AlphaGenome Atlas : Google cartographie 9 milliards de mutations

Google DeepMind étend l’IA génomique à l’échelle de toutes les substitutions possibles

Après les assistants conversationnels et les modèles capables de générer du texte, des images ou du code, l’intelligence artificielle se joue de plus en plus dans des domaines où les données ne sont pas des phrases, mais des séquences biologiques. Avec AlphaGenome Atlas, Google DeepMind annonce une carte prédictive des conséquences moléculaires de 9 milliards de variations possibles d’une seule lettre dans le génome humain.

Mise à jour du 10/09/2026 — Google DeepMind a lancé AlphaGenome Atlas le 8 septembre 2026 : cette base de données précalcule les effets moléculaires prédits des 9 milliards de variations possibles d’une seule lettre de l’ADN humain. Elle inclut le score AVI pour prioriser les variants et est accessible à la recherche académique. (deepmind.google)

Le projet est présenté dans une publication de Google DeepMind intitulée “AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome”. Son ambition est immédiatement lisible dans son titre : prendre en compte chaque changement théoriquement possible d’une lettre de l’ADN humain et estimer les effets biologiques que cette modification pourrait produire.

Le chiffre de 9 milliards renvoie à une propriété fondamentale du génome. L’ADN humain est constitué d’environ 3 milliards de paires de bases, souvent décrites comme des lettres appartenant à un alphabet de quatre nucléotides : A, C, G et T. À chacune de ces positions, une lettre peut être remplacée par l’une des trois autres. En considérant l’ensemble des substitutions possibles, on arrive à un espace de l’ordre de 9 milliards de changements ponctuels.

Dans la pratique médicale et scientifique, toutes ces variations ne sont évidemment pas observées chez des personnes. Certaines n’existent pas dans les bases de données génétiques connues, d’autres sont incompatibles avec le développement ou la survie, et beaucoup n’ont probablement aucun effet détectable. Mais l’ampleur de cet espace pose un problème central à la génétique moderne : lorsqu’un séquençage révèle une variation rare, voire inédite, comment déterminer si elle est sans conséquence, si elle modifie un mécanisme biologique, ou si elle mérite d’être étudiée comme une piste possible dans une maladie ?

AlphaGenome Atlas se place précisément à cette étape. DeepMind ne décrit pas l’outil comme un dispositif qui diagnostique une pathologie ou qui rend, à lui seul, une décision clinique. L’objectif mis en avant est de prédire des conséquences moléculaires et de permettre aux chercheurs de mieux prioriser les variants qui nécessitent des investigations supplémentaires.

Cette nuance est importante. La génétique médicale ne manque pas de séquences : les technologies de séquençage ont fait exploser la quantité de données disponibles. Le goulet d’étranglement se situe désormais largement dans l’interprétation. Identifier une différence dans l’ADN est relativement accessible ; comprendre ce qu’elle change dans une cellule, dans un tissu ou dans un organisme reste beaucoup plus difficile.

La plupart des variations observées dans un génome individuel ne conduisent pas à une explication immédiate. Certaines peuvent modifier une protéine. D’autres peuvent agir hors des régions codantes, c’est-à-dire dans des zones qui ne servent pas directement de recette à une protéine mais participent à la régulation des gènes. Elles peuvent influencer le moment, l’intensité ou le lieu où un gène est exprimé. Or une grande partie du génome relève de ces mécanismes régulateurs, souvent plus difficiles à interpréter que les seules mutations qui changent la séquence d’une protéine.

C’est sur ce terrain que l’annonce de DeepMind cherche à déplacer le débat. AlphaGenome Atlas ne propose pas simplement une nouvelle base de données de variants observés. Il entend fournir une carte prédictive couvrant, de manière systématique, les substitutions possibles à travers le génome humain. La valeur d’un tel atlas dépend donc moins de sa capacité à énumérer les mutations que de la qualité de ses prédictions sur leurs conséquences moléculaires.

