Cómo decide un test genético qué dieta te toca

Revisado el 9 de noviembre de 2026 · Por Dr David de Lorenzo · Nutrigenómica

Un test de nutrigenómica te dice «tu dieta es baja en grasa» o «baja en hidratos», y detrás hay un algoritmo. Entender cómo funciona sirve para leer con criterio cualquier informe genético. Una solicitud de patente estadounidense publicada en 2010 (US 2010/0136561 A1) describe uno con todo detalle: cinco variantes de cuatro genes (FABP2, PPARG, ADRB2 y ADRB3) que acaban en una de seis categorías de dieta y ejercicio. Es un buen ejemplo para ver cómo se construye un algoritmo genético, qué pasó cuando se puso a prueba en un ensayo grande y en qué se parece a lo que hace hoy la inteligencia artificial. Vamos paso a paso.

Cinco pasos, del gen a la dieta

La solicitud no inventa genética nueva: ordena la que ya existía, y esa ordenación es el algoritmo.

1. Elegir las variantes con criterios fijados de antemano. Para entrar en el panel, una variante tenía que cumplir cuatro condiciones: una asociación con el peso, la grasa corporal o el IMC en tres o más estudios independientes y en el mismo sentido; un papel biológico plausible del gen; un efecto funcional demostrado, en el ADN o en biomarcadores; y una respuesta a la dieta o al ejercicio que cambiara según el genotipo en al menos dos estudios independientes. La solicitud aplicó esos criterios a la literatura publicada hasta abril de 2007 y cuatro genes los superaron.

2. Codificar cada genotipo. Cada variante tiene dos alelos, el 1 y el 2, y tu genotipo es 1.1, 1.2 o 2.2. Pasar de letras a códigos permite escribir las reglas de forma compacta. En PPARG (rs1801282), por ejemplo, el alelo 1 es C (prolina) y el 2 es G (alanina).

3. Aplicar reglas. Una regla une un genotipo, o una combinación, con una categoría, y cada una lleva una razón biológica. Quien lleva la variante Thr54 de FABP2, que según la solicitud aumenta la absorción de grasa en el intestino, y es Pro/Pro en PPARG, más sensible a la cantidad de grasa de la dieta, queda en «responde a reducir la grasa». Quien lleva la variante Ala de PPARG o la Glu27 de ADRB2 queda en «responde a reducir los hidratos». Quien lleva Gly16 en ADRB2 o Arg64 en ADRB3, receptores que intervienen en liberar grasa del tejido adiposo durante el ejercicio, queda en «responde menos al ejercicio moderado». Y quien no cumple ninguna regla recibe la categoría por defecto: dieta equilibrada.

4. Resolver los choques entre reglas con una prioridad. Hay un caso en que dos reglas apuntan a sitios distintos: una persona con Glu27 en ADRB2, que apunta a los hidratos, y con Thr54 en FABP2 y Pro/Pro en PPARG, que apuntan a la grasa. El algoritmo le asigna «grasa», porque la evidencia disponible para FABP2 y PPARG es mayor que la de ADRB2 con los hidratos. Un algoritmo de reglas lleva siempre dentro una jerarquía de evidencia, y conviene saber cuál es.

5. Asignar una celda y su recomendación. Tres categorías de dieta por dos de ejercicio dan una matriz de seis celdas (figura 2). La tabla las recoge con la frecuencia que da la solicitud, en personas de ascendencia europea de un estudio de familias de Quebec, y con lo que puedes probar en cada una.

Genotipo y dieta: qué propone el algoritmo

La columna de la derecha es una propuesta de CESGEN, derivada del texto de la solicitud y de las pautas generales de una dieta de calidad, para probar y observar unas semanas (peso, cintura y, si tienes analítica, triglicéridos). No es un resultado de un estudio validado, y más abajo verás por qué la planteamos así.

Una cifra ayuda a leer cualquier informe de este tipo: sumando las tres celdas de ejercicio intenso, el 88 % de esa muestra cae en ellas (cálculo de CESGEN). Cuando una categoría es muy frecuente, saber que estás en ella dice poco; la información está en las categorías menos habituales.

