AlphaGenome 2 prédit l'activité des gènes dans une cellule donnée à partir d'un segment d'ADN allant jusqu'à 1 million de lettres
Une même mutation de l'ADN peut modifier fortement l'activité d'un gène dans certaines cellules et n'avoir presque aucun effet dans d'autres. AlphaGenome 2, de Google DeepMind, prend jusqu'à 1 million de nucléotides (les lettres de l'ADN) et un profil cellulaire, par exemple celui d'un lymphocyte en situation d'inflammation. La première version ne connaissait qu'un ensemble fixe de tissus. Pour les équipes de biotech, c'est un moyen rapide de passer d'une liste de mutations à une hypothèse à tester en laboratoire.
Traité par IA depuis Habr AI ; édité par Hamidun News
Une même substitution de lettre dans l'ADN peut modifier fortement l'activité d'un gène dans certaines cellules et n'avoir presque aucun effet dans d'autres. C'est comme une ligne dans un fichier de configuration : inoffensive en environnement de test, elle fait tomber le service en production, parce que l'environnement n'est pas le même. Le 11 novembre, Google DeepMind a présenté AlphaGenome 2.
Le modèle prend un segment d'ADN allant jusqu'à 1 million de nucléotides (les lettres du code génétique) et la description d'une cellule précise, par exemple un lymphocyte en situation d'inflammation, puis prédit comment une mutation modifiera l'activité des gènes dans cette cellule-là. Si vous développez des outils d'IA pour la biotech ou suivez la recherche, la méthode à retenir est simple : on donne au modèle le contexte, au lieu de s'appuyer sur une image moyenne valable pour tous les cas.
Pourquoi le contexte cellulaire est si important
Presque toutes les cellules de l'organisme contiennent le même ADN, mais un neurone et une cellule musculaire lisse n'ont pas besoin des mêmes protéines. La différence tient aux gènes qui sont lus, c'est-à-dire à l'expression. Seuls 1–2% de l'ADN codent des protéines. Les quelque 98% restants étaient autrefois qualifiés d'« ADN poubelle ». On sait désormais qu'ils abritent des sites d'ancrage pour des protéines régulatrices, des gènes d'ARN auxiliaires et des éléments qui déterminent le repliement tridimensionnel de la chromatine (le complexe formé par l'ADN et les protéines histones). Le profil d'expression varie sous l'effet des signaux du système immunitaire, des hormones, du stade de développement de la cellule, de la température et même de contraintes mécaniques.
C'est pourquoi une mutation située en dehors des gènes eux-mêmes peut aussi provoquer une maladie : elle modifie l'activité d'un gène, et la cellule manque alors de la protéine nécessaire. Prédire de tels effets reste difficile.
Ce qui change par rapport à la première version
La première version d'AlphaGenome est sortie l'an dernier. Elle acceptait jusqu'à 1 million de nucléotides et produisait des profils moyennés pour un ensemble fixe de tissus et de lignées cellulaires issus de l'échantillon d'entraînement. C'est comme une prévision météo à l'échelle d'un pays : on dispose du tableau général, mais le modèle ne dit rien d'une cour en particulier.
La deuxième version ajoute en entrée un encodeur cellulaire (Cell encoder). Il convertit le profil d'expression en vecteur, c'est-à-dire en description numérique de l'état de la cellule. Ce contexte est pris en compte dans toutes les couches clés du réseau. Pour l'entraînement, les équipes ont utilisé les données des projets CZ CELLxGENE et Human Cell Atlas, qui décrivent des millions de cellules individuelles. Le profil peut être choisi dans une base prête à l'emploi ou chargé par l'utilisateur. La prédiction est ainsi construite pour un type de cellule et pour son état.
L'architecture reste la même : un U-Net où des couches convolutives (CNN) repèrent de courts motifs locaux, tandis que des transformeurs relient des régions séparées par jusqu'à un million de bases. En sortie, le modèle fournit un profil d'expression et une carte des changements régulateurs, avec une résolution pouvant descendre à un nucléotide. La carte indique quelles régions resteront ouvertes à la lecture, où des facteurs de transcription pourront se fixer et comment les contacts de la chromatine évolueront dans le noyau.