Le terme « atlas » traduit aussi un changement d’échelle. Les chercheurs disposent depuis longtemps de catalogues de variants, issus de séquençages de populations, de travaux sur les maladies rares ou d’études de génétique humaine. Une carte prédictive répond à une autre logique : elle tente de fournir une estimation y compris pour des variantes qui n’ont pas encore été documentées chez l’humain ou caractérisées expérimentalement.

Dans son annonce, Google DeepMind inscrit ainsi AlphaGenome Atlas dans une approche de biologie prédictive. Il ne s’agit pas seulement d’utiliser l’IA pour rechercher plus vite dans des articles scientifiques ou assister la rédaction de code de bioinformatique. L’objectif est de modéliser les effets plausibles de changements dans le support même de l’information génétique.

Du variant découvert au mécanisme biologique : ce que l’atlas prétend accélérer

Le parcours qui relie une variation génétique à une maladie est rarement direct. Un laboratoire peut découvrir une différence de séquence chez un patient, dans une famille ou dans une cohorte, sans pouvoir conclure immédiatement sur son rôle. La variation peut être fréquente dans la population et bénigne, rare mais neutre, associée à un risque, ou causalement impliquée dans une pathologie. Elle peut aussi être classée comme une variation de signification incertaine, une catégorie qui illustre les limites actuelles de l’interprétation génomique.

AlphaGenome Atlas vise à ajouter une couche de renseignements prédictifs entre la lecture brute de l’ADN et le travail expérimental. Selon Google DeepMind, la carte cherche à prédire les effets moléculaires des changements de lettres. Cette formulation est plus précise et plus prudente qu’une promesse de prédiction directe d’une maladie : une mutation peut avoir une conséquence mesurable sur un processus moléculaire sans suffire, à elle seule, à provoquer un tableau clinique donné.

Cette distinction est essentielle en génétique humaine. Une maladie peut dépendre de plusieurs variants, de leur combinaison, de l’environnement, de l’âge, du sexe biologique, de l’état immunitaire, d’expositions passées ou encore d’éléments que les données génétiques seules ne décrivent pas. Même dans les maladies monogéniques, où une variation dans un gène est fortement impliquée, la sévérité et les manifestations peuvent varier d’une personne à l’autre.

L’intérêt opérationnel de l’outil est donc la priorisation. Face à une longue liste de variants, un chercheur peut chercher à identifier ceux pour lesquels une prédiction signale un effet moléculaire potentiellement important. Les expériences biologiques, coûteuses et lentes à déployer à grande échelle, peuvent alors être concentrées sur un nombre plus réduit d’hypothèses.

Cette approche répond à une contrainte matérielle. Tester expérimentalement une variation demande souvent de choisir un système biologique, de construire un protocole, de mesurer une expression génique, une activité cellulaire ou un autre signal, puis de vérifier que le résultat est reproductible. Les tests peuvent être très informatifs, mais ils ne peuvent pas couvrir instantanément tous les changements imaginables dans les 3 milliards de positions du génome.

Un atlas prédictif ne transforme pas pour autant une hypothèse en preuve. Google DeepMind insiste sur le fait que son usage est destiné à la recherche et à la priorisation de variants, plutôt qu’au remplacement des validations expérimentales. C’est l’un des points les plus importants de l’annonce, tant les promesses de l’IA biomédicale sont parfois comprises comme une automatisation complète de la découverte scientifique.

La publication originale de Google DeepMind présente AlphaGenome Atlas comme une « predictive map of every possible DNA letter change in the human genome » : une carte prédictive, non une démonstration expérimentale de l’effet de chaque variation.

Dans ce cadre, la sortie d’un modèle n’est pas une réponse finale, mais un signal à interpréter. Une prédiction peut aider à sélectionner un variant pour une expérience fonctionnelle, à comparer plusieurs candidats dans une région génomique, à formuler une hypothèse sur un mécanisme de régulation ou à guider une analyse plus approfondie. Elle ne dispense pas d’examiner la qualité des données, la cohérence avec les connaissances sur le gène concerné et la pertinence du modèle biologique retenu.