Cómo se comprobó

La solicitud incluye un ejemplo con datos. Personas asignadas a cuatro dietas con distinto reparto de grasa e hidratos (Atkins, Ornish, LEARN y Zone) se separaron según su genotipo en «dieta adecuada» y «dieta no adecuada». Con la dieta baja en hidratos no hubo diferencia (p = 0,42). Con las dietas bajas en grasa (Ornish y LEARN), el grupo con el genotipo «de grasa» perdió 4,6 kg de media durante el seguimiento y el grupo con el genotipo «de hidratos», 2,4 kg (p = 0,007; 18 y 30 personas). La solicitud resume el resultado como una pérdida de peso de dos a tres veces mayor con la dieta adecuada al genotipo. Los grupos eran pequeños, de 6 a 30 personas, y el documento no indica de qué estudio proceden los datos.

Años después, un ensayo diseñado para esta pregunta la puso a prueba. DIETFITS (2018) asignó al azar a 609 adultos con sobrepeso o con obesidad a una dieta baja en grasa o a una baja en hidratos durante 12 meses, con sesiones que insistían en la calidad de la dieta, y analizó patrones de tres SNP de los mismos tres genes del algoritmo (PPARG rs1801282, ADRB2 rs1042714 y FABP2 rs1799883). Su punto de partida era un estudio retrospectivo preliminar que había visto una pérdida de 6 kg frente a 2 kg según la dieta coincidiera o no con el patrón genético. En el ensayo, la pérdida a los 12 meses fue de 5,3 kg con la dieta baja en grasa y de 6,0 kg con la baja en hidratos, y no hubo interacción significativa entre la dieta y el patrón de genotipo (p = 0,20). Los autores concluyen que, para elegir entre esas dos dietas, el patrón no ayudaba a identificar cuál iba mejor a cada persona.

Esto no invalida la idea de usar la genética para personalizar: dice que, con estos tres SNP y estas dos dietas, el patrón no bastó. Un ensayo grande y bien diseñado es justo lo que permite saberlo, y marca el estándar para cualquier algoritmo genético: comprobarlo en un grupo independiente y con el tamaño suficiente. Por eso la propuesta de la tabla se plantea como algo que probar y observar, y no como una prescripción.

Del algoritmo de reglas a la IA

La cadena es la misma en cualquier sistema: genotipo, puntuación o categoría, recomendación. Lo que cambia es quién decide los pesos y cómo se comprueba.

Reglas escritas por personas. Es el caso de la solicitud. Su ventaja es que puedes leer cada decisión y saber por qué se tomó. Es también la lógica de los árboles de decisión de sistemas de consejo nutricional como el del estudio Food4Me, donde la versión automatizada coincidió con la manual en el 87 % de los mensajes de consejo (2016). Su límite es que los umbrales y las prioridades dependen del criterio de quien escribe las reglas, y las combinaciones que nadie estudió se resuelven por prioridad, no por datos.

Pesos aprendidos de datos. El aprendizaje automático estima los pesos a partir de muchas personas. Un ejemplo conocido en nutrición, sin genética, es un algoritmo entrenado con 800 personas con monitorización continua de la glucosa que predijo la respuesta a comidas reales; se validó en 100 personas independientes y en un ensayo aleatorizado (2015). Su ventaja es que encuentra combinaciones que nadie escribió. Su riesgo es el sobreajuste, es decir, aprender el ruido de los datos de entrenamiento, y solo se detecta con una validación independiente.

Un modelo de lenguaje que explica. Un modelo de lenguaje no debería calcular tu puntuación; sí puede explicar, en palabras sencillas, una puntuación que se calculó fuera de él con un método comprobable. Es el diseño más prudente: el cálculo se puede auditar y el modelo se ocupa de la comunicación.

Los tres comparten la pregunta que importa, y DIETFITS la responde con un ejemplo: no es la complejidad del motor lo que da confianza a un resultado, sino que se haya comprobado en un grupo independiente.

Hacia la puntuación poligénica

El paso siguiente a unas reglas con tres o cinco variantes es sumar el efecto de muchas variantes, cada una con su peso. Es la puntuación poligénica (PRS), una estimación de la propensión genética de una persona a un rasgo o a una enfermedad, calculada a partir de su genotipo y de los datos de estudios de asociación del genoma completo (revisión metodológica, 2020). En nutrigenética ya hay una guía de práctica clínica (2022) que considera aplicable, en casos concretos, una puntuación de 31 SNP para predecir la respuesta de los triglicéridos a los omega-3 en adultos con sobrepeso o con obesidad. Cómo se construye, cómo se valida y qué límites tiene lo dejamos para la siguiente entrada.

