L’IA de Google vient de faire un grand pas en génétique : elle a dressé une carte prédictive de 9 milliards de modifications de l’ADN

Nous pouvons lire une séquence d’ADN et localiser l’endroit où l’une de ses lettres change. La partie difficile vient plus tard : connaître les conséquences de ce changement. De nombreuses variantes modifient à peine le fonctionnement cellulaire, tandis que d’autres peuvent affecter des processus liés à l’activité des gènes et, dans certains cas, des maladies. La génétique tente de séparer les unes des autres depuis des années, mais il existe une limite évidente : le nombre de variantes possibles est trop grand pour étudier expérimentalement chacune d’elles séparément.

Google DeepMind vient de porter ce problème à une échelle difficile à imaginer. Son nouvel AlphaGenome Atlas rassemble des prédictions sur les effets moléculaires de plus de 9 milliards de variantes mononucléotidiques, c’est-à-dire toutes les substitutions possibles d’une seule lettre dans le génome humain. La figure est mieux comprise si l’on considère que, dans chaque position, la base actuelle peut être modifiée par n’importe laquelle des trois autres. Le résultat n’est pas un catalogue de mutations observées chez l’homme, mais plutôt une carte prédictive générée par l’IA des effets moléculaires que chacune de ces possibilités pourrait avoir.

Une carte prédictive du génome

DeepMind a transformé les prédictions d’AlphaGenome en une ressource pouvant être explorée à l’échelle du génome. Comme expliqué dans une publication officielle, l’Atlas rassemble des estimations sur de multiples processus moléculaires, depuis l’expression des gènes et l’accessibilité de la chromatine, avec des prédictions pour des centaines de types et de tissus de cellules humaines et de souris. Le volume donne une idée de l’ampleur : l’ensemble occupe environ un pétaoctet. La nouveauté pratique est que ces prédictions sont déjà calculées et consultables directement depuis une interface web.

Pour aider à distinguer les variantes qui méritent notre attention en premier, DeepMind a ajouté une nouvelle couche : AlphaGenome Variant Impact, ou AVI. Ce score combine les prédictions d’AlphaGenome avec celles d’AlphaMissense, le modèle de la société spécialisé dans les variantes qui modifient les acides aminés des protéines, et résume leur impact possible en une seule valeur.

L’utilité de l’Atlas commence à se manifester lorsqu’il est appliqué à des questions très spécifiques. En collaboration avec le consortium GREGoR, des chercheurs du Broad Institute et leurs collègues ont utilisé AVI pour prioriser les variantes de maladies rares et ont localisé une altération qui n’avait pas été détectée lors de recherches précédentes ; les prédictions indiquaient que cela créait un site incorrect, un effet qui a ensuite été validé expérimentalement. D’autre part, Gareth Hawkes, chercheur à l’Université d’Exeter, a appliqué l’Atlas aux données génomiques de plus de 54 000 participants de la biobanque britannique et, selon DeepMind, a réussi à détecter 22 % d’associations génétiques non codantes en plus qui autrement auraient été cachées dans le bruit statistique.

Rappelons que ce travail ne commence pas avec l’Atlas. DeepMind applique l’IA à différents problèmes génétiques depuis des années : en 2021, il a présenté Enformer, axé sur la prédiction de la manière dont une séquence d’ADN peut influencer la régulation des gènes ; En 2023 est arrivé AlphaMissense, visant à estimer l’impact des variantes qui altèrent les protéines ; et en 2025, il a présenté AlphaGenome, capable d’anticiper de multiples effets moléculaires à partir de longues séquences d’ADN. Ce que nous voyons maintenant est la prochaine étape : porter cette capacité à l’échelle du génome et laisser ses prédictions précalculées afin qu’elles puissent être interrogées directement.

Face à un immense espace de variantes possibles, l’Atlas offre un moyen de hiérarchiser celles qui semblent les plus intéressantes et les processus qu’elles pourraient modifier avant de les emmener au laboratoire. C’est là que le saut proposé par DeepMind s’avère le plus pertinent : l’IA peut nous aider à décider où chercher en premier, mais il est encore nécessaire de vérifier ensuite si ce qu’elle prédit se produit réellement dans les systèmes biologiques. DeepMind lui-même prévient également qu’AlphaGenome n’a pas été validé pour une utilisation clinique.

Images | Google DeepMind

À Simseo | Les scientifiques ont déposé 42 éponges de mer dans le port espagnol le plus pollué. 455 jours plus tard, ils ont découvert le plus résistant