AlphaGenome 2 de DeepMind : ce que valent ses 30 % contre 16 %, et qui peut l'utiliser en Europe

En une phrase : AlphaGenome 2 prédit mieux que son prédécesseur l'effet d'un variant d'ADN dans un type de cellule donné, surtout quand on lui demande d'être très sûr de lui, selon le rapport technique de Google DeepMind : c'est un outil de recherche gratuit pour les laboratoires publics, fermé aux entreprises par l'API, et exclu de tout usage clinique ou diagnostique.

Google DeepMind a présenté AlphaGenome 2 le 11 novembre 2026 sur son blog, avec un rapport technique de plus de cinquante pages signé par 24 auteurs de la filiale d'Alphabet. Le modèle succède à AlphaGenome, lancé en juin 2025, et à l'Atlas de septembre 2026, qui précalcule l'effet de chaque substitution d'une lettre possible du génome humain. Cet article s'adresse aux chercheurs, bio-informaticiens et responsables de plateforme génomique qui doivent décider s'ils peuvent s'en servir, et pour quoi. Le Latent n'a pas utilisé le modèle : les chiffres ci-dessous sont ceux de DeepMind, relevés dans le billet et le rapport le 11 novembre 2026, et les conditions d'accès sont celles des pages officielles lues le même jour.

Ce que prédit AlphaGenome 2

Le modèle prend en entrée une séquence d'ADN de 1 million de paires de bases (1 048 576 exactement, la longueur recommandée parmi quatre possibles), l'espèce (humain ou souris) et une « condition » : un tissu, une lignée, un type ou un état cellulaire, d'après le rapport et la FAQ de l'API. Pour cette condition, il prédit des pistes génomiques : couverture d'ARN, début de transcription (CAGE), épissage, accessibilité de la chromatine (à la base près), fixation de facteurs de transcription et marques d'histones (par fenêtres de 128 paires de bases), méthylation des CpG, expression des gènes et cartes de contact de la chromatine (2 048 paires de bases). La méthylation de l'ADN est la nouveauté de sortie mise en avant par DeepMind.

Le changement de fond est architectural. AlphaGenome 1 produisait d'un coup, en parallèle, des milliers de pistes fixes issues surtout de tissus entiers et de lignées cellulaires, et peinait à distinguer des types de cellules proches, reconnaissent ses auteurs. AlphaGenome 2 est un modèle « conditionnel » : la condition module la représentation de la séquence dès les premières couches du réseau, et le modèle rend une prédiction par condition. Les auteurs attribuent le gain à ce conditionnement précoce et à l'élargissement des données ; leurs essais montrent que brancher la condition seulement sur les dernières couches n'apporte presque rien par rapport à un modèle sans condition.

La condition se choisit de deux façons. Soit dans un catalogue de conditions de référence (tissus, types cellulaires, lignées, humains et souris). Soit en fournissant ses propres données de séquençage d'ARN unicellulaire (scRNA-seq) : un encodeur en tire un « état cellulaire », sans réentraîner le modèle. La documentation limite cet usage à 256 cellules par appel et prévient que le modèle peut ne pas capter la variation de données trop éloignées de son entraînement, selon la FAQ. Le même mécanisme sert à l'imputation : prédire, pour un type cellulaire où seule l'expression a été mesurée, l'accessibilité de la chromatine ou des marques d'histones. Chaque piste prédite porte une étiquette qui dit si elle a été observée à l'entraînement, imputée sur une base évaluée, ou « exploratoire », à traiter comme une hypothèse.

Côté données, le rapport décompte 3 977 pistes unicellulaires agrégées (scRNA-seq et scATAC-seq) issues de 36 études humaines et murines, de la méthylation pour 185 conditions humaines de référence et une phase finale sur des cellules tirées de 107 millions de profils scRNA-seq humains, d'après DeepMind. Huit modèles « enseignants » ont été entraînés, puis condensés par distillation en un seul modèle. Les données d'entraînement viennent de bases publiques (ENCODE, GTEx, CZ CELLxGENE, Human Cell Atlas, entre autres) ; aucune expérience de laboratoire n'a été menée pour l'étude.

