Google DeepMind sort AlphaGenome 2, modèle ADN par cellule

107 millions de profils cellulaires couvrant 68 tissus humains et murins : c'est le volume d'entraînement sur lequel Google DeepMind a bâti AlphaGenome 2, annoncé le 11 novembre selon le compte rendu de SiliconAngle et les communications du laboratoire.

Le modèle rompt avec la logique du prédécesseur. Plutôt que de produire un résultat unique pour une région tissulaire entière, AlphaGenome 2 fonctionne comme un modèle conditionnel qui évalue, selon DeepMind, « one biological condition, cell type, or cell state at a time ». Il s'adapte à des types ou états cellulaires inédits sans ré-entraînement : un chercheur peut téléverser des données single-cell RNA issues de quelques dizaines de cellules, et l'outil les convertit en représentation d'état cellulaire pour lancer l'analyse.

Sur TenK10K, un jeu de données couvrant 28 types primaires de cellules immunitaires, DeepMind annonce que le modèle identifie 30 % des variants causaux contre 16 % pour la version originale affinée sur du single-cell, et 43 % des effets directionnels sur les gènes contre 23 %. « How it adapts directly to new single-cell data without retraining, predicting how DNA variants act in newly profiled cell states », salue la professeure Sarah Teichmann, co-fondatrice du Human Cell Atlas, dont les données ont servi à entraîner le modèle.

L'accès est gratuit via l'AlphaGenome API pour la recherche académique non commerciale, avec des tutoriels Colab interactifs ; les utilisateurs commerciaux disposent d'un accès en private preview. DeepMind précise que les prédictions « guide research rather than replace experimental validation » et que le modèle n'est pas approuvé pour un usage clinique ou diagnostique.

Les chiffres proviennent des benchmarks internes de DeepMind, pas d'un audit externe, et le périmètre publié se limite aux cellules immunitaires. Le laboratoire avait annoncé le même jour son modèle de robotique Gemini Robotics ER 2.