Dans le génome d’une personne, quelques lettres différentes peuvent être décisives ; la plupart ne le sont pas. Pour les chercheurs confrontés à une maladie rare, le problème n’est donc pas seulement de trouver des variantes dans l’ADN, mais de savoir lesquelles méritent une expérience supplémentaire. Le 8 septembre 2026, Google DeepMind a ouvert AlphaGenome Atlas, une base qui rassemble des prédictions sur quelque neuf milliards de changements possibles d’une seule lettre dans le génome humain.
Le chiffre impressionne, mais le véritable changement est pratique. Un modèle d’intelligence artificielle devait auparavant être sollicité pour étudier des variantes particulières. DeepMind a pré-calculé ses réponses à l’échelle du génome et les a organisées dans un portail consultable. L’atlas ne dit pas si une personne développera une maladie : il aide à repérer des pistes biologiques à vérifier.
Pourquoi neuf milliards de changements ne font pas neuf milliards de découvertes
Le génome humain comporte environ trois milliards de positions. À chacune, l’une des quatre lettres chimiques de l’ADN peut, en principe, être remplacée par l’une des trois autres. Cela donne environ neuf milliards de substitutions d’un seul nucléotide, ou variantes ponctuelles. Il s’agit d’un espace de possibilités, non d’un inventaire de mutations observées chez neuf milliards de personnes.
Une partie de l’ADN code directement des protéines ; elle représente environ 2 % du génome. Le reste comprend notamment des régions qui règlent quand, où et à quel niveau les gènes s’expriment. Une substitution hors d’un gène peut donc parfois compter autant qu’une substitution dans une séquence codante, par exemple si elle modifie un signal permettant à la cellule de découper correctement un ARN.
Tester au laboratoire chaque changement imaginable serait irréaliste. L’intérêt de l’atlas est de proposer un premier tri : quel changement paraît susceptible de modifier un processus moléculaire, dans quel tissu et par quel mécanisme ? La réponse reste une prédiction, issue d’un modèle et de données de référence, non une observation expérimentale pour chaque variante.
De l’outil AlphaGenome à une bibliothèque consultable
AlphaGenome, le modèle présenté par DeepMind en 2025 et décrit dans Nature en 2026, analyse de longues séquences d’ADN et prédit différents aspects de leur activité. AlphaGenome Atlas applique cette approche à grande échelle. DeepMind annonce un ensemble de données d’environ un pétaoctet, soit un million de gigaoctets en ordre de grandeur, avec des prédictions d’effets moléculaires pour les substitutions envisagées.
On peut imaginer la différence entre demander à un spécialiste d’examiner une adresse à chaque fois et disposer d’une carte déjà annotée de toutes les adresses possibles. La carte accélère la recherche ; elle ne rend pas chaque annotation infaillible. C’est ici une innovation d’accès et d’ingénierie des données autant qu’une application de l’IA à la biologie.
Un score pour trier, des détails pour comprendre
Le nouveau score AVI (AlphaGenome Variant Impact) associe les prédictions d’AlphaGenome à celles d’AlphaMissense, un autre modèle de DeepMind consacré aux changements affectant les protéines. Il donne aux chercheurs un nombre pour classer les variantes, qu’elles se trouvent dans les régions codantes ou non codantes.
Un score unique peut toutefois masquer des mécanismes très différents. L’atlas fournit aussi des contributions par type d’effet prédit : accessibilité de la chromatine, expression d’un gène, épissage de l’ARN ou atteinte d’une protéine. Ces détails sont essentiels. Deux substitutions peuvent recevoir un score élevé sans agir de la même manière ni avoir la même pertinence pour la question étudiée.
Une piste concrète pour les maladies rares
DeepMind décrit un cas étudié avec des chercheurs du Broad Institute : l’outil a attiré l’attention sur une variante du gène DNM1, associé à une encéphalopathie épileptique. La prédiction indiquait la création d’un mauvais site d’épissage. Dans ce mécanisme, la cellule découpe incorrectement le message ARN avant de fabriquer la protéine ; les auteurs indiquent que des expériences ont confirmé l’effet de la variante étudiée.
