AlphaGenome 2 : l’IA de DeepMind qui lit l’ADN cellule par cellule

Le 11 novembre 2026, Google DeepMind a présenté AlphaGenome 2, une IA qui prédit l’effet d’une variation de l’ADN dans un type de cellule précis, et plus seulement dans un tissu pris en moyenne. Le modèle est accessible le jour même par API, gratuitement, pour la recherche non commerciale. Il ne sert ni au diagnostic ni au soin.

Pourquoi la cellule compte autant ? La plupart des variants génétiques associés aux maladies se trouvent dans l’ADN non codant, la partie du génome qui ne fabrique pas de protéines mais règle l’activité des gènes. Un même variant peut rester muet dans le foie et dérégler un gène dans un macrophage de l’intestin. La première version d’AlphaGenome, annoncée en juin 2025 et publiée dans Nature en janvier 2026, raisonnait surtout à partir de tissus entiers et de lignées cellulaires. La deuxième descend d’un cran.

Nous n’avons pas utilisé l’API. Ce qui suit vient de l’annonce de DeepMind, de sa publication technique de 78 pages et de la documentation officielle du service.

AlphaGenome 2 : ce que DeepMind a annoncé le 11 novembre

Chercheuse devant un séquenceur et un écran de données génomiques, illustration d’AlphaGenome
Image d’illustration générée par IA : un laboratoire de génomique, pas une installation de DeepMind.

L’annonce officielle de DeepMind est signée Adam Gayoso, Natasha Latysheva, Pushmeet Kohli et Žiga Avsec. Elle décrit un modèle dit conditionnel : on lui donne une séquence d’ADN d’un million de lettres et une « condition », c’est-à-dire un tissu, un type de cellule ou un état cellulaire, et il prédit ce que fait cette séquence dans cette condition-là, et pas ailleurs.

Les sorties couvrent l’expression des gènes, l’accessibilité de la chromatine (la façon dont l’ADN est plus ou moins « ouvert » à la lecture), les modifications des histones et, nouveauté réclamée par les utilisateurs selon DeepMind, la méthylation de l’ADN. L’entraînement mêle des données humaines et de souris, mesurées sur des tissus entiers et sur des cellules isolées.

Le modèle arrive avec deux jeux de résultats déjà calculés : des liens entre régions régulatrices et gènes dans 640 conditions humaines, et des scores pour près de 7 millions de variants dans 510 conditions. DeepMind cite aussi deux partenaires. Le Wellcome Sanger Institute poursuit avec elle des travaux de profilage cellulaire, et la société Genomics Limited annonce l’intégration du modèle dans sa plateforme Mystra.

Du tissu au type de cellule : ce qui change avec AlphaGenome 2

AlphaGenome 1 prédisait d’un seul coup un catalogue fixe de milliers de mesures, issues de nombreux tissus. DeepMind reconnaît elle-même le revers de cette approche : la capacité du modèle s’éparpille, et deux types de cellules proches, comme deux familles de lymphocytes, se distinguent mal.

AlphaGenome 2 traite une condition à la fois. La condition est transformée en vecteur numérique, qui module le calcul dès les premières couches du réseau, puis à chaque étape. Les auteurs ont vérifié ce point en retirant cette modulation de certaines parties : injectée seulement à la sortie, la condition n’apporte presque rien. C’est son entrée dans l’encodeur et dans le bloc transformeur qui fait le gain.

Deuxième changement, plus pratique : la condition peut être fabriquée à partir des données du chercheur. Un encodeur cellulaire lit un profil d’expression mesuré en cellule unique (scRNA-seq) et le traduit dans l’espace de conditions du modèle, sans réentraînement. Une équipe qui étudie un type de cellule rare, absent du catalogue de référence, n’est donc pas bloquée.

Schéma comparatif AlphaGenome 1 et AlphaGenome 2 : données, conditionnement, résultats et accès
AlphaGenome 1 et AlphaGenome 2 comparés d’après la publication de DeepMind (11 novembre 2026).

Troisième ajout : l’imputation d’une mesure à partir d’une autre. Si vous n’avez mesuré que l’expression des gènes dans une population de cellules, le modèle peut proposer l’accessibilité de la chromatine que vous n’avez pas mesurée. Sur les tissus de la base GTEx, la publication donne une corrélation médiane de 0,71 entre prédiction et mesure pour les écarts d’expression d’un tissu à l’autre, contre 0,61 pour AlphaGenome 1.

Comment le modèle a été entraîné

La publication technique d’AlphaGenome 2 décrit quatre étapes. D’abord un pré-entraînement sur des conditions de référence, puis un affinage des seules conditions, le reste du réseau étant figé. Ensuite une distillation de modèle : huit modèles « professeurs » entraînés séparément, dont un seul modèle « élève » apprend à reproduire la moyenne des prédictions. Enfin, un post-entraînement au niveau de la cellule unique.

