Google DeepMind cartographie l'ADN non codant : AlphaGenome Atlas, entre ambition et limites de précision

Le 8 septembre 2026, Google DeepMind a présenté AlphaGenome Atlas, une archive numérique regroupant des prédictions précalculées sur l'impact moléculaire des variants de l'ADN humain. La base couvre neuf milliards de variants d'un seul nucléotide et cartographie ainsi toute modification possible d'une seule lettre du génome. D'un poids d'environ un pétaoctet — plus de trente fois la taille de la base d'AlphaFold —, l'Atlas se concentre sur l'ADN non codant, qui représente près de 98 % du patrimoine génétique et régule l'activité des protéines. Jusqu'ici, utiliser le modèle AlphaGenome exigeait de solides compétences en programmation et une infrastructure de calcul considérable ; avec cette sortie, l'entreprise déplace le traitement en amont et livre les résultats directement via un portail web, gratuit pour un usage non commercial.

Pour achever la cartographie, l'équipe de développement a dû accélérer le modèle d'environ quatre-vingts fois, rapporte IEEE Spectrum. Le responsable de la génomique de Google DeepMind, Žiga Avsec, a souligné l'effort d'ingénierie considérable qu'a demandé le projet, tandis que le vice-président de l'entreprise, Pushmeet Kohli, a déclaré que comprendre ce langage du vivant peut débloquer énormément de choses. L'Atlas introduit l'AlphaGenome Variant Impact (AVI), un score unique conçu pour classer et résumer les prédictions issues d'AlphaGenome et d'AlphaMissense, applicable aussi bien aux régions codantes qu'aux régions non codantes. Le parcours des modèles suit une chronologie précise : après AlphaFold en 2020 et AlphaMissense en 2023, AlphaGenome a été annoncé en 2025 et décrit dans un article de Nature en janvier 2026. Selon Scientific American, les utilisateurs commerciaux — les laboratoires pharmaceutiques, par exemple — doivent obtenir une licence, tandis que l'accès reste gratuit pour les chercheurs académiques ; le blog de DeepMind annonce l'usage commercial 'prochainement' sur Google Cloud, sans date ni tarifs.

Malgré l'impact potentiel, la communauté scientifique et les sources indépendantes relèvent plusieurs lacunes documentées. Scientific American indique que l'Atlas est bien moins précis que la base d'AlphaFold et doit être considéré uniquement comme un point de départ. Le modèle a des limites structurelles : il ne peut pas évaluer les pathologies qui supposent la présence simultanée de plusieurs variants, et les enhancers qui régulent des gènes à très grande distance peuvent tomber hors de la fenêtre d'un million de paires de bases que le modèle examine autour de chaque variant. Sur le score d'impact, le génomicien de la University of British Columbia Carl de Boer note qu'il a un usage clair mais qu'il sera probablement facile de le mal interpréter. Sur la valeur du travail, il est net : comprendre comment les changements influencent la régulation est fondamental pour comprendre la plupart des maladies. DeepMind elle-même précise que les données de l'Atlas ne remplacent ni un avis, ni un diagnostic, ni un traitement médical, et qu'elles ne sont ni validées ni approuvées pour un usage clinique. Sur le plan méthodologique, un point reste ouvert : l'article de Nature de janvier 2026 concerne le modèle AlphaGenome, tandis que pour l'Atlas le blog renvoie à un document technique en PDF ; rien n'indique que la sortie s'accompagne d'un travail évalué par les pairs.

La stratégie de DeepMind reprend le schéma déjà vu avec AlphaFold : d'abord le modèle, puis la base de données qui le rend consultable par ceux qui n'ont ni code ni GPU. Réduire la complexité biologique à un indice unique consultable depuis un navigateur abaisse la barrière d'entrée, mais l'utilité réelle se mesurera à la capacité des laboratoires à ne pas prendre une carte précalculée pour une donnée clinique, surtout en l'absence de validation indépendante. — Olya