AlphaGenome 2 affine la lecture des variants dans chaque type cellulaire
Google DeepMind dévoile AlphaGenome 2, un modèle qui estime l’effet de variants génétiques à l’échelle du type cellulaire. L’outil, disponible pour la recherche non commerciale, vise à mieux relier ADN, activité des gènes et maladie.
Google DeepMind a présenté AlphaGenome 2, un modèle d’IA conçu pour prédire l’effet de variants génétiques sur des types cellulaires humains précis. L’outil ne se contente plus d’une vue d’ensemble des tissus : il descend au niveau de la cellule, un changement important pour la recherche en génomique et la compréhension des mécanismes de maladie. Selon la note publiée le 12 novembre 2026, il est déjà accessible pour la recherche non commerciale via API, sans validation pour un usage clinique.
De la vue d’ensemble à la cellule précise
Le précédent modèle, AlphaGenome, travaillait à l’échelle des tissus et des séquences ADN très longues, mais cette approche diluait la finesse des signaux. AlphaGenome 2 prend une autre voie : il fonctionne comme un modèle conditionnel, avec une séquence d’ADN et un état biologique ciblé en entrée. Résultat, il peut estimer comment un variant agit dans un type cellulaire donné, plutôt que de lisser l’effet sur plusieurs tissus à la fois.
Le modèle a été entraîné sur plus de 107 millions de profils cellulaires individuels, issus de 68 tissus humains et murins. Cette base sert à prédire non seulement l’expression des gènes, mais aussi l’accessibilité de l’ADN dans le noyau et la méthylation, ces marques chimiques qui peuvent activer ou éteindre l’expression d’un gène. En clair, l’outil cherche à relier trois couches souvent séparées dans les analyses de laboratoire.
Pourquoi cette précision change la donne
DeepMind affirme qu’AlphaGenome 2 identifie près de deux fois plus de variants pertinents que son prédécesseur. Sur le jeu de données TenK10K, qui couvre 28 types de cellules immunitaires primaires, le modèle aurait détecté environ 30 % des variants causaux et correctement prédit, dans 43 % des cas, si un variant augmente ou réduit l’expression d’un gène. La version affinée d’AlphaGenome 1 atteignait respectivement 16 % et 23 %.
Le gain n’est pas qu’un score de benchmark. Dans un exemple lié à une maladie inflammatoire de l’intestin, le modèle a reproduit un mécanisme déjà observé expérimentalement et a isolé un variant réglementaire éloigné du gène ETS2, actif dans les macrophages intestinaux. Il a aussi mieux suivi la maturation des cellules souches sanguines vers les globules rouges. Ce genre de précision peut aider à prioriser les expériences, plutôt que de faire tourner le labo comme une lessiveuse à haut débit.
Ce que les chercheurs peuvent en faire dès maintenant
AlphaGenome 2 sait aussi extrapoler à des états cellulaires qu’il n’a pas vus à l’entraînement. Google DeepMind explique qu’un chercheur peut fournir quelques dizaines de cellules mesurées, puis laisser le modèle prédire d’autres propriétés biologiques manquantes. Cette capacité intéresse particulièrement les équipes qui travaillent avec des données incomplètes ou des cohortes encore limitées.
Le système a également été testé sur des données liées à un vaccin COVID-19 à ARNm. Il a distingué de façon fiable les cellules T activées des cellules au repos, et montré qu’un variant associé à des formes sévères de COVID-19 perturbait surtout l’activité cellulaire dans l’état activé. Dans les cellules au repos, l’effet passait inaperçu. C’est précisément le type de détail que des approches plus globales ont tendance à lisser.
Une brique pour la recherche, pas un outil clinique
DeepMind a précomputé des prédictions pour des centaines de conditions cellulaires et tissulaires afin d’aider la recherche sur les maladies, les études d’association génome-phénotype et, à terme, la découverte de médicaments. Les GWAS, qui relient des régions d’ADN à des traits comme la taille ou le diabète de type 2, localisent souvent des signaux dans de larges zones. AlphaGenome 2 sert à resserrer la cible et à identifier les cellules les plus plausibles, qu’il s’agisse d’astrocytes ou de cellules immunitaires précises.
Le modèle est disponible pour la recherche non commerciale via une API, tandis que les utilisateurs commerciaux passent par un accès en avant-première fermé. Il n’est pas approuvé pour le diagnostic clinique. DeepMind indique aussi vouloir intégrer bientôt des fonctions dédiées d’AlphaGenome 2 à Google Antigravity, sa plateforme de développement agentique. L’ambition est claire : faire dialoguer plus vite génétique, biologie cellulaire et expérimentation. Reste à voir combien de laboratoires passeront du test à l’usage régulier.
En chiffres
- 107 millions — profils cellulaires utilisés à l’entraînement, humains et murins, selon Google DeepMind.
- 68 tissus — source des données d’entraînement mentionnée par DeepMind.
- 28 types cellulaires — périmètre du benchmark TenK10K utilisé pour l’évaluation.
- 43 % — cas où le modèle a bien prédit l’effet d’un variant sur l’expression d’un gène.
- 12 novembre 2026 — date de publication de la présentation par THE DECODER, citant Google DeepMind.