Le défi de prédire l'impact des variants génétiques
Chaque cellule du corps humain contient le même ADN, mais n'active pas les mêmes gènes et ne répond pas de la même manière à une altération génétique. Un variant peut avoir des effets distincts selon le type et l'état de la cellule, ce qui fait que les moyennes de tissus entiers peuvent masquer des signaux pertinents pour une maladie. C'est le principal défi que relève le nouvel outil de Google DeepMind.
L'interprétation de la manière dont les variations génétiques impactent l'expression des gènes et leurs effets au niveau moléculaire a été un processus expérimental difficile. AlphaGenome 2 cherche à accélérer les progrès vers cet objectif en prédisant comment les variants perturbent ces processus biologiques, révélant ainsi comment sont connectés les plans de construction des protéines et le panneau de contrôle qui régule l'activité génique.
Une architecture conditionnelle centrée sur le contexte cellulaire
Contrairement à la version précédente, qui recevait une séquence d'ADN d'un million de lettres et produisait des prédictions en parallèle pour de nombreux tissus, AlphaGenome 2 adopte une approche conditionnelle. Il analyse une condition biologique spécifique, comme un tissu, un type cellulaire ou un état, conjointement avec la séquence génétique. Cette condition intervient à différentes étapes de l'architecture du modèle, permettant d'estimer comment un même fragment d'ADN est interprété dans des contextes cellulaires distincts.
Le modèle a été entraîné sur plus de 107 millions de profils cellulaires individuels provenant de 68 tissus, combinant des données d'échantillons humains et de souris. En plus des prédictions d'expression génique, de modifications d'histones et d'accessibilité de la chromatine offertes par la version précédente, AlphaGenome 2 intègre des estimations de méthylation de l'ADN. Cette amplitude permet d'inférer des mesures expérimentales manquantes, comme prédire l'accessibilité de la chromatine à partir de données d'activité génique en cellule unique.
Différences clés entre AlphaGenome 1 et AlphaGenome 2
| Caractéristique | AlphaGenome 1 | AlphaGenome 2 |
|---|---|---|
| Approche de prédiction | Sorties parallèles fixes pour des tissus en bloc | Modèle conditionnel pour un type ou état cellulaire spécifique |
| Données d'entraînement | Séquences d'ADN longues | Plus de 107 millions de profils cellulaires individuels |
| Modalités supplémentaires | Expression génique, histones, chromatine | Inclut la méthylation de l'ADN et l'imputation multimodale |
| Généralisation | Nécessite un ajustement pour de nouveaux contextes | S'adapte à de nouvelles données scRNA-seq sans réentraînement |
Améliorations quantitatives dans l'identification des variants
Google DeepMind a indiqué que, sur le jeu de données TenK10K, une carte de 28 types de cellules immunitaires primaires, AlphaGenome 2 a identifié de manière fiable 30 % des variants causaux, contre 16 % pour le modèle précédent ajusté avec des données de cellule unique et d'autres outils spécialisés. Dans l'identification des effets directionnels sur les gènes, la comparaison était de 43 % contre 23 %.
Ces résultats, fournis par l'entreprise, suggèrent que le modèle peut aider à prioriser des variants candidats que d'autres analyses pourraient négliger. L'évaluation a également examiné si le modèle pouvait suivre des variations continues de l'expression génique dans des cellules en maturation, comme les cellules souches sanguines qui progressent vers les lignées de globules rouges ou de cellules immunitaires, montrant une meilleure capacité à expliquer les différences entre types cellulaires d'un même tissu dans des régions non vues lors de l'entraînement.
Applications en recherche sur les maladies et conception de médicaments
L'outil permet de connecter des variants génétiques à des gènes cibles dans des cellules humaines primaires, comme les astrocytes cérébraux, en cartographiant les amplificateurs et les interrupteurs régulateurs. Dans les études d'association à l'échelle du génome (GWAS), qui signalent souvent des régions liées à un trait sans identifier le variant causal, les scores précalculés d'AlphaGenome 2 peuvent aider à prioriser les possibilités pour des traits allant de la taille au diabète de type 2.
Pour le développement de médicaments, identifier la cellule et la protéine impliquées est crucial pour définir une cible thérapeutique. Le modèle a reproduit computationnellement un constat antérieur sur un variant dans un élément régulateur distant qui augmente l'activité du gène ETS2 dans les macrophages intestinaux, des cellules liées à la maladie inflammatoire de l'intestin. Ce cas illustre comment un signal génétique peut dépendre de la cellule où il agit, un facteur clé pour la médecine de précision.
Limites et portée de l'outil
AlphaGenome et AlphaGenome 2 sont destinés uniquement à la recherche et n'ont pas été validés ni approuvés à des fins cliniques ou diagnostiques. L'entreprise avertit que l'outil est réservé à la recherche et que les prédictions plus détaillées impliquent un coût computationnel plus élevé. Pour cette raison, DeepMind ne s'attend pas à remplacer immédiatement la version précédente, le nouveau modèle ne s'avérant pas pratique pour produire l'atlas couvrant les changements possibles d'une seule lettre dans le génome humain.
Les performances du modèle sont conditionnées par les données sur lesquelles il a été entraîné. Bien qu'il puisse se généraliser à de nouveaux états cellulaires via le chargement de données d'ARN en cellule unique, il ne remplace pas la vérification en laboratoire. L'imputation multimodale peut orienter les expériences à réaliser ensuite, mais ne démontre pas à elle seule un mécanisme clinique. L'entreprise annonce travailler sur des outils pour sa plateforme de développement agentique Google Antigravity, mais ne présente pas le modèle comme un système de diagnostic.
Poursuivre l’exploration
Sources consultées
Corrections et transparence
Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.
Proposer une correction