Les chiffres du corpus sont précis. Par rapport à la première version, entraînée uniquement sur des mesures de tissus entiers, AlphaGenome 2 ajoute 3 977 pistes de données en cellule unique tirées de 36 études humaines et murines, des profils de méthylation pour 185 conditions humaines, et un post-entraînement sur des cellules tirées de 107 millions de profils humains couvrant 68 tissus. Les données viennent de bases publiques : ENCODE, GTEx, FANTOM5, CELLxGENE, le catalogue eQTL, gnomAD, entre autres.

Le prix à payer est connu des auteurs : une prédiction par condition, donc beaucoup plus de calcul qu’un modèle qui sort tout d’un coup. Dernier détail, rare dans une publication de ce type : DeepMind déclare avoir utilisé Gemini 4 Argon dans l’environnement Antigravity pour proposer et coder des analyses, et pour rédiger une partie du texte, avec relecture par les auteurs.

DeepMind a publié le même jour un entretien vidéo de son podcast avec deux des auteurs, Žiga Avsec et Adam Gayoso.

Vidéo en anglais (Google DeepMind, 11 novembre 2026, 40 min) : Hannah Fry interroge Žiga Avsec et Adam Gayoso sur AlphaGenome, l’AlphaGenome Atlas et AlphaGenome 2. La vidéo ne se charge qu’au clic.

Un rappel doublé, à lire avec son seuil

Le chiffre mis en avant est le « presque deux fois plus » de variants détectés. Il vient d’un test sur TenK10K, une étude qui a mesuré l’effet de variants sur l’expression des gènes dans 28 types de cellules immunitaires du sang. Au seuil exigeant de 90 % de précision, AlphaGenome 2 retrouve 30 % des variants causaux, contre 16 % pour AlphaGenome 1 réentraîné sur les mêmes données. Pour le sens de l’effet (le gène monte ou baisse), on passe de 23 % à 43 %.

Mais sur l’ensemble de la courbe, l’écart est plus modeste : une aire sous la courbe de 0,76 contre 0,72. Le doublement est réel, il porte sur la zone où l’on ne garde que les prédictions les plus sûres. C’est d’ailleurs celle qui intéresse un laboratoire, qui n’a pas les moyens de vérifier mille pistes à la paillasse.

Les exemples choisis sont des cas connus, rejoués après coup. Sur un locus lié à la maladie inflammatoire chronique de l’intestin, le modèle isole parmi sept candidats le variant rs2836882, le relie au gène ETS2 situé à environ 290 000 lettres de là, et limite l’effet aux monocytes et aux macrophages. C’est le mécanisme qu’une étude publiée dans Nature en 2024 avait établi par l’expérience. Autre cas, le gène BCL11A : le modèle retrouve le petit motif d’ADN que vise la thérapie génique par CRISPR contre la drépanocytose.

La publication a le mérite de lister ses limites. À haute précision, le modèle ne retrouve qu’une minorité des variants causaux. Il sous-estime les effets des variants situés hors de la chromatine ouverte, ou très loin des gènes. Les états transitoires et les cellules malades sont peu représentés dans l’entraînement, et les sous-populations de neurones restent difficiles à séparer. Surtout, les conditions apprises reflètent des corrélations observées, pas des liens de cause à effet.

API AlphaGenome : qui peut l’utiliser, et à quelles conditions

La documentation de l’API AlphaGenome est nette : le service est gratuit pour un usage non commercial. Il faut demander une clé d’API, puis passer par le paquet Python « alphagenome », dont le code est publié sur le dépôt GitHub de DeepMind. Les débits varient selon la demande, et les prédictions en direct conviennent aux petites analyses plutôt qu’au génome entier.

Les conditions d’utilisation résumées sur ce dépôt posent trois limites. Les sorties du modèle restent réservées à un usage non commercial. Elles ne doivent pas servir à entraîner d’autres modèles d’apprentissage automatique. Et elles ne doivent jamais fonder une décision clinique. Pour la recherche commerciale, AlphaGenome 2 est en préversion privée sur Google Cloud.

Les poids du modèle et son code source ? Pas encore : la publication indique qu’ils seront fournis « à la publication finale ». Pour l’instant, AlphaGenome 2 reste un service hébergé, à l’inverse des modèles ouverts que l’on fait tourner chez soi. L’AlphaGenome Atlas, présenté le 8 septembre 2026 avec des scores pour plus de 9 milliards de variants, reste consultable sur un site web et par la même API. DeepMind annonce aussi des « compétences » AlphaGenome 2 pour Antigravity, sans date.

Un point mérite réflexion avant le premier appel. Le conditionnement par vos propres profils de cellules suppose d’envoyer ces données à un service hébergé par Google. Si elles viennent de patients, ce sont des données personnelles de santé : le choix d’un outil pour des données sensibles se règle avec le délégué à la protection des données de l’établissement, avant l’envoi.

