Google DeepMind affirme que son AlphaGenome Atlas donne aux chercheurs une note pour chacune des 9 milliards de variations possibles d’une lettre dans l’ADN humain, afin de choisir les variants à étudier en premier. DeepMind a aussi lancé AlphaGenome 2, qui prédit les effets dans des types de cellules précis, et présente les deux outils comme des aides à la recherche, non comme des outils cliniques.

Le chercheur Žiga Avsec a présenté ce travail dans la série Ask a Scientist de Google le 17 novembre 2026. L’article de DeepMind sur AlphaGenome 2, daté du 11 novembre 2026, apporte les détails techniques.

Qu’est-ce qu’AlphaGenome Atlas ?

Le génome humain compte 3 milliards de paires de bases, et chaque lettre peut être remplacée par trois autres, ce qui donne 9 milliards de variations d’une lettre. Beaucoup de maladies génétiques viennent d’un seul de ces changements, mais aucun laboratoire ne peut tous les tester.

DeepMind a utilisé AlphaGenome, présenté en juin 2025, pour prédire le résultat de chacune de ces variations et a publié les résultats sous le nom d’AlphaGenome Atlas en septembre. Chaque variant reçoit une note AVI (AlphaGenome Variant Impact) qui, selon DeepMind, indique l’impact potentiel sur l’ensemble du génome et aide à repérer les changements les plus perturbateurs.

  • Entrée : une séquence d’ADN partielle de 1 million de paires de bases
  • Sortie : des milliers de prédictions par séquence
  • Ampleur : prédictions pour les 9 milliards de variations d’une lettre
Illustration de cubes isométriques de l'annonce d'AlphaGenome 2
Photo: Google DeepMind

Qu’ajoute AlphaGenome 2 ?

AlphaGenome a surtout été entraîné sur des tissus entiers ou des lignées cellulaires, et DeepMind cite la spécificité par type de cellule comme sa principale limite. AlphaGenome 2 reçoit une séquence de 1 million de lettres et une condition, comme un tissu ou un type de cellule, puis prédit les effets pour cette condition. DeepMind dit l’avoir entraîné sur plus de 100 millions de profils de cellules individuelles, dans 68 tissus.

DeepMind indique qu’il trouve près de deux fois plus de variants qui modifient l’expression dans les cellules que le meilleur modèle précédent. Sur un jeu de données de 28 types de cellules immunitaires, il rapporte des variants causaux à 30 % contre 16 % pour le modèle d’origine ajusté sur des données unicellulaires, et des effets directionnels sur les gènes à 43 % contre 23 %. Ces chiffres viennent de DeepMind et de ses collaborateurs, et l’article ne mentionne aucune validation indépendante. L’étude est un prépublication bioRxiv.

Qu’ont fait les chercheurs jusqu’ici ?

Selon DeepMind, Gareth Hawkes, de l’Université d’Exeter, a utilisé l’Atlas pour réduire une liste de 1 milliard de variants. En se concentrant sur le 1 % le plus marquant, il a trouvé 19 groupes de variants liés à l’indice de masse corporelle à étudier en priorité.

Laura Covill, du Broad Institute, a utilisé la note AVI sur des maladies rares non résolues. L’Atlas a signalé un variant critique dans un gène lié à des troubles neurodéveloppementaux, ce qui a appuyé un dossier résolu par la suite.

Prix

Aucun prix n’est indiqué. Selon DeepMind, les chercheurs non commerciaux peuvent utiliser l’API AlphaGenome et des tutoriels Colab. La recherche commerciale est en préversion privée via Google Cloud, avec un formulaire d’intérêt sur la page d’AlphaGenome 2. DeepMind invite aussi à soumettre des cas d’usage jusqu’au 30 novembre et dit que des projets retenus pourraient recevoir des quotas et crédits supplémentaires. Consultez la page de DeepMind pour les conditions à jour.

À qui s’adresse-t-il ?

Les chercheurs en génétique. Qui trie des millions de variants issus d’un échantillon de patient obtient un moyen de les classer. Žiga Avsec cite l’exemple de 4 millions de variants chez un patient atteint d’une maladie rare, réduits aux variants rares, ce qui laisse encore des centaines ou des milliers de pistes.

Les équipes de découverte de médicaments. DeepMind affirme que ces outils pourraient aider les chercheurs pharmaceutiques à repérer et valider plus vite des cibles thérapeutiques prometteuses.

Les chercheurs en agriculture. DeepMind suggère que l’architecture du modèle pourrait aider à sélectionner des cultures résistantes au climat, sans présenter de résultats pour l’instant.

Le grand public et les patients. Ces outils ne posent aucun diagnostic. DeepMind précise qu’AlphaGenome 2 n’est ni validé ni approuvé pour un usage clinique ou diagnostique, et que ses prédictions se lisent avec d’autres sources d’information.

Que ne sait-on pas encore ?

DeepMind dit chercher de meilleures façons de mesurer la confiance du modèle et ne donne des prédictions directionnelles que lorsqu’il est confiant. L’objectif à long terme d’une simulation numérique complète d’une cellule humaine reste un but affiché, pas un produit.

Prochaine étape

Lisez l’article de DeepMind sur AlphaGenome 2 pour le lien vers l’étude, l’accès à l’API et le formulaire d’intérêt, et considérez les chiffres ci-dessus comme les résultats du concepteur tant que des groupes externes ne les ont pas confirmés.