Google DeepMind a annoncé AlphaGenome 2 le 11 novembre 2026, présentant un modèle de séquence d'ADN de nouvelle génération qui prédit comment les séquences d'ADN et leurs variations affectent des types cellulaires humains spécifiques. Selon l'entreprise, ce modèle offre aux scientifiques un nouvel outil puissant pour identifier les moteurs cellulaires des maladies, en faisant le pont entre la biologie unicellulaire et la génétique humaine en prédisant comment les variants génétiques influencent des centaines de types cellulaires humains.

L'annonce, rédigée par les chercheurs de DeepMind Adam Gayoso, Natasha Latysheva, Pushmeet Kohli et Žiga Avsec, est disponible sur le blog Google DeepMind, accompagnée d'un rapport technique (PDF).

D'un plan ADN commun à une activité génique spécifique aux cellules

Chaque cellule du corps humain porte le même plan ADN, mais chaque type et état cellulaire — une cellule musculaire cardiaque, ou une cellule immunitaire combattant une infection — active ou désactive différents gènes pour remplir sa fonction. Des efforts mondiaux comme le Human Cell Atlas cartographient cette expression génique pour des millions de cellules, mais DeepMind souligne que prédire comment de subtiles variations de l'ADN affectent l'expression au sein des cellules reste un défi non résolu, et un moteur clé des traits humains et des maladies.

L'an dernier, l'entreprise avait lancé AlphaGenome, un modèle prédisant comment les variants de l'ADN affectent l'activité moléculaire sur de larges tissus, avec des recherches sous-jacentes publiées dans Nature. Elle a ensuite élargi l'outil avec AlphaGenome Atlas, une plateforme contenant des prédictions pour les 9 milliards de modifications possibles d'une seule lettre dans le génome humain. Selon DeepMind, ces outils aident les chercheurs à prioriser et interpréter les effets des variants, stimulant les découvertes dans les maladies rares, les traits complexes et la biologie fondamentale.

En passant des moyennes tissulaires larges aux types et états cellulaires individuels, et en redessinant l'architecture du modèle, AlphaGenome 2 représente ce que l'entreprise qualifie d'amélioration radicale des performances prédictives sur les variants. Il permet aux chercheurs de prédire les effets des variants dans des cellules pertinentes pour la maladie qui seraient manquées par des modèles tissulaires larges, ainsi que dans des états cellulaires et pathologiques jamais vus par le modèle. DeepMind rapporte qu'AlphaGenome 2 identifie près de deux fois plus de variants modifiant l'expression génique dans les cellules que son précédent modèle de pointe. Le modèle a été entraîné sur plus de 100 millions de profils de cellules individuelles couvrant 68 tissus, transformant des atlas cellulaires statiques en ce que l'entreprise décrit comme un moteur prédictif pour la génétique humaine.

AlphaGenome 2 est disponible dès l'annonce pour la recherche non commerciale via l'API AlphaGenome, et en préversion privée pour la recherche commerciale.

Une architecture conditionnelle conçue pour des types cellulaires spécifiques

Le premier AlphaGenome prenait une séquence d'ADN d'un million de lettres et prédisait des propriétés sur des milliers d'expériences de nombreux tissus simultanément. Bien qu'efficace, cette approche parallèle, dit DeepMind, dispersait la capacité du modèle et rendait difficile la capture des différences subtiles entre types cellulaires étroitement liés.

AlphaGenome 2 repense fondamentalement la prise en charge des types cellulaires. Au lieu de prédire en parallèle, c'est un modèle conditionnel qui prédit les effets de l'ADN pour une condition à la fois — la condition étant définie comme un tissu, un type cellulaire ou un état. En plus de la séquence d'ADN d'un million de lettres, le modèle prend la condition biologique cible en entrée à chaque étape de son architecture. La condition peut être choisie dans un catalogue de référence de types cellulaires ou générée à la volée à partir de l'expérience unicellulaire d'un scientifique via l'encodeur cellulaire de DeepMind. Cette conception permet au modèle d'apprendre comment la même séquence d'ADN est lue différemment selon les types cellulaires.

L'approche conditionnelle permet aussi l'imputation inter-modalités — la prédiction de données expérimentales manquantes. Comme le modèle sépare l'état biologique d'une cellule de ses sorties, un scientifique qui fournit une seule mesure, comme l'activité génique unicellulaire, peut obtenir des prédictions pour des propriétés non mesurées, telles que l'accessibilité de la chromatine. L'entreprise indique que cela peut aider les chercheurs à prioriser leurs prochaines expériences.

Le modèle a été entraîné sur des données en masse et unicellulaires d'échantillons humains et de souris, incluant plus de 107 millions de profils de cellules individuelles. Dépassant les moyennes tissulaires du modèle d'origine, AlphaGenome 2 peut résoudre l'activité à l'intérieur de cellules spécialisées — comme des cellules musculaires cardiaques ou immunitaires sanguines distinctes — pour aider à découvrir des variants d'ADN cruciaux qui n'agissent que dans des types cellulaires spécifiques. Il prédit les mêmes lectures expérimentales fondamentales de la fonction de l'ADN que l'AlphaGenome original — expression génique, modifications des histones et accessibilité de la chromatine — en ajoutant la méthylation de l'ADN, une lecture décrite par l'entreprise comme très demandée.