Ce qu’AlphaGenome ne fait pas : diagnostic, test génétique, conseil médical

DeepMind l’écrit en toutes lettres : AlphaGenome et AlphaGenome 2 sont destinés à la recherche, et n’ont été ni validés ni approuvés pour un usage clinique ou diagnostique. Un score de variant n’est pas un résultat d’analyse, et il ne remplace pas une consultation de génétique.

Le droit français va dans le même sens. L’article 16-10 du Code civil réserve l’examen des caractéristiques génétiques d’une personne aux fins médicales ou de recherche scientifique, avec un consentement exprès et écrit, et interdit le démarchage publicitaire sur ces examens. Un score obtenu en interrogeant un modèle, à partir d’un fichier de génome grand public par exemple, ne remplace pas cet examen encadré. Il reste une prédiction de recherche.

Côté données, le RGPD range les données génétiques parmi les catégories particulières dont le traitement est interdit par principe (article 9). L’exception prévue pour la recherche scientifique exige une base légale et des garanties appropriées. Pour un laboratoire, cela se prépare avec le délégué à la protection des données, pas après coup.

Et si quelqu’un bâtissait un outil de diagnostic sur ces prédictions ? En France, l’ANSM rappelle qu’un logiciel qui a une finalité médicale est un dispositif médical, qui doit porter le marquage CE. L’AI Act ajoute une couche : une IA intégrée à un produit réglementé de l’annexe I, comme un dispositif médical soumis à évaluation par un tiers, est classée à haut risque. Depuis l’omnibus sur l’IA, entré en vigueur le 27 juillet 2026, ces règles s’appliquent à partir du 2 août 2028, comme le détaille notre point sur ce qui s’applique déjà de l’AI Act.

Pour la recherche sur les maladies, un outil de tri des hypothèses

Les études d’association pangénomiques (GWAS) relient des centaines de régions du génome à une maladie ou à un caractère. Dans chaque région, des dizaines de variants voyagent ensemble, et la statistique seule ne dit pas lequel agit, sur quel gène, ni dans quelle cellule. AlphaGenome 2 propose une réponse aux trois questions à la fois, ce qui aide à choisir les quelques expériences qui valent d’être menées.

C’est la promesse la plus utile de l’annonce. Les scores déjà calculés couvrent des caractères comme la taille ou le diabète de type 2, et une équipe peut les télécharger sans écrire une ligne de code. Pour une IA génomique, c’est un usage modeste et vérifiable : ranger des pistes, que la paillasse confirmera ou non.

En France, le séquençage du génome à visée médicale passe par le Plan France Médecine Génomique 2025, centré sur les maladies rares et les cancers. Ce circuit de soin est hors de portée d’AlphaGenome 2 tant que le modèle n’a ni validation clinique ni marquage, ce que DeepMind ne revendique pas. Les équipes de recherche, elles, peuvent s’en servir dès maintenant, dans les limites de la licence non commerciale.

Reste une prudence de bon sens. La publication de DeepMind n’a pas encore suivi le circuit d’une revue, et les comparaisons sont faites par l’équipe qui a construit le modèle. La version 1 avait fini dans Nature, avec l’article d’Avsec et ses coauteurs ; la suite dira si la version 2 suit le même chemin. Pour replacer cette annonce parmi les autres tendances de l’intelligence artificielle en 2026, la biologie reste l’un des terrains où les modèles se mesurent le plus franchement à l’expérience.

Foire aux questions

Qu’est-ce qu’AlphaGenome ?

AlphaGenome est une famille de modèles de Google DeepMind qui prédit, à partir d’une séquence d’ADN d’un million de lettres, l’activité des gènes et l’effet d’un variant sur cette activité. La première version date de juin 2025. AlphaGenome 2, présenté le 11 novembre 2026, fait ces prédictions type de cellule par type de cellule.

AlphaGenome 2 est-il gratuit ?

Oui, pour un usage non commercial. Il suffit d’obtenir une clé d’API et d’utiliser le paquet Python officiel. Les débits dépendent de la demande. La recherche commerciale passe par une préversion privée sur Google Cloud, dont les tarifs ne sont pas publiés.

Une IA ADN comme AlphaGenome peut-elle dire si je suis malade ?

Non. Une IA ADN de ce type donne des scores de recherche, que DeepMind déclare non validés pour un usage clinique ou diagnostique. Ses conditions interdisent de s’en servir pour une décision médicale. Une question sur votre génome relève d’une consultation de génétique, dans le cadre prévu par le Code civil.

Peut-on télécharger le modèle AlphaGenome 2 ?

Pas encore. La publication de DeepMind indique que le code source et les poids seront fournis à la publication finale. En attendant, le modèle s’utilise par l’API, et les résultats précalculés (liens entre régions régulatrices et gènes, scores de variants) sont téléchargeables.

Sources

Articles les plus consultés