Comment la cartographie du génome peut aider les chercheurs à mieux comprendre les maladies

Les outils AlphaGenome et AlphaGenome Atlas de Google DeepMind aident les chercheurs à déchiffrer le génome humain. En prédisant l’impact des variants génétiques, ces modèles permettent d’identifier plus rapidement les mutations responsables de maladies, accélérant ainsi la découverte de traitements pour les troubles rares et améliorant la médecine personnalisée.

Lecture audio non disponible dans ce navigateur
Comment la cartographie du génome peut aider les chercheurs à mieux comprendre les maladies

Tags

Résumé rapide

Les outils AlphaGenome et AlphaGenome Atlas de Google DeepMind aident les chercheurs à déchiffrer le génome humain. En prédisant l’impact des variants génétiques, ces modèles permettent d’identifier plus rapidement les mutations responsables de maladies, accélérant ainsi la découverte de traitements pour les troubles rares et améliorant la médecine personnalisée.

Comment la cartographie du génome peut aider les chercheurs à mieux comprendre les maladies

Le génome humain sert de manuel d’instructions pour le corps, contenant environ 3 milliards de paires de bases d’ADN qui déterminent le fonctionnement des processus biologiques. Bien que la science soit capable depuis longtemps de lire toute cette séquence, décoder la sémantique spécifique du code génétique — en particulier la « matière noire » non codante qui régule l’expression génique et le risque de maladies — reste un défi majeur. Déterminer quels changements d’ADN spécifiques causent des maladies est souvent décrit comme chercher une aiguille dans une botte de foin. Pour y remédier, Google DeepMind a développé des outils d’intelligence artificielle, à savoir AlphaGenome et l’AlphaGenome Atlas, conçus pour accélérer la compréhension des mécanismes des maladies.

L’ampleur de la variation génétique

La complexité du génome réside dans son vaste potentiel de variation. La séquence d’ADN est composée de quatre bases, appelées lettres : adénine (A), thymine (T), cytosine (C) et guanine (G). Ces lettres agissent comme un alphabet biologique. Comme n’importe laquelle de ces lettres peut être remplacée par l’une des trois autres, il existe 9 milliards de changements possibles à un niveau de base au sein du génome. De nombreuses maladies génétiques sont causées par l’un de ces changements de lettre spécifiques.

Cependant, mener des milliards d’études physiques pour déterminer quels changements ont une incidence n’est pas réalisable pour les scientifiques en raison de contraintes de temps et de ressources. Comme l’a indiqué Žiga Avsec, chercheur chez Google DeepMind chargé de l’initiative en génomique, le volume énorme des variations possibles exige une nouvelle approche de prédiction.

AlphaGenome et l’AlphaGenome Atlas

Pour relever ce défi, Google DeepMind a développé AlphaGenome, un modèle capable d’analyser une séquence d’ADN partielle d’une longueur de 1 millions de paires de bases et de produire des milliers de prédictions. En comparant ces prédictions relatives aux changements d’ADN, les scientifiques peuvent identifier plus rapidement les variants les plus significatifs.

Sur la base de ce modèle, l’équipe a créé l’AlphaGenome Atlas, un ensemble de données massif qui permet aux scientifiques de décider plus rapidement sur quels sujets mener des recherches. Lorsqu’un patient atteint d’une maladie rare est séquencé, les données obtenues peuvent révéler 4 million de variants—4 million de façons dont son ADN diffère du génome humain de référence standard. Même en se limitant à ne retenir que les variants rares, les chercheurs peuvent encore être confrontés à des centaines ou des milliers d’options.

L’Atlas AlphaGenome remédie à ce goulot d’étranglement en fournissant une seule note facile à lire : la note AVI (AlphaGenome Variant Impact). Cette note indique immédiatement l’impact potentiel d’une variation sur l’ensemble du génome, aidant les chercheurs à prioriser et à identifier plus facilement les changements les plus perturbateurs à examiner.

De la lecture de l’ADN à la compréhension des mécanismes

L’utilité de ces outils dépasse la simple identification. Selon Google DeepMind, des outils comme AlphaGenome permettent à la communauté scientifique de passer d’une simple lecture de l’ADN à une aide pour que les chercheurs comprennent mieux les mécanismes moléculaires à l’origine d’une maladie. Ce changement offre aux chercheurs de nouvelles pistes à tester, ce qui constitue un pas important vers l’objectif à long terme de simuler numériquement une cellule humaine complète.