Ce résultat illustre la bonne place d’un tel outil. Le modèle ne « résout » pas seul une maladie rare : il permet de choisir une hypothèse, de l’expliquer et de la confronter à une expérience et au dossier du patient. Une confirmation sur une variante particulière ne prouve pas la justesse des milliards d’autres annotations de la base.
Un signal statistique plus net dans une grande cohorte
Dans une autre analyse présentée par les auteurs, le chercheur Gareth Hawkes, de l’Université d’Exeter, a utilisé des données génomiques de plus de 54 000 participants à la UK Biobank. En regroupant des variantes rares selon leurs effets prédits, il a trouvé 22 % d’associations supplémentaires concernant les régions non codantes, par rapport aux analyses de référence décrites par l’équipe. En se concentrant sur les 1 % de variantes non codantes classées comme les plus influentes, l’analyse a aussi mis en évidence 19 régions génétiques liées à l’indice de masse corporelle.
Ce ne sont ni 22 % de patients supplémentaires diagnostiqués, ni 19 causes définitivement établies de l’obésité. Le score sert ici à réduire le bruit statistique et à proposer des régions à étudier. La robustesse des associations, leur portée dans d’autres populations et la fonction précise des variantes devront être examinées indépendamment.
Le risque d’une carte trop convaincante
Un atlas exhaustif de substitutions ponctuelles ne couvre pas toutes les formes de variation génétique : des insertions, des délétions, des réarrangements et des effets combinés peuvent aussi jouer un rôle. Même pour les changements d’une lettre, l’activité d’un gène dépend du tissu, de son état et du contexte biologique. Prédire un effet moléculaire ne revient pas à prédire avec certitude un symptôme ou l’évolution d’une maladie.
La prudence est particulièrement nécessaire quand un score unique passe du laboratoire à un usage médical. DeepMind précise explicitement qu’AlphaGenome n’est ni validé ni approuvé pour un usage clinique et que l’atlas ne remplace pas un avis, un diagnostic ou un traitement professionnel. Les exemples expérimentaux et les benchmarks sont encourageants, mais l’étude de l’atlas mise en ligne par les auteurs est une prépublication : ses conclusions doivent être replacées dans ce cadre et reproduites au-delà des cas sélectionnés.
L’accès mérite aussi d’être décrit précisément. Le portail est gratuit pour la recherche non commerciale ; les usages commerciaux sur Google Cloud sont annoncés pour plus tard. Une ressource largement consultable n’est donc pas synonyme d’accès sans conditions à toutes ses données pour tous les usages.
La meilleure utilité : choisir quoi vérifier ensuite
AlphaGenome Atlas pourrait réduire le coût d’entrée de la recherche génomique. Une équipe sans infrastructure de calcul dédiée peut consulter des prédictions déjà préparées, comparer plusieurs mécanismes possibles et décider quelles variantes méritent des tests. C’est une avancée réelle pour l’organisation du travail scientifique, surtout dans les régions de l’ADN longtemps plus difficiles à interpréter.
La question décisive pour les prochains mois n’est pas de savoir si les neuf milliards de cases sont remplies, mais combien de leurs annotations tiennent face à des mesures indépendantes, dans des tissus et des populations variés. L’atlas sera le plus utile s’il sert de point de départ à des expériences ciblées — pas de raccourci vers un verdict clinique.
Références
- Google DeepMind, annonce d’AlphaGenome Atlas, 8 septembre 2026.
- Équipe AlphaGenome Atlas, étude technique en prépublication, septembre 2026.
- Google DeepMind, présentation du modèle AlphaGenome et de sa publication dans Nature.
- Google, présentation des cas d’application de l’atlas, 8 septembre 2026.
- Nature, reportage sur l’atlas et les limites de ses prédictions, 9 septembre 2026.