Un exemple et la place dans le flux de travail
L'annonce de DeepMind comprend un exemple sur une maladie inflammatoire de l'intestin. Le modèle a reproduit le résultat d'une étude expérimentale antérieure et a identifié un variant situé dans une région régulatrice distante. Cette mutation renforce de façon sélective l'activité du gène ETS2 dans les monocytes et les macrophages, et n'affecte presque pas les autres cellules. Pour un chercheur, c'est un raccourci entre une liste de variants suspects et une hypothèse vérifiable : quel gène est touché, dans quelles cellules, et que tester en priorité par l'expérience.
AlphaGenome 2 ne remplace pas AlphaGenome Atlas, la base lancée en septembre. Le modèle y a calculé à l'avance l'effet de 9 milliards de mutations d'une seule lettre : le génome compte environ 3 milliards de bases, et chacune a trois substitutions possibles. Faire passer autant de variants dans un réseau contextuel lourd, pour chaque état cellulaire, serait beaucoup trop coûteux en ressources. On commence donc par un tri grossier des candidats avec l'Atlas, puis on soumet les plus intéressants à AlphaGenome 2. Ce dernier permet aussi de fournir des combinaisons de mutations plus complexes.
Le modèle s'inscrit dans l'écosystème de DeepMind pour la biologie : AlphaMissense évalue la dangerosité des substitutions d'acides aminés, AlphaFold prédit les structures des protéines et AlphaProteo conçoit des protéines pour une cible choisie.
Limites et enseignements pour la pratique
Même des prédictions précises exigent une confirmation expérimentale dans les cas cliniquement significatifs. L'exemple d'ETS2 montre que le modèle a retrouvé un résultat déjà connu : on ne peut pas le considérer comme une découverte indépendante. AlphaGenome 2 est accessible via une API, mais uniquement pour la recherche non commerciale. Seule la première version dispose d'un code et de poids en accès libre.
Pour les équipes qui construisent des outils destinés aux laboratoires, la conclusion est la suivante. Le schéma « référentiel peu coûteux en première étape, modèle onéreux avec contexte en seconde étape » vaut aussi en dehors de la génomique. Si vous développez un produit de recherche de cibles ou d'analyse de variants, il est judicieux d'étudier l'API dès maintenant et de réfléchir à son intégration dans votre pipeline. DeepMind n'a pas encore annoncé de conditions commerciales : il est donc trop tôt pour bâtir un produit reposant uniquement sur AlphaGenome 2.
- 21 nov. 2026La capitaine d'une équipe de nageurs a confié trois tâches planifiées à ChatGPT et divisé sa charge de travail par plusieurs
- 21 nov. 2026Le réseau de neurones MIRA génère Rocket League à 20 images par seconde, mais le ping grimpe jusqu'à 460 ms
- 21 nov. 2026Google a construit une copie fermée d'internet avec de fausses banques pour entraîner les agents IA de Chrome
- 21 nov. 2026MLPerf Training v6.1 : Nvidia Rubin et TPU Ironwood font leurs débuts, 153 systèmes au test
Questions clés sur cet article
Pourquoi le contexte cellulaire est si important?
Presque toutes les cellules de l'organisme contiennent le même ADN, mais un neurone et une cellule musculaire lisse n'ont pas besoin des mêmes protéines. La différence tient aux gènes qui sont lus, c'est-à-dire à l'expression. Seuls 1–2% de l'ADN codent des protéines. Les quelque 98% restants étaient autrefois qualifiés d'« ADN poubelle ».
Que sait-on sur Ce qui change par rapport à la première version ?
La première version d'AlphaGenome est sortie l'an dernier. Elle acceptait jusqu'à 1 million de nucléotides et produisait des profils moyennés pour un ensemble fixe de tissus et de lignées cellulaires issus de l'échantillon d'entraînement. C'est comme une prévision météo à l'échelle d'un pays : on dispose du tableau général, mais le modèle ne dit rien d'une cour en particulier. La deuxième version ajoute en entrée un encodeur cellulaire (Cell encoder).
Que sait-on sur Un exemple et la place dans le flux de travail ?
L'annonce de DeepMind comprend un exemple sur une maladie inflammatoire de l'intestin. Le modèle a reproduit le résultat d'une étude expérimentale antérieure et a identifié un variant situé dans une région régulatrice distante. Cette mutation renforce de façon sélective l'activité du gène ETS2 dans les monocytes et les macrophages, et n'affecte presque pas les autres cellules.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.