Pourquoi une variation de l’ADN peut-elle perturber une cellule immunitaire tout en ayant peu d’effet ailleurs ? AlphaGenome 2, présenté par Google DeepMind le 11 novembre 2026, cherche à rendre ces différences prévisibles. Son ambition : relier une modification génétique au gène concerné et au contexte cellulaire dans lequel elle agit.
Cette précision change la question posée à l’IA. Repérer une région associée à une maladie est un point de départ. Comprendre dans quelles cellules elle modifie l’activité biologique peut aider à choisir les expériences nécessaires pour en expliquer le mécanisme.
Le même ADN ne produit pas la même activité partout
Dans son annonce d’AlphaGenome 2, DeepMind décrit un modèle conditionnel : une séquence d’environ un million de lettres d’ADN est associée à un tissu, un type de cellule ou un état cellulaire cible. La prédiction dépend ainsi du contexte biologique fourni, plutôt que d’une simple moyenne de tissu.
Le modèle estime plusieurs manifestations de l’activité du génome, dont l’expression des gènes, l’accessibilité de la chromatine et la méthylation de l’ADN. Son entraînement combine des données de génomique humaine et murine ; un encodeur cellulaire est ensuite entraîné sur 107 millions de profils d’expression de cellules humaines, selon le rapport des auteurs.
Les régions régulatrices sont aussi importantes que les gènes
Un gène peut être présent sans fonctionner avec la même intensité dans toutes les cellules. Des régions régulatrices influencent quand et où son activité augmente ou diminue. Une variation située dans ces régions peut donc avoir un effet à distance, sans changer directement la séquence qui code une protéine.
Pour le lecteur, une analogie utile est celle d’une partition commune jouée par des pupitres différents : les informations disponibles se ressemblent, mais les passages interprétés varient. L’analogie aide à comprendre le contexte cellulaire ; elle ne remplace pas la mesure biologique.
Le gain annoncé concerne le rappel des variants, pas un diagnostic
Le rapport technique d’AlphaGenome 2 présente une évaluation sur TenK10K, une ressource de génétique des cellules immunitaires. À un seuil de précision de 90 %, le rappel des variants retenus comme causaux dans cette évaluation passe de 16 % avec AlphaGenome 1 adapté aux données unicellulaires, à 30 % avec AlphaGenome 2.
Deux notions doivent rester séparées. La précision mesure la part de bonnes réponses parmi les candidats retenus. Le rappel mesure la part des cas de référence retrouvés. Ici, le progrès consiste à récupérer davantage de cas à un niveau de précision fixé. Ce n’est ni une précision de seulement 30 %, ni une démonstration que l’outil diagnostique deux fois plus de maladies.
Ces résultats sont rapportés par les développeurs sur leur protocole d’évaluation. Ils donnent un argument pour tester le modèle sur d’autres données ; ils ne suffisent pas à établir sa fiabilité dans chaque situation biologique.
ETS2 illustre le passage d’une association à une piste cellulaire
Un exemple concret concerne ETS2 et les macrophages, des cellules immunitaires. Dans une étude publiée dans Nature en juin 2024, des chercheurs avaient identifié un mécanisme reliant une région régulatrice éloignée à une augmentation de l’expression d’ETS2 et à l’inflammation. Leur travail mobilisait des expériences sur des cellules humaines et montrait le rôle central d’ETS2 dans l’activité de macrophages inflammatoires.
DeepMind rapporte qu’AlphaGenome 2 retrouve informatiquement des éléments de ce mécanisme : le variant considéré augmente sélectivement l’activité d’ETS2 dans les macrophages intestinaux. Il s’agit d’une confrontation à un résultat antérieur connu, pas de la découverte initiale de ce mécanisme par l’IA.
Une prédiction utile doit indiquer quoi vérifier ensuite
L’intérêt pratique serait de réduire l’espace des hypothèses. Face à une région génétique associée à une maladie, une équipe peut hésiter entre plusieurs variants, plusieurs gènes et plusieurs types de cellules. Une prédiction qui privilégie un ensemble cohérent peut orienter le choix de l’expérience suivante.
Notre lecture est que la valeur du modèle se jouera sur cette étape : ses propositions conduisent-elles à des vérifications plus informatives ? Une hypothèse précise, même imparfaite, peut être discutée et testée. Une affirmation générale sur « un gène de la maladie » serait beaucoup moins utile.
Les chercheurs peuvent fournir leur propre contexte cellulaire
La documentation officielle décrit une autre possibilité : conditionner le modèle avec des données d’expression unicellulaire provenant de sa propre expérience, sans réentraîner le modèle. L’objectif est de produire des prédictions adaptées à un contexte qui ne correspond pas nécessairement au catalogue de référence.
Cela ne signifie pas que toute mesure manquante devient une observation. Lorsque l’outil impute une propriété non mesurée, il fournit une estimation. Cette distinction doit suivre les résultats jusque dans les graphiques et les analyses : données observées, données prédites et résultats confirmés expérimentalement ont des statuts différents.
Un outil de recherche, avec une validation encore à construire
AlphaGenome 2 est proposé pour la recherche non commerciale via l’API AlphaGenome, et en préversion privée pour la recherche commerciale. DeepMind précise qu’il n’a pas été validé ou approuvé pour des usages cliniques ou diagnostiques.
La suite devra donc se mesurer sur des questions scientifiques bien délimitées : le modèle retrouve-t-il les effets pertinents dans de nouveaux échantillons ? Ses erreurs se concentrent-elles dans certains contextes ? Les expériences confirment-elles les liens proposés ?
AlphaGenome 2 apporte une façon plus fine d’interroger les effets de l’ADN. Sa valeur se mesurera à la solidité des liens proposés entre variants, gènes et cellules, puis à leur confirmation au laboratoire.
Références
- Google DeepMind — AlphaGenome 2, annonce du 11 novembre 2026.
- Gayoso et al. — AlphaGenome 2 predicts regulatory activity and variant effects across cell states, rapport technique.
- Stankey et al. — A disease-associated gene desert directs macrophage inflammation through ETS2, Nature, 5 juin 2024.
- AlphaGenome — Utiliser ses propres données unicellulaires pour conditionner les prédictions.
