Le laboratoire Google DeepMind franchit une nouvelle étape dans l'application des technologies d'apprentissage automatique aux sciences du vivant. Dévoilé le 11 novembre 2026, le modèle AlphaGenome 2 succède à la première version d'AlphaGenome publiée l'année précédente. Alors que la quasi-totalité des cellules du corps humain partagent un code génétique identique, chaque typologie cellulaire — qu'il s'agisse des cellules musculaires cardiaques, des cellules cutanées ou des cellules immunitaires — active ou désactive des gènes spécifiques selon son activité et son état. Par conséquent, une même variante génétique peut provoquer des effets radicalement différents d'un tissu à l'autre.
Une précision accrue à l'échelle de la cellule individuelle
Pour capturer ces variations complexes, AlphaGenome 2 a été entraîné sur plus de 100 millions de profils cellulaires individuels issus de 68 tissus distincts. Cette volumétrie de données permet à l'IA de transformer des atlas cellulaires statiques en un véritable moteur prédictif pour la génétique humaine. Selon les données partagées par l'entreprise, le système identifie près de deux fois plus de variantes capables d'altérer l'expression génique par rapport au modèle de précédente génération.
L'architecture d'AlphaGenome 2 présente plusieurs avancées clés pour les chercheurs :
- Prédictions généralisées : capacité d'émettre des hypothèses sur de nouveaux types cellulaires ou états biologiques sans nécessiter d'entraînement supplémentaire.
- Détection des lacunes : identification automatique des manques dans les données expérimentales afin d'orienter les futurs travaux en laboratoire.
- Lien génétique-biologie : modélisation directe des effets des variantes génétiques observées chez de grandes populations à l'échelle micro-cellulaire.
Comme l'explique Adam Gayoso, chercheur au sein de Google DeepMind, la rupture fondamentale réside dans cette capacité à lier la génétique humaine à la biologie cellulaire. Žiga Avsec, responsable de la génomique chez DeepMind, précise l'intérêt pratique de cette granularité pour le développement médicamenteux :
« Lorsque vous développez des médicaments, vous ciblez des protéines spécifiques et des types cellulaires spécifiques. »
Un coût de calcul supérieur et des perspectives d'évolution
Cette finesse d'analyse s'accompagne d'exigences matérielles importantes. Žiga Avsec souligne que la production de prédictions via AlphaGenome 2 s'avère plus coûteuse en ressources de calcul que celle d'AlphaGenome premier du nom. C'est en raison de cette contrainte que le modèle précédent avait été privilégié en septembre pour générer l'atlas génomique global couvrant l'intégralité des modifications de lettres d'ADN du génome humain.
Le modèle est accessible dès à présent pour la recherche non commerciale via l'AlphaGenome API, tandis qu'un accès restreint en prévisualisation privée est proposé pour la recherche commerciale. À terme, Google DeepMind prévoit d'étendre les capacités du système :
- Données multi-espèces : entraînement futur sur des organismes variés pour élargir la compréhension biologique globale.
- Cellules virtuelles : intégration progressive des modèles dans des simulations numériques complètes de systèmes biologiques.
- Infrastructures dédiées : ouverture prochaine d'un laboratoire automatisé en science des matériaux au Royaume-Uni sous la direction de Pushmeet Kohli.
Cette annonce s'inscrit dans un contexte de compétition accrue entre les géants de l'intelligence artificielle sur le terrain scientifique. Alors qu'Anthropic expérimente la conception de médicaments avec son modèle Claude et qu'OpenAI applique ses outils à la résolution de problèmes mathématiques complexes, Google poursuit l'enrichissement de sa suite d'outils spécialisés.
Notre lecture
Avec AlphaGenome 2, Google DeepMind confirme sa stratégie de verticalisation de l'intelligence artificielle vers la recherche fondamentale. Si l'augmentation des besoins en puissance de calcul témoigne de la lourdeur de ces modèles hautement spécialisés, l'approche granulaire par type cellulaire répond à un besoin concret de la bio-informatique. Ces avancées démontrent une nouvelle fois l'impact direct des architectures d'IA et des infrastructures de calcul intensif sur la rapidité du traitement des données génomiques massives.