Google dévoile AlphaGenome 2 : le modèle identifie près de deux fois plus de variants d'ADN significatifs

Trouver une modification de l'ADN liée à une maladie n'est que le début du travail. Le chercheur doit ensuite comprendre où elle se manifeste : dans les cellules du cœur, de la peau ou du système immunitaire. Et la réponse peut dépendre de l'état de la cellule. Si l'on regarde trop largement, un effet important peut facilement passer inaperçu. Pour une équipe qui développe un médicament, cette incertitude complique le choix de la prochaine expérience.

Google DeepMind a présenté AlphaGenome 2, un modèle qui prédit l'influence des variants génétiques en tenant compte du type et de l'état de la cellule. D'après l'entreprise, il identifie presque deux fois plus de variants susceptibles de modifier l'activité des gènes que son meilleur modèle précédent. L'intérêt pratique est d'obtenir une hypothèse plus concrète à vérifier en laboratoire : quelle modification étudier, dans quelles cellules et dans quelles conditions.

Pourquoi le modèle doit distinguer les cellules

Presque toutes les cellules humaines contiennent le même ADN, mais l'utilisent différemment. Une cellule du muscle cardiaque et une cellule du système immunitaire ont besoin d'ensembles de gènes actifs différents. Même au sein d'un seul type cellulaire, le tableau change selon ce qui se passe à ce moment-là dans l'organisme.

Imaginons que des chercheurs aient trouvé un variant génétique plus fréquent chez les personnes atteintes d'une certaine maladie. Cela n'explique pas encore le mécanisme de la maladie. Il est possible que le variant n'influence l'activité d'un gène que dans certaines cellules immunitaires, pendant une infection. Dans d'autres cellules, son effet serait faible ou imperceptible. C'est un exemple théorique de problème nécessitant un tel niveau de détail.

AlphaGenome 2 doit aider à restreindre la recherche. Au lieu d'une évaluation générale de la modification de l'ADN, le chercheur obtient une prédiction liée au contexte cellulaire. Pour le développement de médicaments, c'est essentiel : un médicament agit sur des cibles biologiques précises, et le résultat dépend notamment des cellules dans lesquelles elles fonctionnent.

Ce qu'apportent cent millions de profils cellulaires

Le modèle a été entraîné sur plus de 100 millions de profils de cellules individuelles issus de 68 tissus. De telles données permettent de décrire des différences qui se perdent lorsque l'on considère le tissu de façon plus globale. DeepMind utilise des atlas cellulaires, de vastes collections d'observations expérimentales, comme base pour prédire les conséquences des modifications de l'ADN.

Selon l'entreprise, AlphaGenome 2 est également capable de faire des prédictions pour de nouveaux types et états de cellules sans réentraînement. C'est une possibilité intéressante pour les équipes de recherche : les données expérimentales couvrent la biologie de manière inégale, et il est impossible de rassembler des mesures détaillées pour chaque cas.

Une autre application consiste à repérer les lacunes dans les données existantes. Si le modèle aide à déterminer quelles observations manquent, l'équipe peut choisir plus précisément ses prochaines études en laboratoire. Pour un produit construit autour d'un tel système, la valeur peut résider dans l'aide à la planification des expériences : quelles hypothèses vérifier en premier et où des mesures supplémentaires sont nécessaires.

Mais l'avantage annoncé de presque un facteur deux ne doit pas être lu comme une précision universelle du modèle, ni comme la promesse de créer un médicament deux fois plus vite. Dans le document présenté, il s'agit du nombre de variants détectés qui influencent l'activité des gènes. Les détails de l'évaluation sont insuffisants pour transposer ce résultat à n'importe quelle tâche de recherche.

Ce qu'il faut considérer avant d'utiliser l'API

Les prédictions plus détaillées coûtent plus cher en calcul. C'est pourquoi AlphaGenome 2 ne remplace pas encore la première AlphaGenome dans tous les scénarios. Selon DeepMind, utiliser le nouveau modèle pour l'atlas publié précédemment de toutes les substitutions possibles d'une seule lettre d'ADN dans le génome humain ne serait pas réaliste.

On en tire une approche d'utilisation claire : d'abord évaluer l'ampleur de la tâche, puis décider où le détail cellulaire est nécessaire. Pour une vaste recherche et pour l'analyse approfondie d'un petit groupe de variants, des outils différents peuvent être requis. L'économie concrète d'un tel processus devra être vérifiée sur vos propres données : le document source ne donne ni coût des requêtes ni performances.

Google a annoncé l'accès à AlphaGenome 2 via l'API AlphaGenome pour la recherche non commerciale. Pour la recherche commerciale, un accès fermé et limité est prévu. Le fondateur d'un produit biotech doit en tenir compte dès la planification de l'intégration : la possibilité d'un usage de recherche ne signifie pas à elle seule la disponibilité d'un service commercial.

Les prédictions nécessitent aussi une vérification expérimentale. AlphaGenome 2 aide à relier un variant génétique à un éventuel mécanisme cellulaire, mais il ne s'agit ni d'une cause avérée de maladie ni d'une thérapie prête à l'emploi. Pour les développeurs et les product managers en biotech, la tâche immédiate est de vérifier si ce niveau de détail aide à choisir des expériences plus utiles.