Google DeepMind lance AlphaGenome 2, qui prédit l'effet des mutations de l'ADN cellule par cellule

Toutes les cellules d’un corps humain portent le même ADN, mais un neurone, une cellule du muscle cardiaque ou un globule blanc n’en lisent pas les mêmes passages. C’est cette différence que Google DeepMind veut capturer avec AlphaGenome 2, présenté le 11 novembre sur son blog. Le modèle prédit comment une variation de l’ADN modifie l’activité des gènes, non plus à l’échelle d’un tissu entier, mais pour un type ou un état de cellule précis.

Un modèle qui raisonne cellule par cellule

Le premier AlphaGenome, lancé l’an dernier, lisait une séquence d’un million de lettres et produisait d’un seul coup des milliers de prédictions pour des tissus et des lignées cellulaires. Une approche efficace, reconnaît DeepMind, mais qui diluait la capacité du modèle et distinguait mal des cellules proches. AlphaGenome 2 change d’architecture : il devient conditionnel. On lui donne la séquence d’ADN et la condition biologique visée, choisie dans un catalogue de types cellulaires ou calculée à partir d’une expérience du chercheur, et il prédit pour cette condition seulement.

Le modèle a été entraîné sur des données humaines et de souris, dont plus de 107 millions de profils de cellules individuelles. Il prédit l’expression des gènes, les modifications des histones et l’accessibilité de la chromatine, comme son prédécesseur, et ajoute la méthylation de l’ADN, une mesure très demandée selon l’éditeur. Il sait aussi compléter des données manquantes : à partir d’une seule mesure, comme l’activité des gènes, il estime les autres.

S’adapter à de nouvelles cellules sans réentraînement

Le point le plus remarqué par les chercheurs cités par DeepMind est la généralisation. Un laboratoire peut fournir les profils d’expression de quelques dizaines de cellules, par exemple des cellules immunitaires après une vaccination, et le modèle s’en sert pour prédire l’effet des variants dans cet état précis, sans être réentraîné. DeepMind cite un exemple tiré d’une étude sur un vaccin à ARN messager contre le Covid-19 : un variant associé aux formes graves y perturbe davantage l’activité des gènes dans les lymphocytes T activés que dans les cellules au repos.

Côté chiffres, l’éditeur annonce sur le jeu de données TenK10K (28 types de cellules immunitaires) près de deux fois plus de variants causaux identifiés que la première version : 30 % contre 16 %, et 43 % contre 23 % pour le sens de l’effet sur les gènes. Il montre aussi que le modèle retrouve, par le calcul, le variant d’un « interrupteur » génétique lointain qui suractive le gène ETS2 dans les macrophages de l’intestin, déjà identifié par une étude publiée comme moteur des maladies inflammatoires de l’intestin.

Qui peut l’utiliser

AlphaGenome 2 est accessible dès maintenant pour la recherche non commerciale via l’API AlphaGenome, avec des tutoriels Colab, et en préversion privée pour la recherche commerciale. DeepMind a aussi précalculé ses prédictions pour des variants associés à des maladies dans des centaines de types de cellules et de tissus, et annonce prochainement des « compétences » AlphaGenome 2 dans Antigravity, sa plateforme de développement agentique. L’entreprise rappelle que ces modèles ne sont validés ni pour le diagnostic ni pour un usage clinique.