AlphaGenome 2 : DeepMind lit l'ADN au niveau cellulaire

Ce qui s'est passé

Google DeepMind a annoncé aujourd'hui le lancement d'AlphaGenome 2, un nouveau modèle d'intelligence artificielle conçu pour prédire comment les variations dans la séquence d'ADN influencent l'activité génétique au niveau de types cellulaires spécifiques. Le modèle est disponible immédiatement pour la recherche non commerciale via l'API AlphaGenome, et en préversion privée pour les applications commerciales. Cette annonce intervient un jour après les résultats publiés par DeepMind et SiliconANGLE confirmant plusieurs lancements simultanés du laboratoire dans le domaine de l'IA appliquée aux sciences du vivant.

AlphaGenome 2 représente une avancée significative par rapport à son prédécesseur sur un point clé : la précision des prédictions au niveau cellulaire. Là où la première version du modèle produisait des prédictions agrégées sur des tissus entiers, AlphaGenome 2 est capable de distinguer comment une même variation génétique affecte différemment des types cellulaires distincts au sein d'un même tissu. Cela ouvre la voie à une meilleure compréhension des mécanismes de maladie qui dépendent d'un type cellulaire précis, comme c'est souvent le cas dans les cancers, les maladies auto-immunes ou les troubles neurodégénératifs comme Parkinson et Alzheimer.

Du point de vue technique, AlphaGenome 2 a été entraîné sur plus de 100 millions de cellules individuelles. Cette volumétrie massive de données d'entraînement lui permet de modéliser la diversité de l'expression génétique à une résolution sans précédent. Selon les données publiées par DeepMind, le modèle identifie presque deux fois plus de variants capables de modifier l'expression génétique dans les cellules par rapport à la version précédente, qui reste elle-même en service pour les cas d'usage où sa granularité suffit. DeepMind a précisé que les prédictions d'AlphaGenome 2 sont plus coûteuses en calcul, ce qui justifie le maintien en parallèle des deux systèmes.

La capacité à prédire l'impact des variants génétiques sur des cellules spécifiques est particulièrement précieuse pour la recherche biomédicale. Des mutations dans le génome peuvent avoir des effets radicalement différents selon qu'elles se produisent dans un neurone, une cellule hépatique ou un lymphocyte T. Jusqu'à présent, l'identification de ces effets différentiels nécessitait des expériences biologiques longues et coûteuses impliquant des techniques comme l'ATAC-seq, le ChIP-seq ou le scRNA-seq. Un modèle prédictif fiable permet de prioriser les variants à étudier expérimentalement, réduisant considérablement le temps et les ressources nécessaires à la recherche fondamentale.

L'accès au modèle se fait via une API dédiée. DeepMind propose un accès gratuit pour les chercheurs académiques et institutionnels pour des usages non commerciaux, une décision stratégique qui vise à accélérer la diffusion dans la communauté scientifique mondiale. La mise en production commerciale, en préversion privée, implique des conditions d'utilisation spécifiques et des accords de licences adaptés aux besoins des entreprises pharmaceutiques et biotechnologiques. Cette double stratégie — accès ouvert pour la recherche, accès commercial encadré — est similaire à celle adoptée pour AlphaFold et AlphaFold 2.

Un point de vigilance important souligné par DeepMind : AlphaGenome 2 n'est pas validé pour des usages cliniques ou diagnostiques. Le modèle est un outil de recherche fondamentale. Son utilisation pour orienter des décisions médicales directes nécessiterait des processus de validation réglementaire supplémentaires, notamment auprès de la FDA américaine ou de l'EMA européenne. Cette précaution est essentielle dans un contexte où les pressions pour accélérer l'adoption de l'IA dans les soins de santé sont croissantes, et où des incidents impliquant des systèmes d'aide à la décision médicale non validés ont déjà causé des préjudices dans plusieurs pays.