À court terme, l’objectif est d’utiliser l’IA pour mieux comprendre la « grammaire » du génome et prédire avec précision les effets des mutations. À long terme, Google DeepMind vise à s’appuyer sur ces bases pour créer une simulation numérique pleinement fonctionnelle d’une cellule humaine. Cela permettrait aux chercheurs de modéliser par calcul les mécanismes des maladies, de comprendre les affections génétiques rares et de tester des thérapies candidates sans avoir besoin immédiatement d’expérimentations physiques.

Applications dans le monde réel et études de cas

Les chercheurs utilisent déjà ces outils pour faire progresser la science. Gareth Hawkes, chercheur du Medical Research Council à l’Université d’Exeter, a utilisé AlphaGenome Atlas pour réduire la liste de 1 milliards de variants génétiques. En se concentrant sur les 1% les plus influents, il a identifié des groupes de variants 19 liés à l’indice de masse corporelle qu’il a prioritisés dans ses recherches.

De même, Laura Covill, chercheuse au Broad Institute, a utilisé le score AVI pour prioriser les variants génétiques dans ses recherches sur des maladies rares non résolues. L’AlphaGenome Atlas a identifié un variant critique dans un gène lié aux troubles du développement neurologique, fournissant des preuves essentielles qui ont guidé leurs recherches ultérieures, y compris la résolution de ce cas.

Ces exemples montrent comment ces outils peuvent accélérer la recherche, ce qui pourrait aider la société à améliorer sa capacité à diagnostiquer et à personnaliser le traitement des patients souffrant de maladies génétiques rares ou jusqu’alors non caractérisées. De plus, ces capacités pourraient accélérer les processus de découverte de médicaments en aidant les chercheurs en pharmacologie à identifier et à valider plus rapidement des cibles thérapeutiques à forte probabilité. Au-delà des soins de santé, l’architecture du modèle pourrait potentiellement aider les chercheurs à relever des défis sociétaux plus larges, y compris le développement de cultures résistantes au climat.

Limites et orientations futures

Malgré ces progrès, la technologie actuelle présente des limites. AlphaGenome a été lancé en juin 2025, et l’AlphaGenome Atlas a été introduit en septembre 2026.. Bien que le modèle soit de pointe, il a été principalement entraîné à partir de données provenant de tissus entiers ou de lignées cellulaires. Google DeepMind reconnaît que les différents types de cellules présents dans ces tissus ont un rôle très spécifique et peuvent dysfonctionner en cas de maladie, ce que les moyennes sur les tissus entiers risquent de masquer.

Pour y remédier, l’équipe a lancé AlphaGenome 2.. Ce dernier modèle traite de la principale limite liée à la spécificité des types cellulaires. Il va au-delà des moyennes au niveau tissulaire pour prédire comment les variants génétiques perturbent ces différents types de cellules, aidant ainsi les chercheurs à identifier les facteurs cellulaires à l’origine de la maladie.

De plus, Google DeepMind mène actuellement des recherches pour trouver de meilleures méthodes permettant de mesurer le degré de confiance du modèle dans ses prédictions, afin que les chercheurs sachent dans quelle mesure ils peuvent se fier à chaque résultat. D’après les premières analyses, les variants présentant des effets fortement prédits se révèlent très fiables et atteignent des niveaux élevés de précision. Cependant, l’éditeur souligne que quiconque utilise AlphaGenome doit interpréter ses prédictions en les combinant avec d’autres sources d’information.

Conclusion

L’intégration de l’IA dans la cartographie du génome représente un changement majeur dans la façon dont les chercheurs abordent la compréhension des maladies. En s’appuyant sur AlphaGenome et l’AlphaGenome Atlas, les scientifiques peuvent naviguer plus efficacement dans la complexité des 3 milliards de paires de bases de l’ADN humain. Ces outils aident à transformer la tâche écrasante consistant à trouver une aiguille dans une meule de foin en un processus gérable de priorisation et de prédiction. À mesure que des modèles tels qu’AlphaGenome 2 évoluent pour tenir compte de la spécificité des types cellulaires et de la mesure de la fiabilité, le potentiel de simuler numériquement les cellules humaines et de personnaliser les traitements pour les maladies rares continue de croître.

Source : https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-disease-research

Sources