← Tous les articles8 min de lecture
Actualités Tech·12 novembre 2026 · E.C.O.Tech

AlphaGenome 2 : DeepMind prédit l'effet des variants d'ADN cellule par cellule

Présenté le 11 novembre 2026, AlphaGenome 2 de Google DeepMind prédit la régulation de l'ADN cellule par cellule, et non plus par tissu. Avec 30 % des variants causaux identifiés sur TenK10K, il aide à prioriser les cibles médicamenteuses — un outil de recherche à valider, non un usage clinique.

# AlphaGenome 2 : DeepMind prédit l'effet des variants d'ADN cellule par cellule

À retenir

  • Google DeepMind a présenté le 11 novembre 2026 la deuxième génération de son modèle AlphaGenome, conçu pour prédire la régulation de l'ADN.
  • Pour les entreprises du secteur de la santé, de la biotechnologie et de la pharmacie, l'annonce dépasse la simple prouesse technique.
  • Jusqu'ici, la plupart des modèles de prédiction génomique travaillaient sur des moyennes : ils décrivaient ce qu'un variant d'ADN faisait « en général » dans un tissu donné.

Google DeepMind a présenté le 11 novembre 2026 la deuxième génération de son modèle AlphaGenome, conçu pour prédire la régulation de l'ADN. La nouveauté tient en un mot : la précision. Là où la première version raisonnait à l'échelle du tissu, AlphaGenome 2 descend au niveau de la cellule individuelle. Une variante génétique qui pèse lourd dans une cellule immunitaire peut ainsi rester sans effet dans un tissu voisin — et c'est précisément cette différence qui intéresse les chercheurs.

Pour les entreprises du secteur de la santé, de la biotechnologie et de la pharmacie, l'annonce dépasse la simple prouesse technique. Elle touche à la manière dont on identifie les cibles thérapeutiques, dont on priorise les programmes de recherche et dont on évalue le risque d'un développement médicamenteux. Comprendre ce que ce modèle fait — et ce qu'il ne fait pas — devient un exercice de veille stratégique autant que scientifique.

03Chapitre

Ce que change la prédiction par cellule

Jusqu'ici, la plupart des modèles de prédiction génomique travaillaient sur des moyennes : ils décrivaient ce qu'un variant d'ADN faisait « en général » dans un tissu donné. Le problème est que les tissus sont des mosaïques. Un échantillon de sang, de peau ou de foie contient des dizaines de types cellulaires aux comportements très différents, et une moyenne peut masquer l'effet réel d'une variante dans la seule population de cellules qui compte.

AlphaGenome 2 change d'échelle en conditionnant ses prédictions sur un profil cellulaire en plus de la séquence d'ADN. Concrètement, le modèle reçoit deux entrées : le code génétique et une description du type de cellule concerné. Il peut aussi être conditionné sur un instantané de séquençage ARN unicellulaire, ce qui permet d'étudier des états cellulaires inédits sans procéder à un réentraînement complet du modèle.

L'entraînement s'appuie sur des données moléculaires humaines et de souris, couvrant plus de 107 millions de profils de cellules individuelles répartis sur 68 tissus — une échelle large, qui ne dispense pas de valider les prédictions dans des contextes concrets.

07Chapitre

Les chiffres clés et leurs limites

Sur le jeu de données TenK10K, qui porte sur des cellules immunitaires, DeepMind annonce des progrès mesurables par rapport au système d'origine. Le modèle identifierait 30 % des variants causaux d'expression, contre 16 % pour la première version. Pour les effets directionnels sur les gènes — c'est-à-dire la capacité à dire si un variant augmente ou diminue l'expression d'un gène — le taux annoncé passe de 23 % à 43 %.

Ces chiffres méritent d'être lus avec attention. D'abord, ils concernent un jeu de données précis, centré sur l'immunologie. Les performances sur d'autres types cellulaires ou d'autres contextes biologiques ne sont pas garanties par ces seuls résultats. Ensuite, même améliorés, ces taux restent loin de la perfection : identifier 30 % des variants causaux, c'est aussi en manquer 70 %. Le modèle est un outil de priorisation, pas un oracle.

La prudence est d'ailleurs explicitement partagée par DeepMind elle-même : le système n'est pas approuvé pour un usage clinique ou diagnostique. Il s'agit d'un outil de recherche, à utiliser dans un cadre expérimental, avec des validations indépendantes. Toute organisation qui envisagerait de l'intégrer à un processus décisionnel touchant à la santé de patients doit garder cette limite en tête.

11Chapitre

Pourquoi cela compte pour la recherche et les entreprises

L'intérêt principal d'AlphaGenome 2 se situe à l'intersection de la génétique et du développement de médicaments. Les études d'association pangénomiques — les fameuses GWAS — identifient des régions de l'ADN liées à une maladie, mais elles ne disent généralement pas dans quelle cellule agit la variante en cause. Or cette information change beaucoup de choses : une variante qui agit dans un lymphocyte n'implique pas la même stratégie thérapeutique qu'une variante active dans une cellule du foie ou du cerveau.

