DeepMind met à disposition AlphaGenome 2 pour la recherche non commerciale, avec un accès commercial en aperçu fermé et sans aval clinique. Le modèle fournit des prédictions au niveau du type cellulaire, affiche des performances chiffrées sur TenK10K et doit rejoindre Google Antigravity aux côtés d'outils comme Gemini 4.
Pas d'usage clinique et un accès limité annoncé
AlphaGenome 2 n'est pas approuvé pour des diagnostics cliniques. Le modèle est accessible à la recherche non commerciale via une API, tandis que les usages commerciaux passent par un aperçu fermé. DeepMind prévoit de déployer prochainement des fonctionnalités dédiées sur Google Antigravity, où AlphaGenome 2 sera combiné à des outils comme Gemini 4 pour automatiser des flux de recherche. Parallèlement, DeepMind indique avoir précalculé des prédictions pour des centaines de conditions cellulaires et tissulaires, notamment pour soutenir des efforts de développement de médicaments pilotés par l'IA.
Résultats chiffrés sur TenK10K et cas de validation
Sur le jeu de données TenK10K, qui comprend 28 catégories de cellules immunitaires primaires, AlphaGenome 2 a permis de repérer près de 30 % des variantes causales et a anticipé correctement le sens de l'effet dans 43 % des situations. Une version modifiée d'AlphaGenome 1 ne dépassait que 16 % et 23 % pour ces deux indicateurs. Le système prend aussi en compte des trajectoires continues, telles que la différenciation de cellules souches sanguines en globules rouges, et atteint pour cela une précision bien supérieure. Lorsqu'il a été appliqué à des données provenant d'un vaccin à ARNm contre la COVID-19, le modèle a pu différencier les cellules T activées des cellules au repos et a montré qu'une variante liée à des formes graves affecte principalement l'état activé, un impact qui ne se manifeste pas au repos. Purement de manière computationnelle, il a reproduit un mécanisme de maladie inflammatoire de l'intestin et isolé la variante située dans un commutateur régulateur distant activant sélectivement ETS2 dans les macrophages intestinaux, les autres types cellulaires et gènes étant largement non affectés. Lors de tests plus généraux, le nouveau modèle a trouvé près de deux fois plus de variantes pertinentes que son prédécesseur.
La recherche en IA vous passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Ce que le modèle sait prédire à l’échelle du type cellulaire
AlphaGenome 2 prend en compte des états cellulaires individuels et calcule l'activité des gènes, l'organisation physique de l'ADN et des commutateurs chimiques. Il prévoit la structure de la chromatine dans le noyau et la fraction du génome accessible, et inclut la prédiction de la méthylation de l'ADN. Le modèle peut aussi inférer des modalités manquantes à partir d'une seule mesure : si seule l'activité génétique est disponible, il propose des estimations pour des propriétés supplémentaires comme l'emballage de l'ADN.
Des usages immédiats en génétique et en criblage
Les prédictions précalculées d'AlphaGenome 2 servent à analyser des études d'association à l'échelle du génome. Ces GWAS relient des régions d'ADN à des traits comme la taille ou le diabète de type 2 mais localisent souvent les signaux de façon approximative. Le modèle réduit l'ensemble des variantes causales probables et identifie les types cellulaires affectés, par exemple des astrocytes ou des sous-populations immunitaires. Lorsque sa confiance est suffisante, il indique si une mutation augmente ou diminue l'expression d'un gène, une information utile au développement de médicaments. En laboratoire, la capacité à compléter des mesures aide aussi à choisir les expériences suivantes, tandis que des prédictions déjà calculées couvrent des centaines d'états cellulaires et tissulaires.
Choix techniques et rupture avec AlphaGenome 1
AlphaGenome 1 évaluait des séquences d'environ un million de lettres et projectait leurs propriétés à travers des milliers d'expériences et de tissus simultanément. DeepMind rapporte que cette approche parallèle diluait la capacité du modèle et compliquait la détection des différences fines entre types cellulaires proches. AlphaGenome 2 opte pour un modèle conditionnel : il prend un état biologique spécifique en entrée et calcule les effets pour un type cellulaire unique. Conçu pour prédire l'impact de séquences et de variations d'ADN sur des types de cellules humaines, il a été entraîné selon DeepMind sur plus de 107 millions de profils issus de 68 tissus, avec des données couvrant humains et souris. L'objectif annoncé est de traiter des changements au niveau du type cellulaire et d'aider à identifier des moteurs cellulaires de maladies.