Le lancement d'AlphaGenome 2 s'inscrit dans une série de publications majeures de DeepMind en biologie computationnelle. Depuis AlphaFold en 2020, qui avait révolutionné la prédiction de la structure des protéines et valu à ses auteurs le prix Nobel de chimie en 2024, le laboratoire de Google s'impose comme un acteur incontournable de l'IA appliquée aux sciences du vivant. AlphaGenome, annoncé en 2025, et sa seconde version dévoilée aujourd'hui, prolongent cette stratégie en s'attaquant à l'un des défis les plus complexes de la biologie : comprendre comment l'information contenue dans l'ADN se traduit en fonctions cellulaires spécifiques dans des conditions physiologiques variées. SiliconANGLE rapporte également que DeepMind a lancé simultanément Gemini Robotics 2.5 en partenariat avec Boston Dynamics et Apptronik, confirmant la stratégie de déploiements multiples dans plusieurs domaines scientifiques.

Pourquoi c'est important

AlphaGenome 2 représente une étape importante dans le projet de long terme qui vise à comprendre le génome humain dans toute sa complexité fonctionnelle. La génomique a connu une révolution avec le séquençage massif à bas coût, mais l'interprétation des données reste un défi colossal : le génome humain contient environ 3 milliards de paires de bases, et les projets de grande envergure comme UK Biobank, gnomAD ou le programme 100 000 Genomes français cataloguent des millions de variants dont la signification fonctionnelle est largement inconnue. Les modèles prédictifs comme AlphaGenome 2 permettent d'aborder ce problème à une échelle qui dépasse les capacités des approches expérimentales classiques.

Pour l'industrie pharmaceutique et biotechnologique, les implications sont directes. L'identification rapide et fiable des variants qui modifient l'expression génique dans des types cellulaires pathologiques constitue une accélération potentielle majeure des phases de découverte de médicaments. Les programmes de thérapie génique et de médecine de précision dépendent de cette connaissance fine pour concevoir des interventions ciblées. Des entreprises comme Moderna, Novartis ou les startups de thérapie cellulaire pourraient intégrer AlphaGenome 2 dans leurs pipelines de R&D, et certains analystes estiment que ce type d'outil pourrait réduire de 20 à 40 % le temps nécessaire à la phase de validation de cibles thérapeutiques.

La publication de ce modèle renforce la position de Google DeepMind comme principal concurrent de la communauté académique et des startups spécialisées en bioinformatique computationnelle. Des entreprises comme Recursion Pharmaceuticals, Exscientia ou Insilico Medicine travaillent sur des approches similaires, et l'arrivée d'un modèle de cette envergure — entraîné sur 100 millions de cellules et mis à disposition gratuitement pour la recherche — redistribue les cartes. La politique d'accès ouvert choisie par DeepMind accélère la diffusion des capacités mais crée également une dépendance à l'infrastructure Google pour des projets scientifiques publics, ce qui soulève des questions de souveraineté de la recherche académique européenne.

Du point de vue de la sécurité des données biologiques, le déploiement de modèles d'IA génomiques à grande échelle soulève des questions importantes. Les données génomiques sont extrêmement sensibles : elles permettent l'identification d'individus, révèlent des prédispositions médicales, et peuvent concerner des membres de la famille du sujet. La réglementation européenne (RGPD, article 9 sur les données de santé) et les cadres américains (HIPAA, GINA) encadrent strictement leur traitement. Les chercheurs utilisant AlphaGenome 2 via l'API devront s'assurer que leurs pratiques de partage de données respectent ces obligations légales, notamment pour les projets impliquant des données de patients.

Ce qu'il faut retenir

• AlphaGenome 2 double la précision de détection des variants génétiques actifs au niveau cellulaire — un saut qualitatif majeur pour la recherche biomédicale.
• Accès gratuit pour la recherche non commerciale via l'API DeepMind ; usage clinique exclu sans validation réglementaire spécifique.
• DeepMind confirme son leadership en IA pour les sciences du vivant, avec un impact potentiel sur les délais de découverte de médicaments et les programmes de médecine de précision.