AlphaGenome 2 relie une mutation d'ADN à son effet dans une cellule précise
— Business
Google DeepMind affine son modèle de prédiction génomique pour viser un type cellulaire donné, plutôt qu'un catalogue figé de tissus. L'outil reste réservé à la recherche, avec une prépublication qui assume ses propres limites de détection.

DeepMind avance une nouvelle pièce dans sa collection de modèles scientifiques fondamentaux, et celle-ci vise directement la génétique humaine. AlphaGenome 2 prend en entrée une séquence d'ADN, une espèce et une condition biologique précise, tissu, cellule ou état cellulaire, et prédit comment une mutation modifie l'activité des gènes dans ce contexte exact. Le cas mis en avant concerne un variant lié aux maladies inflammatoires de l'intestin, dont l'effet sur le gène ETS2 avait déjà été démontré en laboratoire en 2024 : le modèle retrouve ce mécanisme sans l'avoir appris spécifiquement, preuve que l'approche fonctionne sur un cas connu.
Ce sujet parle d'abord à des chercheurs en génomique et à des bio-informaticiens, pas à des praticiens de la création. Mais la manœuvre compte pour comprendre où Google place ses billes : après les modèles de langage et d'image, la biologie moléculaire devient un terrain de légitimité scientifique autant que d'image de marque. Un accès API en recherche non commerciale et une preview privée pour la recherche commerciale dessinent déjà le futur modèle économique, celui que d'autres laboratoires devront ensuite négocier avec Google pour exploiter ces briques.
Sur un test portant sur vingt-huit types de cellules immunitaires, le modèle retrouve trois associations variant-gène sur dix à un niveau de fiabilité élevé, contre moins de deux sur dix pour la version précédente. Le progrès est net sur le papier, mais il laisse filer la majorité des associations de référence, en particulier quand la mutation agit loin du gène ou dans une zone peu accessible de l'ADN.
Le manuscrit le dit sans détour : ces prédictions orientent des hypothèses de laboratoire, elles ne remplacent aucune expérience, et l'outil n'a aucune vocation clinique ou diagnostique pour l'instant. Les sept millions de scores précalculés et l'atlas de liens régulateurs-gènes fournis en complément ressemblent moins à un produit fini qu'à un instrument de tri pour accélérer le choix des expériences à mener.
Le vrai mouvement se joue ailleurs que dans la performance brute : Google construit une infrastructure de référence pour la génomique computationnelle, avec la promesse de publier code et poids du modèle lors de la parution scientifique définitive. Les acteurs de la biotech qui suivront ce calendrier sauront alors si cette brique devient un standard gratuit ou un levier commercial de plus pour l'entreprise.