Google DeepMind vient de publier AlphaGenome 2, une nouvelle version de son modèle d’Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. dédié à la génomique. Contrairement à la première itération, qui ne pouvait que donner une vue d’ensemble à l’échelle des tissus, AlphaGenome 2 travaille au niveau de chaque type cellulaire. En pratique, il accepte comme entrée non seulement la séquence d’ADN, mais aussi l’état biologique d’une cellule précise, puis il estime l’expression des gènes, le compactage de l’ADN et même la méthylation, ces petites marques chimiques qui contrôlent l’activation des gènes.
Une résolution au niveau cellulaire
Le modèle a été entraîné sur plus de 107 millions de profils cellulaires provenant de 68 tissus humains et de souris. Cette densité de données permet à AlphaGenome 2 de différencier, par exemple, la façon dont un même fragment d’ADN est lu par un cardiomyocyte et par un lymphocyte. Cette capacité à « conditionner » le résultat sur le type cellulaire corrige une limitation majeure de son prédécesseur, qui, en essayant de couvrir des milliers d’expériences simultanément, diluait son pouvoir de précision.
Sur le jeu de référence TenK10K, qui regroupe 28 types cellulaires immunitaires primaires, AlphaGenome 2 a identifié environ 30 % des variantes causales, contre 16 % pour la version précédente. Il a aussi prédit correctement le sens de l’effet – activation ou répression – dans 43 % des cas, contre 23 % auparavant. Ces améliorations s’observent également lorsqu’on suit la maturation d’une cellule souche sanguine vers un érythrocyte : le modèle suit le changement d’expression avec une précision nettement supérieure.
Applications concrètes pour la recherche médicale
AlphaGenome 2 ne se contente pas de fournir des prédictions statiques. En partant d’une mesure unique – par exemple l’activité transcrite d’une cellule – il peut extrapoler d’autres propriétés comme la compaction de la chromatine ou le profil de méthylation. Cette fonction d’InférencePhase durant laquelle un modèle entraîné utilise ses paramètres pour produire une prédiction ou une réponse à partir de nouvelles données. aide les laboratoires à prioriser les expériences : si le modèle indique qu’un marqueur épigétique est susceptible d’être crucial, les chercheurs peuvent cibler leurs validations expérimentales.
Un exemple publié montre que le modèle a reproduit un mécanisme d’inflammation intestinale identifié auparavant. Il a isolé la variante génétique responsable d’un commutateur régulateur éloigné du gène ETS2, qui déclenche une sur‑activation dans les macrophages du côlon, alors que d’autres cellules restent inchangées. De même, appliqué à des données issues d’une étude sur le vaccin à ARNm contre la Covid‑19, AlphaGenome 2 a distingué les lymphocytes T activés des cellules au repos et a mis en évidence que la variante associée à des formes graves de la maladie n’affecte le comportement cellulaire qu’en état d’activation.
Accès et perspectives
Le modèle est disponible dès maintenant pour la recherche non commerciale via une API. Les acteurs du secteur privé peuvent y accéder dans le cadre d’un aperçu fermé, mais il n’est pas encore homologué pour un usage clinique. DeepMind prévoit d’intégrer AlphaGenome 2 à son environnement de développement automatisé, Google Antigravity, où il sera couplé à d’autres IA comme Gemini 4 pour créer des pipelines de recherche entièrement automatisés.
En résumé, AlphaGenome 2 offre aux généticiens une loupe capable de zoomer sur la dynamique cellulaire, ce qui pourrait accélérer la mise en évidence de cibles thérapeutiques et affiner l’interprétation des études d’association génétique. Le modèle montre notamment que certaines variantes ne manifestent leurs effets que dans des contextes cellulaires très spécifiques, une information cruciale pour le développement de médicaments de précision.




