mostrado capacidad para identificar variantes con efectos reales, como en el caso de DNM1<\/em>. Pero la fiabilidad no es absoluta ni uniforme: las predicciones son m\u00e1s robustas para ciertos tipos de variantes y mecanismos moleculares que para otros. Por tanto, la comunidad cient\u00edfica trata el Atlas como una herramienta de priorizaci\u00f3n complementaria a otras fuentes de evidencia, no como un veredicto definitivo.<\/p>\n

Tambi\u00e9n cabe preguntarse por qu\u00e9 DeepMind ha decidido liberar este recurso ahora. La respuesta probable tiene que ver con la madurez del modelo AlphaGenome, la disponibilidad de infraestructura computacional suficiente para generar las predicciones a escala completa y la oportunidad de ofrecer un valor inmediato a la comunidad investigadora. Al hacer p\u00fablico el Atlas, DeepMind no solo contribuye al avance de la gen\u00e9tica, sino que tambi\u00e9n legitima su enfoque y abre la puerta a que otros grupos validen y critiquen sus predicciones, un proceso que redundar\u00e1 en la mejora del propio modelo.<\/p>\n

La carrera por la interpretaci\u00f3n gen\u00f3mica se intensifica<\/h3>\n

El lanzamiento de AlphaGenome Atlas no ocurre en el vac\u00edo. En los \u00faltimos a\u00f1os, varias iniciativas p\u00fablicas y privadas han tratado de construir recursos para interpretar la variaci\u00f3n gen\u00e9tica humana. Proyectos como gnomAD han recopilado variantes observadas en decenas de miles de individuos, mientras que consorcios como ENCODE han cartografiado elementos funcionales del genoma. La aportaci\u00f3n espec\u00edfica de DeepMind es la escala predictiva: no se limita a observar lo que existe, sino que calcula lo que podr\u00eda ocurrir. Esa diferencia cualitativa podr\u00eda cambiar la forma en que los laboratorios dise\u00f1an sus experimentos y priorizan sus hip\u00f3tesis.<\/p>\n

Para las empresas de diagn\u00f3stico gen\u00e9tico y las plataformas de medicina de precisi\u00f3n, el Atlas ofrece un recurso valioso para interpretar variantes de significado incierto, una de las grandes asignaturas pendientes de la gen\u00e9tica cl\u00ednica. Cuando un laboratorio encuentra una variante que no ha sido descrita previamente en la literatura ni en bases de datos poblacionales, el Atlas puede proporcionar una predicci\u00f3n sobre su posible efecto y ayudar a los especialistas a decidir si deben recomendar estudios de segregaci\u00f3n familiar o an\u00e1lisis funcionales.<\/p>\n

El hecho de que el recurso sea abierto y consultable a trav\u00e9s de una interfaz web democratiza el acceso a capacidades computacionales que antes estaban reservadas a grandes centros de investigaci\u00f3n. Cualquier laboratorio del mundo, incluidos los de Am\u00e9rica Latina y Espa\u00f1a, puede consultar las predicciones sin necesidad de invertir en infraestructura de c\u00e1lculo masivo. Para pa\u00edses con recursos limitados en gen\u00f3mica, este tipo de herramientas pueden suponer un punto de inflexi\u00f3n al reducir la brecha con los centros de investigaci\u00f3n de los pa\u00edses m\u00e1s ricos.<\/p>\n

C\u00f3mo ser\u00e1 el futuro de la interpretaci\u00f3n gen\u00f3mica con IA<\/h2>\n

El camino que ha recorrido DeepMind desde Enformer hasta AlphaGenome Atlas muestra una direcci\u00f3n clara: la IA est\u00e1 pasando de predecir un \u00fanico tipo de efecto molecular a ofrecer un panorama integrado a escala gen\u00f3mica. La siguiente frontera previsible es la integraci\u00f3n de las predicciones de AlphaGenome con datos fenot\u00edpicos y cl\u00ednicos masivos, de modo que las asociaciones entre variantes y enfermedades puedan evaluarse no solo a nivel molecular, sino tambi\u00e9n a nivel de salud humana. Proyectos como UK Biobank ya ofrecen una base de datos de este tipo, y la combinaci\u00f3n de esa informaci\u00f3n con el Atlas podr\u00eda acelerar el descubrimiento de nuevas dianas terap\u00e9uticas y biomarcadores diagn\u00f3sticos.<\/p>\n

Tambi\u00e9n es probable que surjan modelos similares para otras especies. El Atlas ya incluye predicciones para rat\u00f3n, lo que confirma el inter\u00e9s de la compa\u00f1\u00eda por extender su enfoque a organismos modelo. Esto ser\u00eda particularmente \u00fatil para la investigaci\u00f3n biom\u00e9dica, donde el rat\u00f3n es el organismo experimental por excelencia. Contar con predicciones equivalentes para el genoma de rat\u00f3n permitir\u00eda trasladar hip\u00f3tesis de un genoma a otro con mayor fiabilidad.<\/p>\n

