Google DeepMind a publié AlphaGenome 2, un nouveau modèle d'IA pour la recherche en génomique qui prédit comment les variantes de l'ADN affectent des types de cellules humaines spécifiques – et trouve près de deux fois plus de modifications génétiques pertinentes que son prédécesseur, selon la couverture par The Decoder de l'annonce de la société.
Cette publication s'attaque à l'un des problèmes tenaces de la génomique : chaque cellule du corps humain porte le même modèle d'ADN, mais une cellule du muscle cardiaque lit cet ADN différemment d'une cellule immunitaire. Prédire ces différences spécifiques aux cellules – et identifier laquelle des millions de modifications possibles des lettres de l'ADN provoque réellement la maladie – reste l'un des plus grands défis non résolus dans ce domaine. L'annonce de Google DeepMind, largement relayée jeudi, positionne AlphaGenome 2 comme une attaque directe contre ce problème, et Sundar Pichai a souligné le cadre selon lequel "chaque cellule de notre corps partage le même plan d'ADN" dans la couverture du lancement rapportée par Benzinga.
Des prédictions groupées à la précision du type de cellule
L'AlphaGenome original prenait une séquence d'ADN d'un million de lettres et prédisait ses propriétés à travers des milliers d'expériences couvrant de nombreux tissus à la fois. Selon Google DeepMind, cette approche parallèle répartit trop la capacité du modèle, ce qui rend difficile la capture des différences subtiles entre des types de cellules étroitement liés.
AlphaGenome 2 fonctionne différemment. Il s’agit d’un modèle conditionnel : parallèlement à la séquence d’ADN, il prend un état biologique spécifique comme entrée supplémentaire et calcule les effets pour ce type de cellule. Le système a été formé sur plus de 107 millions de profils cellulaires individuels couvrant 68 tissus chez l'homme et la souris.
Le modèle va au-delà de la prédiction de la force d’expression d’un gène. Il calcule également comment l’ADN est physiquement emballé à l’intérieur du noyau – montrant quelles parties du génome sont accessibles – et prédit désormais la méthylation de l’ADN, les étiquettes chimiques qui agissent comme des commutateurs moléculaires pour faire taire ou activer les gènes.
Résultats de référence : un bond important dans la détection des variantes causales
Sur l'ensemble de données de référence TenK10K couvrant 28 types de cellules immunitaires primaires, AlphaGenome 2 a identifié environ 30 pour cent des variantes causales et a correctement prédit si une variante régulait à la hausse ou à la baisse un gène dans 43 pour cent des cas. Une version affinée de l'AlphaGenome original n'a réussi que 16 pour cent et 23 pour cent sur les mêmes tâches, selon les chiffres de Google DeepMind rapportés par The Decoder.
Cette amélioration est importante car les études d'association à l'échelle du génome (GWAS) ne peuvent localiser qu'approximativement les signaux de maladie dans de larges étendues d'ADN. Une meilleure prédiction des variantes causales indique aux chercheurs lesquelles des nombreuses variantes dans une région associée méritent réellement un suivi expérimental – la différence entre une piste et une impasse.
Le modèle peut également déduire des données manquantes à partir d’une seule mesure. Si les chercheurs mesurent uniquement l'activité génétique d'une cellule, AlphaGenome 2 fournit des prédictions sur des propriétés supplémentaires, telles que la façon dont des segments d'ADN spécifiques sont regroupés. Cela aide les laboratoires à décider quelles expériences en laboratoire humide valent la peine d'être menées ensuite, et un avantage architectural clé est l'adaptabilité : les chercheurs peuvent alimenter les données sur l'activité génétique de quelques dizaines de cellules seulement, et le modèle calcule les effets d'états cellulaires jusqu'alors inédits – battant souvent les modèles spécialisés formés directement sur ces données, selon DeepMind.
Mécanismes pathologiques reproduits informatiquement
Deux cas démontrés montrent ce que le modèle peut faire sans toucher à une paillasse de laboratoire. Fonctionnant uniquement par ordinateur, AlphaGenome 2 a reproduit un mécanisme de maladie inflammatoire de l'intestin précédemment identifié dans une étude : il a isolé la variante exacte de l'ADN dans un commutateur de régulation loin du gène qui suractive sélectivement ETS2 dans les macrophages intestinaux, tandis que d'autres types de cellules et gènes sont restés largement inchangés.
Dans un test distinct appliqué aux données d’une étude sur le vaccin à ARNm contre le COVID-19, le modèle a distingué de manière fiable les cellules T activées par le vaccin de celles au repos et a montré qu’une variante génétique liée aux cas graves de COVID-19 perturbe l’activité cellulaire principalement à l’état activé – un effet qui serait resté invisible dans les cellules au repos.
Disponibilité et ce qui vient ensuite
AlphaGenome 2 est désormais disponible pour la recherche non commerciale via une API, tandis que les utilisateurs commerciaux y ont accès via un aperçu fermé. Google DeepMind indique explicitement que le système n'est pas approuvé pour les diagnostics cliniques : il s'agit d'un outil de recherche et non d'un dispositif médical.
DeepMind a déjà précalculé des prédictions pour des centaines de conditions cellulaires et tissulaires, en partie pour soutenir le développement de médicaments basé sur l'IA, et la société annonce qu'elle prévoit de déployer des fonctionnalités dédiées AlphaGenome 2 sur sa plate-forme de développement agent Google Antigravity, où le modèle devrait être combiné avec des outils comme Gemini 4 pour des flux de recherche automatisés.
La version atterrit dans un domaine en plein essor de l’IA pour la biologie. La lignée AlphaFold de DeepMind a réinitialisé la biologie structurelle, et ses concurrents se précipitent pour appliquer de grands modèles à la découverte de médicaments. Ce qui distingue AlphaGenome 2, c'est la résolution : en conditionnant le type de cellule, il déplace l'interprétation des variantes des moyennes au niveau de la population vers le contexte cellulaire spécifique dans lequel la maladie opère réellement. Si les gains de référence se maintiennent dans l’utilisation indépendante, le modèle pourrait raccourcir le chemin allant de l’association génétique à la compréhension mécaniste – l’étape la plus coûteuse du développement de médicaments modernes.
Gardez une longueur d'avance sur l'IAL’IA remodèle la découverte de médicaments, la génomique et la biotechnologie plus rapidement que la plupart des couvertures ne peuvent suivre. Pour les dernières nouvelles sur l'IA, les analyses de recherche et les derniers développements en matière d'IA, AI Buzz Wire suit chaque avancée importante.
Lire plus d'actualités sur l'IA →