La portée potentielle est particulièrement forte pour les régions non codantes. Lorsqu’une variation change directement une protéine, les généticiens disposent de cadres d’interprétation relativement établis, même si les incertitudes restent nombreuses. Lorsqu’elle se situe dans une région régulatrice, les effets peuvent être plus indirects : modification de l’expression d’un gène, perturbation d’une interaction moléculaire, effet dépendant d’un type cellulaire ou d’un stade de développement. Ce sont précisément des situations dans lesquelles un modèle capable d’agréger des motifs et des relations dans la séquence peut devenir utile.

Il faut néanmoins éviter d’assimiler couverture exhaustive et certitude exhaustive. Dire qu’un système couvre 9 milliards de substitutions possibles ne signifie pas que chacune de ses prédictions possède le même niveau de confiance, ni que toutes sont adaptées à un usage identique. Les performances d’un modèle peuvent varier selon les régions du génome, les mécanismes étudiés, les données de référence disponibles et la nature de l’effet recherché.

La promesse d’AlphaGenome Atlas est donc moins celle d’un génome « expliqué » que celle d’un tri plus intelligent dans un volume de possibilités qui dépasse largement les capacités de vérification manuelle. Pour la recherche médicale, ce changement peut être conséquent : l’IA ne remplace pas le cycle hypothèse-expérience-validation, mais elle peut intervenir plus tôt dans ce cycle, au moment où il faut décider quelles hypothèses méritent les ressources limitées d’un laboratoire.

Une nouvelle étape dans la stratégie scientifique de DeepMind

AlphaGenome Atlas s’inscrit dans une trajectoire plus large de Google DeepMind dans les sciences du vivant. Le nom même de la famille « Alpha » renvoie à une stratégie désormais bien identifiée : appliquer des modèles d’intelligence artificielle à des problèmes scientifiques qui disposent de structures, de règles et de jeux de données spécifiques.

Le précédent le plus visible est AlphaFold. DeepMind avait marqué la biologie structurale avec un système consacré à la prédiction de la structure des protéines. L’importance de ce travail ne tient pas à une promesse générale d’« IA pour la science », mais à son ciblage sur une question biologique bien définie : comprendre la forme tridimensionnelle que peuvent adopter les protéines. Cette orientation a contribué à installer DeepMind comme un acteur majeur de l’IA scientifique, au-delà de ses travaux historiques sur les jeux et l’apprentissage par renforcement.

AlphaGenome Atlas intervient à un autre niveau de la biologie. Là où la structure des protéines s’intéresse notamment à l’objet moléculaire produit à partir de l’information génétique, le génome concerne les séquences qui encodent et régulent cette information. Les deux problèmes sont liés dans la biologie, mais ils ne sont pas interchangeables. Une substitution dans l’ADN peut ne pas modifier une protéine ; elle peut également affecter des mécanismes de régulation. À l’inverse, connaître la structure d’une protéine ne suffit pas à comprendre toutes les conséquences d’une variation dans les régions régulatrices du génome.

DeepMind avait également présenté AlphaMissense, un outil centré sur les variants faux-sens, c’est-à-dire des changements d’ADN susceptibles de conduire au remplacement d’un acide aminé dans une protéine. AlphaGenome Atlas élargit la perspective annoncée en s’intéressant aux changements d’une lettre à travers le génome humain, plutôt qu’à la seule catégorie des variants qui modifient une protéine.

Cette extension est significative car la génomique a longtemps privilégié les régions codantes dans l’interprétation des maladies. Ces régions constituent une faible partie du génome, mais elles sont plus directement reliées à la séquence des protéines. Les variants non codants sont plus difficiles à étudier, car leur signification dépend souvent du contexte régulatoire. Un projet qui vise toutes les substitutions possibles cherche donc à traiter un espace beaucoup plus vaste que celui des seules mutations affectant les protéines.

