Google DeepMind a annoncé AlphaGenome Atlas le 8 septembre, une base de données qui prédit les effets de chaque variante possible de nucléotide dans le génome humain – le catalogue le plus complet, selon la société, de la façon dont les mutations génétiques affectent la biologie moléculaire. Cette version transforme le modèle AlphaGenome de DeepMind en une ressource précalculée et consultable que les chercheurs cliniciens et les biologistes peuvent interroger sans écrire une ligne de code.
Le problème des 98 % Pour plus de contexte sur cette histoire, consultez notre couverture de l'industrie de l'IA.
Le génome humain contient environ 3 milliards de paires de bases d’ADN, et les scientifiques ne comprennent relativement bien que les 2 % qui codent pour les protéines. Les 98 pour cent restants – en grande partie réglementaires – sont restés obscurs. Le modèle AlphaGenome de DeepMind a déjà démontré comment des changements isolés dans ces régions non codantes peuvent perturber des processus moléculaires tels que la production de protéines, mais selon l'entreprise, la vision globale de la façon dont les variantes façonnent la biologie moléculaire à grande échelle reste floue.
Une variante d’un seul nucléotide est une modification d’exactement une lettre de l’alphabet de l’ADN à quatre lettres. Chacun de nous en porte des millions, et la plupart ne font rien du tout – mais une petite fraction modifie la façon dont les gènes sont activés et désactivés, dont l’ARN est épissé ou dont les protéines sont construites. Le plus difficile n’a jamais été de trouver ces variantes ; le séquençage bon marché a rendu cette routine il y a des années. La partie la plus difficile est l’interprétation : pour la grande majorité des modifications possibles d’une seule lettre, aucune expérience n’a jamais été menée, les chercheurs ont donc dû s’appuyer sur des modèles informatiques pour deviner leurs conséquences moléculaires.
AlphaGenome Atlas est la tentative de DeepMind de fournir cette interprétation en un seul endroit. L'équipe, dirigée par Pushmeet Kohli, vice-président de la science chez Google DeepMind et scientifique en chef chez Google Cloud, en collaboration avec Ziga Avsec, responsable de l'initiative génomique, a utilisé le modèle AlphaGenome pour pré-calculer l'impact réglementaire des 9 milliards de modifications génétiques à une seule lettre - chaque variante de nucléotide unique possible - produisant un ensemble de données d'environ 1 pétaoctet. Au lieu que chaque laboratoire réexécute l’inférence à l’échelle du génome sur son propre cluster, les prédictions existent désormais sous la forme d’un catalogue partagé et interrogeable.
Un score pour la priorisation des variantes
Passer au crible des prédictions à l’échelle du pétaoctet serait en soi un projet de recherche, c’est pourquoi l’Atlas introduit le score AlphaGenome Variant Impact (AVI). Le score unique et facile à utiliser combine les prédictions dans les régions codantes et non codantes, permettant aux chercheurs de prioriser rapidement les variantes les plus prometteuses plutôt que de parcourir des milliers de points de données individuels pour chacune d'entre elles. Dans le cadre de DeepMind, l'Atlas agit comme un « partenaire d'augmentation » pour la communauté scientifique, accélérant la recherche dans des domaines allant des variations génomiques rares aux traits complexes.
Nous résolvons déjà des cas de maladies rares
L’Atlas n’est pas une ressource hypothétique : DeepMind affirme que les chercheurs l’utilisent déjà. Au Broad Institute, Laura Covill et son équipe ont appliqué le score AVI pour prioriser les variantes dans les cas de maladies rares non résolus. L’outil a mis en évidence une variante critique du gène DNM1, prédisant qu’elle créait un site d’épissage incorrect – une preuve qui a aidé l’équipe à résoudre le cas avec succès. Pour les familles qui ont passé des années à attendre un diagnostic, c’est là le bénéfice pratique de l’interprétation variable : transformer un résultat de séquençage ambigu en réponse.
La ressource s’est également révélée utile pour les traits complexes, pour lesquels l’identification de variantes rares non codantes est difficile en raison du bruit statistique. Le Dr Gareth Hawkes a appliqué AlphaGenome Atlas aux données de plus de 54 000 participants à la biobanque britannique. En regroupant les variantes en fonction de leurs effets moléculaires prévus, il a découvert 22 % d’associations génétiques non codantes en plus que l’analyse standard. En se concentrant sur les 1 % des variantes les plus impactantes, il a identifié 19 régions génétiques liées à l’indice de masse corporelle, dirigeant ainsi la prochaine étape de la recherche ciblée.
Accès gratuit, aucun codage requis
AlphaGenome Atlas est disponible aujourd'hui via un portail Web qui, selon DeepMind, ne nécessite aucune compétence en codage – un choix délibéré pour démocratiser l'accès pour les chercheurs cliniques et les biologistes qui ne travaillent pas avec des pipelines informatiques à grande échelle. Kohli et Avsec présentent cette publication dans le cadre de l'engagement continu de DeepMind à accélérer la découverte génomique, écrivant que l'Atlas fournit des « informations génomiques fondées » qui accéléreront largement la découverte biologique.
Cette version poursuit l'expansion par DeepMind des modèles d'IA pour les sciences de la vie, où les ressources précalculées modifient l'économie de la recherche : plutôt que chaque laboratoire ait besoin d'effectuer une inférence à l'échelle du génome, les prédictions pour toutes les variantes possibles sont calculées une seule fois et partagées. Pour les équipes maladies rares, la différence peut être mesurée en cas résolus ; pour la génétique des traits complexes, le nombre de nouvelles associations apparues à partir des données de biobanques existantes.
Cela place également DeepMind en concurrence indirecte avec un domaine accélérateur. Les modèles d’interprétation du génome et les prédicteurs d’effets variants se sont multipliés dans les laboratoires universitaires et les startups, et l’utilité de tout catalogue unique dépend de son adoption. En proposant un portail gratuit avec un seul score unifié, DeepMind parie que la facilité d'utilisation (et non seulement les performances brutes du modèle) détermine quelle ressource fera partie de la boîte à outils standard de recherche clinique.
Pour les observateurs de l’IA, l’Atlas est un signal supplémentaire de la direction que prend la recherche appliquée sur l’IA : s’éloigner des interfaces de discussion et se diriger vers une infrastructure spécifique à un domaine qui intègre les prédictions des modèles directement dans les flux de travail scientifiques.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