Une capacité remarquable, selon DeepMind, est que le modèle s'adapte directement à de nouvelles données unicellulaires sans réentraînement, prédisant comment les variants de l'ADN agissent dans des états cellulaires nouvellement profilés à partir même d'un petit échantillon de cellules.

Des prédictions de types cellulaires et un rappel de variants à l'état de l'art

DeepMind rapporte qu'AlphaGenome 2 est nettement meilleur pour prédire la régulation génique dans des cellules spécifiques, aidant les chercheurs à cibler les variants pertinents pour les maladies.

Spécificité accrue aux types cellulaires. Sur des régions génomiques hors de ses données d'entraînement, le modèle explique nettement davantage comment l'expression génique diffère entre types cellulaires au sein d'un tissu, en suivant les changements continus d'expression génique — comme la maturation des cellules souches du sang humain en globules rouges et lignées immunitaires. L'annonce l'illustre avec une carte thermique de l'expression génique des globules rouges en maturation (hématopoïèse), où les prédictions d'AlphaGenome 2 sont plus proches des observations normalisées par ligne (scores Z) que celles du premier modèle affiné sur des données unicellulaires.

Prédiction améliorée des effets des variants. Sur le jeu de données TenK10K, une vaste carte unicellulaire de 28 types de cellules immunitaires primaires, AlphaGenome 2 a identifié de manière fiable près de deux fois plus de variants causaux (30 % contre 16 %) et d'effets géniques directionnels (43 % contre 23 %) que l'AlphaGenome original affiné sur des données unicellulaires et d'autres outils spécialisés. Cette précision, dit DeepMind, aide les chercheurs à trouver des variants candidats négligés pour de nouvelles découvertes.

Ciblage des variants pertinents pour les maladies. Une étude marquante récente a montré qu'un variant situé dans un interrupteur régulateur distant provoque la maladie inflammatoire de l'intestin (MICI) en surexcitant le gène ETS2 dans les cellules immunitaires intestinales appelées macrophages. En effectuant des prédictions sur divers types de cellules immunitaires intestinales, AlphaGenome 2 a reproduit ce résultat computationnellement : il a isolé le variant causal et montré qu'il stimule sélectivement ETS2 dans les macrophages intestinaux, laissant les autres types cellulaires et gènes largement inchangés.

Analyser de nouveaux types et états cellulaires sans réentraînement

AlphaGenome 2 peut généraliser à des expériences unicellulaires entièrement nouvelles sans réentraînement. Les scientifiques peuvent télécharger un instantané RNA-seq unicellulaire de l'activité génique de quelques dizaines de cellules seulement ; cette activité génique est ensuite compressée en une représentation d'état cellulaire, utilisée pour conditionner le modèle sur des états inédits. Selon DeepMind, AlphaGenome 2 peut égaler ou surpasser des modèles entraînés ou affinés directement sur ces jeux de données.

Cela permet au modèle de prédire les effets des variants et la régulation génique pour de nouveaux états cellulaires, comme ceux issus d'une maladie ou d'une vaccination. Par exemple, à partir de données unicellulaires inédites d'une étude sur un vaccin à ARNm contre la COVID-19, AlphaGenome 2 a distingué les lymphocytes T immunitaires activés par le vaccin des cellules au repos. Il a aussi révélé qu'un variant lié aux formes sévères de la COVID-19 perturbe davantage l'activité génique lorsque les cellules sont dans cet état activé — un effet qui serait manqué dans des cellules non activées.

Relier la génétique humaine et la biologie unicellulaire

DeepMind conçoit une meilleure compréhension des maladies comme un lien entre la génétique humaine et la biologie cellulaire, nécessitant de connecter les milliers de variants associés à des traits et maladies trouvés dans les études d'association pangénomique (GWAS) aux cartes unicellulaires croissantes du corps humain. Pour aider les chercheurs à établir ces connexions sans effectuer eux-mêmes des calculs à grande échelle, l'entreprise a précalculé les prédictions d'AlphaGenome 2 pour les variants associés à des traits sur des centaines de conditions cellulaires et tissulaires humaines, relevant deux défis majeurs :