Le contexte concurrentiel est aussi celui d’une IA biomédicale très active. Les grandes entreprises technologiques, les laboratoires spécialisés et de nombreuses jeunes pousses développent des modèles pour les protéines, les molécules, la génomique, les images médicales ou la chimie. La différence entre ces approches réside souvent dans la tâche retenue : prédire une structure, proposer une molécule, analyser une image, annoter une séquence ou hiérarchiser des variants.

La compétition ne se mesure donc pas uniquement à la taille d’un modèle ou au nombre de paramètres annoncés. Dans les sciences du vivant, elle se joue aussi sur la qualité des données, les protocoles d’évaluation, la possibilité de reproduire les résultats et l’adoption par des équipes qui disposent d’une expertise biologique. Un outil génomique ne devient utile que s’il peut s’insérer dans des chaînes de travail existantes, où les bioinformaticiens, les généticiens, les biologistes moléculaires et les cliniciens n’ont pas les mêmes besoins ni les mêmes critères de validation.

En annonçant une carte de 9 milliards de variations possibles, Google DeepMind avance un argument de couverture et d’échelle. Mais l’enjeu de la recherche est aussi qualitatif : savoir quels mécanismes moléculaires sont bien représentés dans les prédictions et quels cas restent hors de portée. Une mutation peut dépendre d’un contexte chromosomique, cellulaire ou développemental qui ne se réduit pas entièrement à l’écriture locale de la séquence d’ADN.

Il ne faut pas voir dans l’atlas une rupture avec les approches antérieures, mais plutôt une tentative de les compléter. Les bases de données de variants observés, les études d’association génétique, les analyses de ségrégation familiale, les annotations fonctionnelles et les expériences de laboratoire restent indispensables. L’IA peut créer une couche de liaison entre ces éléments, à condition que ses résultats soient confrontés à des observations biologiques et cliniques indépendantes.

Cette stratégie scientifique est aussi une réponse au risque de banalisation des modèles généralistes. Les chatbots donnent une image très visible de l’IA, mais leur utilité directe pour résoudre des problèmes biomédicaux de haute précision est limitée lorsqu’ils ne sont pas reliés à des modèles et à des données scientifiques adaptés. AlphaGenome Atlas incarne au contraire un mouvement vers des systèmes entraînés et évalués pour une tâche spécifique, où la mesure du progrès passe par la pertinence biologique des prédictions.

Pour les laboratoires, les hôpitaux et les généticiens : une aide à l’interprétation, pas une décision automatisée

La conséquence la plus concrète d’AlphaGenome Atlas pourrait se situer dans la phase intermédiaire entre le séquençage et l’expérimentation. Les laboratoires de génétique génèrent des listes de variants. Les équipes de recherche cherchent ensuite à les annoter, à les comparer à la littérature, à les confronter à des bases de données et à déterminer lesquels doivent faire l’objet de tests plus poussés.

Dans cet environnement, un modèle prédictif peut réduire le temps consacré à examiner des candidats peu prometteurs. Il peut également faire émerger des variantes que des filtres plus classiques auraient laissées au second plan, notamment lorsque l’effet attendu ne provient pas d’une modification directe de la séquence protéique. Mais ce bénéfice dépend de la manière dont les résultats sont présentés et interprétés.

Pour être exploitable dans un contexte de recherche, une prédiction doit être accompagnée d’éléments qui permettent de la replacer dans une analyse plus large : type d’effet moléculaire anticipé, région génomique concernée, cohérence avec d’autres connaissances disponibles et, idéalement, indication des limites du signal. Sans cette contextualisation, le risque est que les utilisateurs confondent un classement algorithmique avec une certitude biologique.

Le discours de Google DeepMind sur la priorisation va dans le sens d’un usage encadré. Il reconnaît implicitement que les validations expérimentales restent la référence lorsqu’il s’agit d’établir un mécanisme. Cette prudence est particulièrement nécessaire dans le domaine médical. Une prédiction peut servir à générer une hypothèse de recherche ; elle ne doit pas être interprétée comme une conclusion clinique isolée sur un patient ou une famille.