Le 30 % contre 16 %, exactement

Le billet annonce qu'AlphaGenome 2 identifie « presque deux fois plus » de variants causaux sur TenK10K, « 30 % contre 16 % », que la version 1 affinée sur des données unicellulaires « et d'autres outils spécialisés », selon DeepMind. Le rapport technique précise ce qui est mesuré.

• Le jeu : TenK10K, une cohorte qui a cartographié l'effet de variants sur l'expression des gènes dans 28 types de cellules mononucléées du sang (lymphocytes, monocytes…). Le test porte sur 6 346 eQTL unicellulaires, des variants désignés comme causaux par cartographie fine statistique (probabilité a posteriori supérieure à 0,9), chacun apparié à un variant non causal situé à une distance du gène aussi proche que possible. AlphaGenome 2 n'a été entraîné sur aucune donnée de TenK10K, et l'évaluation se fait sur des chromosomes mis de côté.
• La métrique : le rappel à 90 % de précision. On règle le seuil du score pour que 90 % des variants retenus soient bien les causaux ; à ce seuil, AlphaGenome 2 en retrouve 30 %, d'après le rapport.
• Le comparant du 16 % : « AG1-sc », AlphaGenome 1 affiné par DeepMind sur les mêmes conditions unicellulaires et la même découpe du génome, construit pour l'occasion. Le chiffre ne vise pas un outil d'un autre laboratoire.

Source : Google DeepMind, rapport technique AlphaGenome 2, section « Improved prediction of non-coding variant effects » et figure 2, relevé le 11 novembre 2026.

Trois écarts entre le billet et le rapport méritent d'être connus. D'abord, le doublement ne vaut que dans la zone de haute précision : sur l'ensemble de la courbe, l'écart d'AUPRC est de 0,76 contre 0,72, un progrès réel mais bien plus modeste. C'est aussi la zone qui compte pour prioriser des variants à tester, ce que le rapport assume. Ensuite, la formule du billet, « et d'autres outils spécialisés », suggère que le 16 % vaut aussi pour eux ; dans le texte du rapport, le seul outil tiers, Scooby, n'est comparé que sur la mesure globale (0,69). Enfin, « causal » désigne un variant probablement causal selon la statistique, pas un effet démontré au laboratoire. Le complément utile : à ce seuil de 90 %, 70 % des variants causaux de TenK10K restent non détectés (calcul du Latent, 100 − 30).

Le rapport donne aussi des résultats moins mis en avant. Hors des régions de chromatine accessible, AlphaGenome 1 affiné et Scooby prédisent le sens de l'effet à peine mieux que le hasard, et AlphaGenome 2 plafonne à une aire sous la courbe de 0,63 ; dans les régions accessibles, même à plus de 35 000 paires de bases du gène, il atteint 0,86, selon DeepMind. Sur les autres tests repris de la version 1 (épissage, accessibilité, polyadénylation en tissus entiers), le rapport parle de performances « comparables ».

Les cas d'étude, et ce qu'ils montrent

Le billet met en avant la reproduction par calcul d'un résultat publié dans Nature en 2024 : un variant situé dans un amplificateur lointain favorise les maladies inflammatoires chroniques de l'intestin en suractivant le gène ETS2 dans les macrophages intestinaux. D'après le rapport, AlphaGenome 2 isole ce variant (rs2836882) et le relie à ETS2, situé à environ 290 000 paires de bases, sans effet notable dans les autres types de cellules. Le remerciement du rapport précise que ce cas a été suggéré par Sarah Teichmann, cofondatrice du consortium Human Cell Atlas, également citée dans le billet. Il s'agit de retrouver un résultat connu, pas d'une découverte.

Second cas : sur des données unicellulaires inédites d'une étude sur le vaccin à ARN messager contre le Covid-19, le modèle distingue les lymphocytes T activés des cellules au repos et prédit qu'un variant lié aux formes graves perturbe davantage l'activité des gènes dans l'état activé, selon DeepMind. C'est une prédiction, que le billet ne présente pas comme validée expérimentalement.