No obstante, quedan retos importantes. El primero es la validaci\u00f3n experimental sistem\u00e1tica de las predicciones; aunque el caso de DNM1<\/em> demuestra que el modelo acierta, no se ha validado suficientemente a\u00fan para garantizar que las predicciones son igualmente fiables en todas las regiones del genoma y para todos los tipos de efectos moleculares. El segundo reto es la interpretaci\u00f3n cl\u00ednica: aunque las predicciones del Atlas sean precisas, la decisi\u00f3n de asociar una variante a una enfermedad requiere integrar m\u00faltiples l\u00edneas de evidencia, desde datos poblacionales hasta estudios funcionales y coherencia fenot\u00edpica. La IA puede contribuir, pero no debe reemplazar el juicio cl\u00ednico experto.<\/p>\n

Desde el punto de vista estrat\u00e9gico, DeepMind ha consolidado su posici\u00f3n como uno de los actores principales en la aplicaci\u00f3n de IA a las ciencias de la vida. La liberaci\u00f3n de AlphaGenome Atlas refuerza la narrativa de la compa\u00f1\u00eda como proveedora de recursos de investigaci\u00f3n, en lugar de mera desarrolladora de algoritmos. Tambi\u00e9n plantea cuestiones de gobernanza: recursos de esta magnitud, con predicciones para todo el genoma humano, requieren pol\u00edticas de acceso y uso responsable para evitar interpretaciones err\u00f3neas o aplicaciones inapropiadas.<\/p>\n

El AlphaGenome Atlas llega en un momento clave de la gen\u00f3mica, cuando la ca\u00edda de los costes de secuenciaci\u00f3n ha generado una avalancha de datos que la comunidad cient\u00edfica no siempre alcanza a interpretar. La disponibilidad de mapas predictivos como este no resuelve todos los problemas, pero s\u00ed ofrece una ventaja enorme: la capacidad de mirar primero donde es m\u00e1s probable encontrar algo relevante. En una disciplina donde el ruido estad\u00edstico y el n\u00famero de posibles explicaciones son inmensos, esa capacidad es m\u00e1s que una comodidad; es una necesidad. El Atlas no es el final del camino, sino un instrumento que reconfigura las prioridades de investigaci\u00f3n. Que los aciertos demostrados hasta ahora se conviertan en la norma depender\u00e1 de la comunidad cient\u00edfica, que desde hoy dispone de un mapa exhaustivo y gratuito para explorar el genoma desde una perspectiva completamente nueva.<\/p>\n

La llegada de AlphaGenome Atlas marca un antes y un despu\u00e9s en la interpretaci\u00f3n gen\u00f3mica: por primera vez, la inteligencia artificial ofrece un mapa predictivo completo de todos los cambios posibles en el ADN humano, y no una simple lista de mutaciones observadas. La clave no est\u00e1 en la cifra de los 9.000 millones de variantes, sino en lo que los investigadores har\u00e1n con ella. Si el resultado es una aceleraci\u00f3n en el diagn\u00f3stico de enfermedades raras, una mayor potencia en los estudios gen\u00e9ticos de poblaciones y una gu\u00eda m\u00e1s fiable para la validaci\u00f3n experimental, el proyecto habr\u00e1 cumplido su objetivo. La IA, otra vez, no sustituye a la biolog\u00eda: la orienta.<\/p>\n","protected":false},"excerpt":{"rendered":"

Leer una secuencia de ADN y localizar d\u00f3nde cambia una de sus letras es, hoy en d\u00eda, un proceso relativamente automatizado. Lo dif\u00edcil comienza despu\u00e9s: descifrar qu\u00e9 consecuencias tiene ese cambio. Muchas variantes gen\u00e9ticas apenas alteran el funcionamiento de la c\u00e9lula, mientras que otras pueden afectar procesos esenciales como la regulaci\u00f3n g\u00e9nica, el splicing del […]<\/p>\n","protected":false},"author":2,"featured_media":68350,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"https:\/\/pub-4d4fc17555de4152be07eaf2a416a31e.r2.dev\/es\/ocie_1789131969880.jpg","fifu_image_alt":"AlphaGenome Atlas de DeepMind mapea 9.000 millones de cambios en el ADN","footnotes":""},"categories":[5],"tags":[],"class_list":["post-68032","post","type-post","status-publish","format-standard","has-post-thumbnail","category-tecnologia"],"fifu_image_url":"https:\/\/pub-4d4fc17555de4152be07eaf2a416a31e.r2.dev\/es\/ocie_1789131969880.jpg","fifu_image_alt":"AlphaGenome Atlas de DeepMind mapea 9.000 millones de cambios en el ADN","_links":{"self":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/68032","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/comments?post=68032"}],"version-history":[{"count":1,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/68032\/revisions"}],"predecessor-version":[{"id":68036,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/68032\/revisions\/68036"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media\/68350"}],"wp:attachment":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media?parent=68032"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/categories?post=68032"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/tags?post=68032"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}