Les généticiens connaissent déjà cette distinction dans leur pratique. Les bases de données comme ClinVar rassemblent des interprétations de variants associées à la santé, avec des niveaux de preuve et des classifications qui peuvent évoluer. Les données de fréquence de population, telles que celles rassemblées par gnomAD, aident également à déterminer si une variation est courante ou extrêmement rare. Ces ressources ne répondent pas à toutes les questions, mais elles montrent que l’interprétation génétique repose sur une accumulation de sources, pas sur un score unique.

AlphaGenome Atlas pourrait s’ajouter à cet écosystème comme une source de prédictions fonctionnelles. Son apport potentiel est plus fort lorsque les données humaines disponibles sont faibles : variant très rare, mutation jamais observée, région peu caractérisée ou mécanisme difficile à mesurer directement. Dans ces situations, l’IA peut suggérer où regarder. Elle ne crée pas à elle seule la preuve qu’un variant explique une maladie.

Pour les hôpitaux, cette limite est aussi une question de responsabilité. La génétique clinique implique le consentement des patients, la communication d’incertitudes, parfois le conseil génétique familial et des décisions de suivi médical. L’introduction de modèles prédictifs dans de tels parcours ne peut pas effacer l’expertise humaine ni les exigences de validation qui entourent les tests utilisés pour guider une prise en charge.

En France, les acteurs de la médecine génomique et de la recherche biomédicale disposent d’un intérêt évident pour des outils capables d’accélérer l’interprétation des données de séquençage. Le pays a investi dans le déploiement de la médecine génomique, tandis que les laboratoires hospitaliers, universitaires et publics produisent ou analysent des données génétiques dans le cadre des maladies rares, de l’oncologie et de nombreux projets de recherche.

Pour autant, l’adoption d’un outil conçu par un acteur technologique américain ne se résumera pas à ses performances scientifiques. Elle devra s’articuler avec des contraintes européennes sur les données de santé et les données génétiques, qui sont particulièrement sensibles. Les équipes françaises et européennes devront aussi examiner les conditions d’accès, les modalités de réutilisation, les possibilités d’évaluation indépendante et la place de l’outil dans leurs propres infrastructures de calcul et d’analyse.

La souveraineté scientifique joue également un rôle. L’Europe possède des capacités importantes en génomique, en biologie computationnelle et en santé publique, mais l’industrialisation des grands modèles scientifiques est largement portée par des entreprises disposant de ressources considérables en calcul et en ingénierie. AlphaGenome Atlas rappelle que la compétition ne porte pas seulement sur les puces ou les modèles généralistes : elle concerne aussi les plateformes de connaissances qui pourraient devenir centrales dans le travail quotidien des chercheurs.

La question de l’évaluation indépendante sera déterminante. Dans l’IA clinique et biomédicale, une démonstration interne ou une publication technologique constitue une étape importante, mais elle ne dispense pas de tester les modèles sur des cas divers, des données externes et des problèmes proches des usages réels. Les performances doivent notamment être confrontées aux biais possibles des données biologiques existantes et aux écarts entre une mesure moléculaire prédite et un effet pathologique effectivement observé.

Les limites structurelles de la prédiction génomique et les conditions d’un impact durable

L’ampleur annoncée par AlphaGenome Atlas pourrait donner l’impression que la génomique humaine est désormais cartographiée de manière complète. Ce serait une lecture excessive. Une carte de toutes les substitutions possibles est une couverture du champ des mutations ponctuelles, pas une explication totale de la biologie humaine.

D’abord, les changements d’une seule lettre ne représentent qu’une partie des variations génétiques. Le génome peut aussi connaître des insertions, des délétions, des duplications, des réarrangements ou des variations structurelles. Ces événements peuvent avoir des conséquences importantes et ne se laissent pas nécessairement décrire comme le remplacement d’une lettre par une autre. Le périmètre de 9 milliards de substitutions est gigantesque, mais il ne recouvre pas tous les types de diversité génétique.