• Cartographier les liens enhanceur–gène dans de vrais types cellulaires humains. De nombreux variants liés aux maladies se trouvent dans des interrupteurs régulateurs distants appelés enhanceurs, rendant leurs effets difficiles à retracer. Comme les criblages CRISPR expérimentaux utilisent surtout des lignées cellulaires stables cultivées en laboratoire, les scientifiques manquent souvent de ces schémas de câblage pour des cellules spécifiques du corps humain. AlphaGenome 2 étend la cartographie enhanceur-gène aux types cellulaires humains primaires — comme les astrocytes cérébraux, qui soutiennent et protègent les neurones — aidant les chercheurs à connecter les variants régulateurs à leurs gènes cibles dans les cellules spécifiques où la maladie se déploie.
• Cibler les variants causaux GWAS et les cellules où ils agissent. Les GWAS signalent de larges segments d'ADN liés aux maladies, mais les chercheurs ne peuvent pas toujours identifier le variant causal exact, le gène cible et le type cellulaire avec une confiance élevée. Sur plusieurs traits complexes, de la taille au diabète de type 2, les scores de variants précalculés d'AlphaGenome 2 aident à cibler les variants et types cellulaires les plus probablement impliqués. Lorsqu'il est confiant, le modèle prédit aussi avec précision si un variant augmente ou diminue l'activité d'un gène — un indice crucial, dit l'entreprise, pour comprendre comment ce gène contribue à la maladie.

Le billet de blog incluait également cette déclaration, reflétant pourquoi les équipes de découverte de médicaments suivent les modèles de prédiction de séquence d'ADN : « La génétique humaine est l'un des outils les plus puissants de la découverte de médicaments. Les GWAS en sont centraux, mais il est difficile de passer d'un signal d'association à ce dont un programme de médicaments a besoin. Les modèles de prédiction de séquence d'ADN sont un outil important pour combler cet écart, et AlphaGenome 2 représente une avancée impressionnante dans le domaine. Nous sommes impatients de l'intégrer à notre plateforme Mystra. »

Regards vers l'avenir avec la communauté scientifique

Alors que les scientifiques cartographient davantage le corps humain à l'échelle unicellulaire, DeepMind s'attend à ce que les modèles d'IA continuent de gagner en puissance. À travers ses collaborations en cours, notamment avec des chercheurs du Wellcome Sanger Institute, l'entreprise travaille au profilage d'un spectre encore plus large de types cellulaires humains, de lignées développementales et d'états cellulaires perturbés.

AlphaGenome 2, ainsi que des tutoriels Colab interactifs pour le conditionnement sur l'expression, est disponible pour la recherche non commerciale via l'API AlphaGenome et en préversion privée pour la recherche commerciale. DeepMind a également indiqué qu'il publiera bientôt AlphaGenome 2 Skills dans Google Antigravity, sa plateforme de développement agentique, où des modèles spécialisés comme AlphaGenome 2 combinés à des outils scientifiques agentiques tels que Gemini 4 sont destinés à aider les scientifiques à accélérer la recherche et à faire de nouvelles découvertes.

L'entreprise a remercié sa communauté de testeurs de confiance et les nombreux chercheurs ayant contribué à créer les jeux de données d'entraînement. Elle a invité la communauté à soumettre des cas d'usage intéressants d'AlphaGenome 2 via un formulaire avant le 30 novembre ; les projets sélectionnés pourront bénéficier de quotas et de crédits supplémentaires. Les retours pour façonner la feuille de route future peuvent être partagés sur le forum communautaire.

L'entreprise a précisé qu'AlphaGenome et AlphaGenome 2 sont destinés uniquement à un usage de recherche et n'ont pas été validés ni approuvés à des fins cliniques ou de diagnostic, leurs prédictions visant à guider la recherche scientifique plutôt que les décisions médicales.

Remerciements

Selon le billet de blog, les travaux de recherche fondamentaux ont été réalisés grâce aux contributions d'Adam Gayoso, Anne Mottram, Alexander Karollus, Guido Novati, Pavol Drotár, John Reid, Laetitia Meng-Papaxanthos, Adam Kosiorek, Eirini Arvaniti, Vincent Dutordoir, Soham De, Tom Ward, Lai Hong Wong, Matteo Perino, Kyle Taylor, Jun Cheng, Natasha Latysheva, Joshua Pan, Dhavanthi Hariharan, Clare Bycroft, Lauren Nicolaisen, Demis Hassabis, Pushmeet Kohli et Žiga Avsec.

DeepMind a également remercié les personnes suivantes pour leur soutien et leurs retours : Gabriella Stanton, Charlie Taylor, Raina Thomas, Lucas Tenório, Antonio García, Joseph Powell, Angli Xue, Trygve Bakken, Nelson Johansen, Junyue Cao, Ziyu Lu, Jacob Hepkema, Leopold Parts, Irina Voineagu, Souradeep Basu, Michal Zielinski, Jeff Cao, Ioannis Sarropoulos, Sarah Teichmann, Amanda Stafford et Eliseo Papa. Elle a enfin remercié Evie Gray, Adriana Fernandez Lara, Alex Wilkins, Danielle Breen, Dimple Vijaykumar, Muinat Abdul, Chris Kwaku-Abdullahi, Kathryn Seager, Ryan Smith, Ross West et Gaby Pearl pour leur expertise dans la communication de ces travaux.