Présentation du catalogue
DeepMind a rendu public l’AlphaGenome Atlas, une base de données pré‑calculée qui décrit l’impact potentiel de chaque substitution d’une base d’ADN sur les mécanismes de régulation génétique. Le catalogue recouvre plus de 9 milliards de variantes mononucléotidiques et occupe plus d’un pétaoctet, soit environ trente fois la taille de la base AlphaFold. Il est accessible gratuitement aux chercheurs non commerciaux via un portail web, une API dédiée et une compétence Google Antigravity, avec une offre commerciale prévue sur Google Cloud.
Fonctionnement du modèle AlphaGenome
AlphaGenome accepte jusqu’à un million de lettres d’ADN en entrée et génère des prédictions pour plusieurs mesures moléculaires : expression génique, accessibilité de la chromatine et épissage d’ARN. Lors de son lancement en janvier, le modèle a surpassé les modèles génériques sur 25 sur 26 benchmarks de prédiction d’effet de variante, selon la revue Nature. Les sorties sont agrégées dans le score AlphaGenome Variant Impact (AVI), qui combine les prédictions d’AlphaGenome avec celles d’AlphaMissense, modèle spécialisé dans les variantes protéiniques.
Impacts observés sur la recherche
Les premiers utilisateurs ont démontré des gains d’efficacité. À l’Université d’Exeter, le filtrage des variantes selon le score AVI a augmenté de 22 % le nombre d’associations détectées dans une étude sur les protéines sanguines, réduisant un lot de 526 candidats à quatre variantes prioritaires. Au Stowers Institute, les prédictions ont permis de classer les facteurs de transcription selon leurs effets cellulaires, une tâche jugée impraticable sans cet outil. Le nombre d’utilisateurs de l’API, limité à environ 9 000 depuis le lancement, a explosé grâce à l’accès direct au catalogue complet.
Limites et précautions d’usage
DeepMind précise que les prédictions ne remplacent pas les validations expérimentales. Le modèle montre des performances moindres sur les enhancers et sur les effets indirects médiés par des protéines régulatrices, en raison de lacunes dans les données d’entraînement. Le papier publié dans Nature indique que l’Atlas doit être intégré comme une étape d’orientation dans le diagnostic clinique, et non comme une preuve définitive. Ainsi, les chercheurs doivent combiner les scores AVI avec des expériences de laboratoire pour confirmer les hypothèses générées.