Ensuite, l’effet d’un variant dépend du contexte. Une même séquence peut ne pas avoir la même importance dans tous les types cellulaires. L’activité d’un gène varie entre un neurone, une cellule immunitaire, une cellule musculaire ou une cellule tumorale. Elle évolue également au cours du développement et peut être affectée par des états physiologiques ou pathologiques. Une prédiction centrée sur la séquence peut être très informative, mais elle n’épuise pas les dimensions spatiales et temporelles de la biologie.

Il existe aussi une différence entre un effet moléculaire et un effet clinique. Modifier une interaction régulatrice, un niveau d’expression ou un autre mécanisme cellulaire ne signifie pas automatiquement qu’une maladie apparaîtra. Les systèmes biologiques disposent parfois de redondances et de mécanismes de compensation. À l’inverse, un effet moléculaire apparemment modeste peut devenir important dans un tissu précis ou en combinaison avec d’autres facteurs.

Ces limites ne diminuent pas l’intérêt de l’annonce ; elles définissent son bon usage. La valeur scientifique d’AlphaGenome Atlas résidera dans sa capacité à rendre des campagnes expérimentales plus rationnelles, à aider à interpréter des variants difficiles et à fournir des hypothèses testables. Elle serait mal comprise si elle était utilisée comme un oracle qui attribue mécaniquement une cause génétique à une maladie.

Le choix de DeepMind de souligner la priorisation plutôt que le remplacement des expériences est donc stratégique. L’histoire récente de l’IA en biologie montre que les modèles les plus influents ne font pas disparaître le laboratoire. Ils changent la manière dont les expériences sont choisies, ordonnées et interprétées. Une prédiction peut permettre de tester moins de pistes inutiles ; elle ne peut pas, seule, établir la causalité dans un organisme vivant.

À long terme, le succès de ce type d’atlas pourrait dépendre de son intégration dans des boucles de recherche. Un modèle formule une prédiction, une équipe réalise une expérience, les résultats confirment ou infirment l’hypothèse, puis les connaissances accumulées peuvent améliorer les méthodes d’interprétation. Ce cycle est plus lent qu’une démonstration logicielle, mais il est le cœur de la science biomédicale.

Pour les chercheurs francophones, l’enjeu est d’éviter deux écueils opposés. Le premier serait d’ignorer ces outils parce qu’ils viennent d’entreprises privées ou parce qu’ils ne fournissent pas de réponse définitive. Le second serait de les adopter comme des sources de vérité indépendantes des standards de génétique clinique et de biologie expérimentale. Entre ces deux positions, AlphaGenome Atlas peut être envisagé comme une infrastructure de recherche potentiellement puissante, à condition d’être évaluée, documentée et confrontée aux pratiques locales.

L’annonce révèle enfin un déplacement plus large du marché de l’IA. La prochaine compétition ne se limitera pas à savoir quel assistant répond le mieux à une question générale. Elle portera sur la capacité de modèles spécialisés à produire des prédictions suffisamment utiles pour modifier concrètement la recherche dans les laboratoires, le développement de médicaments et, à terme, certains parcours de santé.

Google DeepMind choisit avec AlphaGenome Atlas un territoire où la performance ne se mesure pas seulement par la fluidité d’une conversation ou la vitesse de génération d’un document. Elle se mesure par le nombre d’hypothèses biologiques mieux ciblées, par la capacité à réduire l’incertitude autour de variantes génétiques et par la qualité des validations qui suivront. Si cette carte prédictive trouve sa place dans les flux de travail des généticiens, l’IA pourrait devenir moins visible pour le grand public mais plus structurante pour la médecine de précision : non pas une machine qui remplace la recherche médicale, mais un instrument qui change l’endroit où celle-ci commence.