En précisant le contexte cellulaire, la prédiction conditionnelle aide à prioriser les cibles médicamenteuses, en particulier en immunologie, où les maladies auto-immunes, les cancers et les infections mobilisent des populations cellulaires très spécialisées. Pour une entreprise de biotechnologie, cela peut signifier des programmes de recherche mieux ciblés, des hypothèses testées plus tôt et, à terme, des coûts de développement mieux maîtrisés — à condition de croiser les prédictions du modèle avec des validations expérimentales, comme des perturbations CRISPR indépendantes ou des cohortes externes.

Au-delà de la pharma, l'annonce illustre une tendance plus large : l'intelligence artificielle ne se contente plus d'analyser des données génomiques, elle commence à les interpréter dans leur contexte biologique. Les laboratoires, les centres de recherche et les start-up de la santé numérique ont tout intérêt à suivre cette évolution, car elle redéfinit ce qu'un modèle d'IA peut apporter à la R&D.

15Chapitre

Ce qu'il faut surveiller

Plusieurs points méritent une attention particulière dans les mois qui viennent. Le premier concerne l'accès : le modèle est disponible via l'API AlphaGenome pour la recherche non commerciale, tandis que la recherche commerciale est limitée à un aperçu privé. Les entreprises qui souhaitent l'utiliser devront donc clarifier leur statut d'accès avant de construire quoi que ce soit dessus.

Le deuxième point concerne la validation. Les prédictions d'AlphaGenome 2 gagnent à être croisées avec des perturbations CRISPR indépendantes et des cohortes externes avant d'orienter un programme de recherche. Un modèle, aussi performant soit-il sur un jeu de données de référence, reste une hypothèse à tester — surtout dans un domaine où une erreur d'interprétation peut coûter des mois de travail et des sommes importantes.

Le troisième point est réglementaire. La frontière entre outil de recherche et outil clinique est surveillée de près par les autorités sanitaires dans le monde entier. DeepMind a été claire sur le statut actuel de son système ; les organisations qui l'utilisent doivent s'assurer que leurs usages restent dans le cadre annoncé et suivre l'évolution des règles applicables dans leur juridiction, qu'elles opèrent en Europe, en Amérique du Nord, en Asie ou en Afrique.

### Comment intégrer ce type d'outil dans une démarche de recherche

Pour une équipe qui souhaite tirer parti d'AlphaGenome 2 — ou d'outils comparables — quelques principes pratiques s'imposent. D'abord, définir une question précise avant de lancer le modèle : quelle variante, quel type cellulaire, quelle hypothèse à tester ? Un outil de prédiction donne de meilleurs résultats quand la question est cadrée. Ensuite, prévoir dès le départ un plan de validation indépendante : perturbations CRISPR, données de cohortes externes, ou relecture par des experts du domaine. Enfin, documenter les limites : noter ce que le modèle ne couvre pas, quels types cellulaires sont mal représentés, et dans quels cas ses prédictions doivent être interprétées avec prudence. Cette rigueur méthodologique est ce qui sépare un usage sérieux d'une simple démonstration.

Il est également utile de constituer une veille structurée sur les modèles génomiques : les annonces se succèdent rapidement, et les capacités, les conditions d'accès et les limitations évoluent d'une version à l'autre. Suivre ces évolutions permet de décider au bon moment si un outil mérite d'être intégré à un flux de travail — ou s'il vaut mieux attendre la version suivante.

E.C.O. Tech accompagne les entreprises et les professionnels — laboratoires, structures de santé, centres de recherche et organisations innovantes — qui souhaitent intégrer l'intelligence artificielle à leurs activités : audit de l'existant et des besoins, veille technologique sur les outils émergents comme AlphaGenome 2, accompagnement dans le choix et l'usage des solutions adaptées, et formation des équipes pour comprendre les capacités réelles de ces modèles, leurs limites et les bonnes pratiques de validation. L'objectif est simple : aider chaque organisation à tirer parti de l'IA de manière éclairée et responsable, sans surpromesse et sans improvisation.

*Sources : SXF Brief, édition du 12 novembre 2026 (annonce Google DeepMind du 11 novembre 2026).*

Diagnostic gratuit

Vous voulez appliquer cette idée dans votre structure ?

E.C.O.Tech peut analyser votre cas, identifier l’offre la plus adaptée et proposer une feuille de route simple : visibilité, CRM, automatisation, gestion métier ou cybersécurité.

Votre avis compte

Cet article vous a été utile ? Partagez votre expérience sur notre fiche Google officielle.