Si tienes un fichero genético

Puedes buscar estos cinco SNP en tu fichero de 23andMe o de AncestryDNA, en tu propio ordenador y por su rsID; no hace falta subir el fichero a ningún visor en línea. En los ficheros de 23andMe que hemos revisado, uno de cada versión (v3, v4 y v5), aparecen rs1801282, rs1042713, rs1042714 y rs4994, y no aparece rs1799883 (FABP2). En AncestryDNA no lo hemos comprobado. Sin FABP2 no puedes reproducir todas las reglas; DIETFITS lo imputó estadísticamente, con una calidad de imputación alta (r² = 0,99).

Las letras de la tabla son las de la hebra directa del genoma de referencia, la de dbSNP; comprueba en la cabecera de tu fichero qué hebra usa. Con FABP2 y ADRB3 conviene tener cuidado, porque la solicitud las escribe con las letras de la hebra contraria.

Con tus letras, sigue las reglas del paso 3 para ver en qué celda caerías y mira la propuesta de esa fila de la tabla anterior. Esta información describe lo que se ha observado en estudios y no sustituye la valoración de un profesional sanitario.

Qué conviene tener en cuenta

• Las frecuencias dependen de la ascendencia. Las de la tabla son de personas de ascendencia europea de un estudio de Quebec; la propia solicitud recoge que la frecuencia de portadores de la variante Ala de PPARG va del 4 % al 19 % según el grupo de ascendencia que describe.
• Las combinaciones salen de estudios de una sola variante. La solicitud dice que ningún estudio evaluó juntos PPARG y ADRB2, y por eso las combina con reglas y prioridades.
• Una solicitud de patente no es un estudio. Es un documento de una empresa con los datos que presentó, sin revisión por pares.
• El ejercicio intenso se introduce poco a poco. Si tienes alguna patología o dudas sobre tu condición física, consúltalo antes con tu profesional sanitario.

CESGEN ofrece formación y paneles de nutrigenómica; esta entrada explica un método y no promociona ningún test.

Qué puedes hacer con esta información

• Cuando leas un informe genético, pregunta cuatro cosas: qué variantes entran, qué reglas o pesos se aplican, quién decidió las prioridades y con qué ensayo se comprobó.
• Si un informe te asigna una dieta por tu genotipo, pruébala como una hipótesis. Dale unas semanas y observa tu peso, tu cintura y, si tienes analítica, tus triglicéridos. La base, una dieta de calidad que puedas mantener y ejercicio regular, sirve para cualquier genotipo.
• Si tu informe no te mueve de la categoría equilibrada, es una buena noticia práctica: la pauta general de alimentación saludable es tu mejor punto de partida, y puedes concentrarte en que sea sostenible.

Así es como un algoritmo genético mejora tu alimentación: no te da una respuesta cerrada, pero te enseña qué preguntar y cómo comprobar lo que te cuenta.

Fuentes

1. Genetic Markers for Weight Management and Methods of Use Thereof (solicitud de patente US 2010/0136561 A1), Oficina de Patentes y Marcas de EE. UU. (USPTO), publicada el 03/06/2010. Documento de solicitud: no equivale a un estudio revisado por pares, 2010
2. Effect of Low-Fat vs Low-Carbohydrate Diet on 12-Month Weight Loss in Overweight Adults and the Association With Genotype Pattern or Insulin Secretion: The DIETFITS Randomized Clinical Trial, Gardner CD et al. JAMA 319:667-679 (PMID 29466592), 2018
3. A Dietary Feedback System for the Delivery of Consistent Personalized Dietary Advice in the Web-Based Multicenter Food4Me Study, Forster H et al. Journal of Medical Internet Research 18:e150 (PMID 27363307), 2016
4. Personalized Nutrition by Prediction of Glycemic Responses, Zeevi D et al. Cell 163:1079-1094 (PMID 26590418), 2015
5. Tutorial: a guide to performing polygenic risk score analyses, Choi SW, Mak TS-H, O'Reilly PF. Nature Protocols 15:2759-2772 (PMID 32709988), 2020
6. Clinical Practice Guidelines Using GRADE and AGREE II for the Impact of Genetic Variants on Plasma Lipid/Lipoprotein/Apolipoprotein Responsiveness to Omega-3 Fatty Acids, Keathley J et al. Frontiers in Nutrition 8:768474 (PMID 35237638), 2022
7. dbSNP: rs1799883, rs1801282, rs1042713, rs1042714 y rs4994 (alelos de la hebra directa y cambio de aminoácido), consultado el 09/11/2026, NCBI, National Library of Medicine, 2026

← Todos los artículos