DeepMind publie enfin des prédictions précalculées : des liens entre amplificateurs et gènes pour 640 conditions humaines, et des scores pour 6 825 839 variants (variants de la plateforme Open Targets et variants fréquents de gnomAD) dans 510 conditions, d'après le rapport. Le fichier de 3,2 Go se télécharge sur la page de téléchargements, dans la catégorie « usage non commercial uniquement », alors que les scores AVI d'AlphaGenome 1 y sont, eux, autorisés aussi pour un usage commercial.

Qui peut l'utiliser en Europe, et comment

Les conditions d'utilisation d'AlphaGenome, modifiées le 6 novembre 2026, sont plus strictes que la mention « usage non commercial » ne le laisse penser :

• Qui : les particuliers, les organisations non commerciales (universités, organismes à but non lucratif, instituts de recherche, établissements d'enseignement et organismes publics) et le journalisme. Le service n'est ouvert à aucune entreprise, « même pour un travail non commercial ». Une université, un institut public de recherche ou une fondation entrent dans la liste ; une biotech, une société de services ou un laboratoire privé, non.
• Ce qui est interdit : tout usage commercial, y compris de la recherche pour le compte d'une entreprise ; partager les résultats avec une entreprise, sauf par une publication scientifique ou une diffusion en open source ; entraîner un modèle concurrent de prédiction d'effets de variants ; tout usage clinique ou comme avis médical ; traiter des informations de santé soumises à la loi américaine HIPAA.
• Les identifiants : la clé d'API est personnelle et ne doit pas être partagée, « même au sein de votre organisation ». Une plateforme ne peut donc pas mutualiser une clé pour toutes ses équipes.
• Le contrat : pour un utilisateur de l'Espace économique européen ou de Suisse, il est conclu avec Google Ireland Limited. Aucune restriction géographique n'apparaît dans les documents lus.
• Le prix : gratuit au 11 novembre 2026, mais Google se réserve d'introduire des frais avec un mois de préavis écrit, et limite sa responsabilité à 500 dollars pour un accès gratuit, selon les mêmes conditions.
• La publication : on peut publier et adapter les résultats, à condition d'indiquer clairement qu'ils sont soumis aux conditions d'utilisation des sorties d'AlphaGenome.

Le débit n'est pas garanti : il « varie avec la demande », et les prédictions en direct conviennent aux analyses de petite taille plutôt qu'aux analyses à l'échelle du génome, prévient le dépôt de l'API. Pour du volume, les scores précalculés sont la voie prévue. Chaque appel ne vise qu'une condition : comparer plusieurs types cellulaires demande plusieurs prédictions, et le rapport reconnaît que le modèle est plus coûteux en calcul que la version 1. Žiga Avsec, responsable de la génomique chez DeepMind, a dit à The Verge qu'AlphaGenome 2 ne remplacerait pas tout de suite son prédécesseur pour cette raison.

Les poids ne sont pas publiés. Le rapport indique que le code source et les poids d'AlphaGenome 2 « seront fournis à la publication finale ». Seuls ceux d'AlphaGenome 1 se téléchargent, sur Kaggle ou Hugging Face, sous des conditions non commerciales, et le dépôt recommande au moins un GPU NVIDIA H100 pour les faire tourner, selon le dépôt alphagenome_research. Un laboratoire qui veut tout garder chez lui n'a donc, pour la version 2, que l'API ou les prédictions téléchargées.

Pour les entreprises, le billet annonce une « préversion privée » pour la recherche commerciale, sans calendrier ni conditions publiques. La FAQ renvoie les usages commerciaux vers Google Cloud. La page Google Cloud consultée le 11 novembre 2026 décrit un accès sur liste d'autorisation, un abonnement payant dont le tarif est donné par les commerciaux et un déploiement sur GPU de 80 Go ; elle ne mentionne pas encore AlphaGenome 2, d'après la documentation Google Cloud. Le billet cite Peter Donnelly, directeur général de Genomics Limited, qui prévoit d'intégrer le modèle à sa plateforme : une illustration de cet usage commercial.

