L’essentiel
- Google DeepMind a mis en ligne le 8 septembre AlphaGenome Atlas, un catalogue de prédictions couvrant les 9 milliards de mutations d’une seule lettre possibles dans l’ADN humain.
- L’ensemble pèse 1 pétaoctet, plus de 30 fois la taille de la base AlphaFold, et s’ouvre gratuitement à la recherche académique via un portail web, l’API AlphaGenome et un skill dans Google Antigravity.
- Un score unique, l’AlphaGenome Variant Impact (AVI), fusionne les sorties d’AlphaGenome et d’AlphaMissense pour classer les variants du plus au moins impactant.
Google DeepMind a mis en ligne le 8 septembre un pétaoctet de prédictions génomiques déjà calculées. Neuf milliards de mutations possibles de l’ADN humain, chacune assortie d’un pronostic sur ses effets moléculaires. Le modèle qui produit ces pronostics existait depuis des mois : ce qui bascule aujourd’hui, c’est qu’il n’y a plus rien à lui demander.
Précalculer au lieu d’interroger
Le modèle AlphaGenome, sorti plus tôt, prédit comment une variation génétique perturbe les processus biologiques d’une cellule. On lui soumettait un variant, il rendait une estimation. L’usage restait celui d’un outil : un chercheur, une question, une réponse. AlphaGenome Atlas inverse le geste. Les prédictions ont été calculées à l’avance pour toutes les substitutions d’une seule lettre imaginables, et déposées dans un portail que l’on consulte sans écrire une ligne de code.
La bascule paraît technique, elle est d’usage. Tester ces neuf milliards de mutations en laboratoire est hors d’atteinte, DeepMind le rappelle lui-même pour justifier le projet. Ce vide, pourtant, n’est pas comblé par de la mesure mais par du calcul. Or un calcul rangé dans une base de données perd le statut d’hypothèse qu’il avait tant qu’il fallait le demander à un modèle.
La diffusion suit trois canaux : le portail web pour l’usage manuel, l’API AlphaGenome pour l’intégration dans des pipelines d’analyse, et un skill dans Google Antigravity, c’est-à-dire une capacité qu’un agent logiciel peut appeler tout seul. Le troisième canal permet à une chaîne automatisée d’aller chercher un score sans qu’un humain lise la notice qui l’accompagne.
D’autres ont pris la voie inverse : l’Arc Institute a publié les poids d’Evo 2, un modèle de génomique de 40 milliards de paramètres qui note lui aussi l’effet d’un variant, mais que chaque équipe fait tourner chez elle. DeepMind, lui, distribue le résultat plutôt que l’outil, et fixe du même coup la valeur de référence.
Un seul nombre pour trier neuf milliards de mutations
Pour rendre cette masse manipulable, DeepMind publie l’AlphaGenome Variant Impact, l’AVI. Il condense en une valeur les prédictions d’AlphaGenome et celles d’AlphaMissense, le modèle maison consacré aux variants qui modifient les protéines. L’objectif affiché est le tri : repérer vite, dans une liste de candidats, les changements les plus susceptibles de compter.
Un score unique est ce qu’un chercheur pressé attend, et c’est aussi ce qui circule le mieux. Il se copie dans un tableur, se trie par ordre décroissant, se glisse dans une figure. Les nuances du modèle qui l’a produit, elles, ne voyagent pas. Un rang devient un verdict.
AlphaFold, un précédent qui ne se transpose qu’à moitié
DeepMind assume la filiation et donne lui-même l’échelle. En 2022, l’extension de la base AlphaFold a fait passer la communauté d’environ 190 000 structures protéiques déterminées expérimentalement à plus de 200 millions de structures prédites, couvrant la quasi-totalité des protéines cataloguées. La ressource s’est imposée en quelques mois comme un point de passage obligé des sciences du vivant.
La même dynamique attend l’atlas génomique, avec une différence de nature. Une structure prédite se confronte assez directement à l’expérience. Un effet moléculaire de variant, lui, ressemble déjà à une interprétation, ce mot que les laboratoires de génétique clinique emploient pour désigner la partie la plus disputée de leur travail. DeepMind précise d’ailleurs que ses collaborateurs externes ont vérifié expérimentalement les variants repérés grâce à l’atlas dans des cas de maladies rares non résolues. La vérification reste donc le juge. Elle ne suivra pas au même rythme que la consultation.
Du portail académique au dossier patient
D’ici six à douze mois, l’AVI devrait s’installer comme filtre de première passe dans les pipelines de tri de variants des laboratoires académiques : il ne coûte rien et s’appelle par API. Un an plus tard, il apparaîtra en méthodes dans les publications, puis en argument secondaire dans des discussions de cas. À partir de là, la distance entre une prédiction et un élément de dossier tiendra à la mention explicite de son origine.
Rien de tout cela ne suppose un événement spectaculaire. Il suffit que l’accès reste gratuit pour l’académique et que le skill Antigravity banalise l’appel automatisé. La bascule se produira le trimestre où un compte rendu de génétique clinique citera une valeur d’AVI sans préciser qu’elle sort d’un modèle. Personne n’aura triché : le chiffre était public, stable et facile à retrouver.
Trois freins que DeepMind n’a pas posés
Aucun des trois n’est insurmontable, et tous se lisent dans l’annonce elle-même. L’incertitude n’est pas mise au même niveau que le score, alors qu’elle décide de tout dans un usage médical. La version du modèle ayant produit une prédiction donnée n’est pas présentée comme une donnée à citer, alors qu’un atlas précalculé sera recalculé un jour et que les rangs bougeront. Enfin, rien ne distingue visuellement, une fois le chiffre extrait du portail, une prédiction d’une mesure.
Vous pouvez tester la solidité de tout cela sans attendre. Prenez un variant que votre équipe a déjà caractérisé en laboratoire, comparez son AVI au résultat expérimental, et regardez surtout ce que le portail vous dit de sa fiabilité. Si le portail ne vous répond qu’un rang, vous savez déjà comment ce chiffre quittera votre écran pour finir dans une décision.
Neuf milliards de prédictions gratuites vont accélérer des travaux qui piétinaient, et sauver du temps sur des maladies rares que personne n’arrivait à expliquer. Elles vont aussi installer, dans un domaine où l’erreur se paie en diagnostics, une couche de chiffres que plus personne n’aura le réflexe de questionner. Les deux effets viennent ensemble, et le second arrive toujours plus tard que le premier.
Mon avis
Je m’attends à lire une valeur d’AVI citée comme une donnée dure dans une publication clinique avant l’été 2027, sans mention du modèle qui l’a produite. La responsabilité n’en reviendra ni à DeepMind ni à la qualité de ses prédictions : un chiffre gratuit, exhaustif et classable finit toujours par circuler sans sa notice. Ce qui me gêne dans ce lancement, c’est l’absence de frein délibéré, un intervalle affiché à côté du score, une version de modèle obligatoire à citer, quelque chose qui rende la prédiction reconnaissable une fois sortie du portail. Tant que ce frein manque, l’atlas rendra d’immenses services et fabriquera des erreurs que personne ne saura retracer.
