AlphaGenome 2 affine la lecture de l’ADN à l’échelle des cellules
D'après Google DeepMind (11 novembre 2026 à 16h00)
Résumé
Google DeepMind présente AlphaGenome 2, un modèle qui prédit l’effet des variations de l’ADN dans des centaines de types cellulaires liés aux maladies.
Les faits
Google DeepMind annonce AlphaGenome 2, un modèle de séquence d’ADN conçu pour prédire l’impact des séquences et de leurs variations sur des types et états cellulaires précis. L’objectif est d’aider les scientifiques à identifier les mécanismes cellulaires impliqués dans les maladies. Le modèle adopte une architecture conditionnelle : il analyse une séquence d’un million de lettres avec une condition biologique définie par un tissu, un type cellulaire ou un état. Cette approche remplace les prédictions parallèles du premier AlphaGenome et permet d’étudier la manière dont une même séquence d’ADN est interprétée par différentes cellules. AlphaGenome 2 a été entraîné sur des données humaines et murines, comprenant plus de 107 millions de profils cellulaires individuels. Il prédit notamment l’expression des gènes, les modifications des histones, l’accessibilité de la chromatine et la méthylation de l’ADN. Le modèle peut également imputer des données expérimentales manquantes, par exemple prédire l’accessibilité de la chromatine à partir d’une mesure d’activité génique unicellulaire. Sur le jeu de données TenK10K, qui cartographie 28 types de cellules immunitaires primaires, AlphaGenome 2 a identifié près de deux fois plus de variants causaux que l’ancien AlphaGenome ajusté sur des données unicellulaires et que d’autres outils spécialisés : 30 % contre 16 %. Pour les effets géniques directionnels, les résultats atteignent 43 % contre 23 %. AlphaGenome 2 est proposé pour la recherche non commerciale via l’API AlphaGenome, tandis que la recherche commerciale bénéficie d’un accès en préversion privée.
Pourquoi c’est important
L’intérêt stratégique d’AlphaGenome 2 tient au passage d’une analyse moyenne des tissus à une lecture plus fine des cellules spécialisées. Cette granularité peut révéler des variants actifs uniquement dans certains types cellulaires, que les modèles fondés sur des moyennes tissulaires risquent de manquer. En reliant les atlas cellulaires à la prédiction des effets génétiques, le modèle peut aider à hiérarchiser les variants candidats et à orienter les prochaines expériences. Son fonctionnement conditionnel permet aussi de généraliser les prédictions à des états cellulaires et pathologiques que le modèle n’a pas vus auparavant.
Questions fréquentes
Que prédit AlphaGenome 2 ?
Il prédit l’effet de séquences et de variations de l’ADN sur des types et états cellulaires précis, notamment sur l’expression des gènes.
Sur quelles données le modèle a-t-il été entraîné ?
Il a été entraîné sur des données humaines et murines comprenant plus de 107 millions de profils cellulaires individuels.
Quels résultats obtient-il sur TenK10K ?
Il identifie 30 % des variants causaux, contre 16 % pour l’ancien AlphaGenome ajusté sur des données unicellulaires et d’autres outils spécialisés.
Comment AlphaGenome 2 est-il accessible ?
Il est accessible pour la recherche non commerciale via l’API AlphaGenome et en préversion privée pour la recherche commerciale.
Le modèle est-il destiné au diagnostic clinique ?
L’extrait indique qu’AlphaGenome et AlphaGenome 2 sont destinés à la recherche et n’ont pas été validés ni approuvés pour des usages cliniques ou diagnostiques.
Source
Google DeepMindAuteur
Rédaction IA-MediasRédaction spécialisée dans la veille et l’analyse de l’actualité de l’intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.