Ce que les documents ne disent pas sur les données

Utiliser le conditionnement par ses propres données revient à envoyer des profils d'expression unicellulaire à un service de Google. Les conditions disent que le contenu de l'utilisateur lui reste et que Google ne publiera ni ce contenu ni les résultats sans son accord. Elles ne mentionnent, comme interdit lié à la santé, que la loi américaine HIPAA : les documents lus ne parlent pas du RGPD, ni de la durée de conservation des données envoyées. Or les données génétiques et les données de santé sont des données sensibles, dont le traitement est interdit sauf exceptions comme le consentement exprès, rappelle la CNIL. Une plateforme qui envisagerait d'envoyer des données issues de patients doit trancher la question avec son délégué à la protection des données ; rien dans la documentation ne la règle à sa place.

Pour comparaison, un modèle ouvert qui s'exécute en local évite d'envoyer des séquences à l'extérieur, comme nous l'avions relevé pour Carbon-X, le modèle de Hugging Face qui lit l'ADN ; il ne fait pas le même travail qu'AlphaGenome 2, qui prédit des pistes moléculaires et non des réponses en texte.

Les limites déclarées par DeepMind

La section de discussion du rapport est franche :

• À haute précision, le modèle ne retrouve qu'une minorité des eQTL cartographiés et des variants causaux présumés des études d'association pangénomiques (GWAS).
• Il peut sous-estimer l'effet de variants causaux, surtout hors de la chromatine accessible, sur des éléments très éloignés ou quand le mécanisme est post-transcriptionnel.
• Les états transitoires, stimulés ou pathologiques sont sous-représentés, dans l'entraînement comme dans les scores précalculés ; le modèle distingue encore mal des sous-populations fines, comme celles des neurones.
• Les conditions sont apprises sur des profils observés à l'équilibre : elles traduisent des corrélations, et on ne sait pas si le modèle prédit la réponse à l'inactivation ou à la surexpression d'un gène.

La documentation ajoute que les prédictions pour d'autres espèces, des séquences synthétiques ou de grands variants de structure ne sont pas évaluées, et que la version 2 ne fournit que des scores bruts, sans les scores en quantiles de la version 1, selon la FAQ. Et surtout, le billet, le rapport et les conditions le répètent : AlphaGenome et AlphaGenome 2 sont destinés à la recherche uniquement, n'ont été ni validés ni approuvés pour un usage clinique ou diagnostique, et ne remplacent pas un avis médical. Aucune promesse thérapeutique n'est faite par DeepMind dans ces documents.

Réactions : ce qu'on a pu lire

Les deux avis extérieurs du billet, ceux de Sarah Teichmann (université de Cambridge) et de Peter Donnelly, sont choisis et publiés par DeepMind ; le second dirige une entreprise qui compte s'en servir. The Verge n'a interrogé que des chercheurs de DeepMind. Le 11 novembre 2026 en fin d'après-midi, Le Latent n'a pas trouvé de réaction publique d'un chercheur extérieur ayant évalué le modèle. Le rapport n'est pas encore une publication définitive : ses auteurs le disent eux-mêmes en renvoyant code et poids à la « publication finale ».

Pour qui, et quoi faire

• Équipe de recherche publique (université, CNRS, Inserm, institut à but non lucratif) : l'usage est permis. Le cas le plus solide est la priorisation de variants non codants à tester, dans des types de cellules couverts par le catalogue, en vérifiant l'étiquette de chaque piste (observée, imputée, exploratoire). Une clé par personne.
• Plateforme génomique hospitalière : si l'établissement relève des organisations non commerciales listées, l'outil peut servir la recherche, jamais le rendu d'un résultat à un patient. Avant d'envoyer des données de patients par le conditionnement, voir le délégué à la protection des données.
• Biotech ou laboratoire privé : pas d'accès par l'API gratuite, même pour un projet académique en partenariat ; il faut passer par Google Cloud et la préversion privée, dont les conditions ne sont pas publiques.

DeepMind publie aussi des travaux de vérification formelle, comme la preuve du code de Signal par des agents Gemini, dont nous avions lu les hypothèses de la même façon. Les autres lectures de résultats publiés sont réunies dans les comparatifs du Labo.