AlphaGenome 2 affine la lecture des mutations cellule par cellule
DeepMind lance AlphaGenome 2, un modèle qui prédit l’effet des variants ADN selon le type et l’état cellulaire. Objectif : mieux relier génétique, maladie et pistes thérapeutiques, sans sortir du cadre de la recherche.
Google DeepMind a dévoilé le 11 novembre 2026 AlphaGenome 2, un modèle d’IA conçu pour prévoir comment des variations de l’ADN influencent des cellules précises, et non plus seulement des tissus en moyenne. L’enjeu compte pour la recherche biomédicale, car une même mutation peut n’avoir aucun effet dans une cellule et devenir déterminante dans une autre. Le modèle est disponible pour la recherche non commerciale, avec un accès en aperçu privé pour certains usages commerciaux.
Un modèle qui regarde la cellule, pas seulement le tissu
AlphaGenome 2 succède à AlphaGenome, lancé l’an dernier, mais change de focale. Là où les modèles de génomique à l’échelle d’un tissu lissent les signaux, celui-ci conditionne chaque prédiction sur un type cellulaire ou un état cellulaire donné. DeepMind veut ainsi mieux repérer les variants qui modifient l’expression des gènes, l’épissage de l’ARN, l’accessibilité de la chromatine et, par rapport au premier modèle, la méthylation de l’ADN CpG.
Concrètement, l’outil s’appuie sur plus de 100 millions de profils cellulaires individuels répartis sur 68 tissus. Cette base permet de transformer des atlas cellulaires statiques en moteur de prédiction, selon la formule de DeepMind. Une mutation peut donc être évaluée dans un monocyte inflammatoire, dans une cellule T activée ou dans un autre état, avec des résultats différents. C’est moins spectaculaire qu’un robot qui bat le record du monde de câlins, mais nettement plus utile pour comprendre une maladie.
Ce que DeepMind dit avoir amélioré
La différence ne tient pas seulement au volume de données. AlphaGenome 2 traite une condition à la fois, ce qui lui permet de représenter le même segment d’ADN selon l’identité de la cellule. Le modèle peut aussi recevoir des données de séquençage ARN monocellulaire issues d’une expérience du chercheur, puis en déduire des propriétés non mesurées, comme l’accessibilité de la chromatine. Autrement dit, il peut combler des trous expérimentaux et aider à décider quelles expériences lancer ensuite.
DeepMind affirme aussi que le système repère presque deux fois plus de variants capables de modifier l’expression génique que son précédent modèle de référence. Sur TenK10K, un jeu de données immunitaire couvrant 28 types cellulaires, le document technique indique qu’AlphaGenome 2 a retrouvé 30 % des variants liés à l’expression supposés causaux à 90 % de précision, contre 16 % pour AlphaGenome 1 affiné sur des données monocellulaires. Le modèle explique aussi 34 % de la variance d’expression spécifique aux cellules au sein d’un tissu, contre 23 % pour son prédécesseur affiné [à vérifier selon le protocole comparatif].
Des exemples dans l’inflammation et le Covid-19
Les chercheurs de DeepMind donnent deux cas d’usage pour montrer la granularité gagnée. Dans une analyse de maladie inflammatoire de l’intestin, AlphaGenome 2 a mis en avant rs2836882 dans un ensemble crédible de sept variants, l’a relié au gène ETS2 situé à environ 290 kilobases et a localisé l’effet aux monocytes et macrophages de l’intestin. Le mécanisme avait déjà été observé expérimentalement.
Second exemple : à partir de données monocellulaires d’une étude sur un vaccin à ARN messager contre le Covid-19, nouvelles pour le modèle, il a distingué des cellules T activées de cellules T au repos. Dans cet état activé, il a prédit un effet plus fort pour un variant associé à une forme sévère de Covid-19. L’intérêt est clair : la biologie ne se lit pas toujours en gros plan, mais souvent au bon moment.
Un outil puissant, mais pas encore un verdict
DeepMind garde pourtant un ton prudent. Le modèle reste coûteux à exécuter, car chaque condition nécessite une prédiction séparée. Il ne remplace donc pas AlphaGenome 1, qui reste plus adapté à certaines tâches à grande échelle, notamment l’Atlas publié en septembre 2026 couvrant toutes les substitutions possibles d’une lettre de l’ADN humain. AlphaGenome 2 n’est pas une extension directe de cet atlas précomputé, mais une version séparée, plus fine et plus gourmande en calcul.
Le papier souligne aussi ses limites. Même à forte précision, le modèle ne récupère qu’une minorité des variants que les analyses statistiques jugent probablement causaux. Il peut sous-estimer les effets hors de la chromatine accessible, sur des éléments régulateurs très éloignés ou via des mécanismes post-transcriptionnels. Les états transitoires, stimulés ou liés à la maladie restent aussi sous-représentés, tout comme certaines sous-populations neuronales.
Surtout, les représentations de conditions viennent de profils observationnels à l’état stable. Elles capturent des corrélations, pas des causalités. DeepMind précise donc qu’AlphaGenome 2 n’est ni validé ni autorisé pour un usage clinique ou diagnostique. Pour les biologistes, l’intérêt est ailleurs : réduire le champ des hypothèses avant de retourner au banc d’essai.
Points clés
- 11 novembre 2026 : lancement d’AlphaGenome 2 par Google DeepMind.
- Plus de 100 millions de profils cellulaires ont servi à l’entraînement.
- 68 tissus couvrent la base de données d’apprentissage.
- TenK10K : 28 types cellulaires pour le benchmark immunitaire.
- AlphaGenome 2 est accessible en recherche non commerciale via API.
- Google DeepMind le réserve aussi à un aperçu privé commercial.
En chiffres
- 100 millions+ — profils cellulaires individuels utilisés pour l’entraînement, selon DeepMind, 2026.
- 68 tissus — périmètre des données d’apprentissage, selon l’annonce du 11 novembre 2026.
- 30 % — variants liés à l’expression retrouvés à 90 % de précision sur TenK10K.
- 290 kilobases — distance estimée entre rs2836882 et ETS2 dans l’exemple sur l’intestin.
- 6,8 millions — variants communs ou associés à un trait précalculés dans les ressources de lancement.