Le 8 septembre 2026, Google DeepMind a publié AlphaGenome Atlas : une carte gratuite et précalculée qui note chacun des ~9 milliards de changements possibles d'une seule lettre dans l'ADN humain. Au lieu de lancer un modèle, un chercheur saisit un variant et lit la prédiction.
Le chiffre phare est le score AVI (AlphaGenome Variant Impact) : un chiffre par variant, qui classe la probabilité qu'un changement compte. Il fonctionne aussi bien pour les 2 % du génome qui codent des protéines que pour les 98 % qui n'en codent pas, justement la partie que la science a eu le plus de mal à lire.
C'est réellement utile et réellement limité. Les laboratoires peuvent désormais consulter en quelques secondes ce qui exigeait autrefois du calcul sur mesure ou du travail en laboratoire, mais les scores sont des prédictions, pas des preuves, et DeepMind est explicite : il n'est pas destiné au diagnostic clinique. La leçon plus profonde, celle qui dépasse la génomique, concerne le conditionnement : ce qui compte ici n'est pas un nouveau modèle, mais un modèle difficile transformé en quelque chose qu'on peut simplement utiliser.
Ce qu'est vraiment AlphaGenome Atlas
AlphaGenome Atlas est une base de données, pas un chatbot. DeepMind a pris son modèle AlphaGenome et l'a exécuté de façon exhaustive sur le génome humain, puis a stocké chaque résultat. Le produit est ce qu'ils appellent « le catalogue le plus complet de la façon dont les mutations génétiques affectent la biologie moléculaire », et il est énorme : environ 1 pétaoctet de prédictions, plus de 30 fois la taille de l'AlphaFold Database.
L'échelle est tout l'enjeu. Pour chaque variant, l'Atlas contient des milliers de prédictions d'effets moléculaires couvrant des centaines de types cellulaires et de tissus humains et murins. Demis Hassabis, de DeepMind, a formulé l'ambition sans détour :
"With AlphaFold we mapped the protein universe - now with AlphaGenome Atlas we're charting the human genome..."
Deux noms à associer au travail : il est attribué à Pushmeet Kohli, vice-président Science de DeepMind, et à Žiga Avsec, qui dirige ses travaux de génomique.
Le problème visé : les 98 % que nous ne savions pas lire
Voici le contexte qui rend cela important. Seuls environ 2 % du génome humain codent des protéines. Les ~98 % restants sont de l'ADN non codant, la partie qui décide quand, où et avec quelle intensité les gènes s'allument et s'éteignent.
C'est un problème, car la plupart des variants liés à des maladies que révèlent les études d'association pangénomique se trouvent précisément dans cet espace non codant, où l'effet restait historiquement un mystère. Un tel variant reçoit une étiquette frustrante : « variant de signification incertaine ». On le voit, mais on ne peut pas dire ce qu'il fait. Avant l'Atlas, en résoudre un revenait à lancer soi-même le modèle ou à faire un travail de laboratoire lent et coûteux.
L'argument est qu'on peut maintenant classer les variants selon leur impact prédit au lieu de tous les tester. Julia Zeitlinger, du Stowers Institute, a bien décrit l'effet :
"gives us a searchable dictionary for non-coding DNA"
Le score AVI : un chiffre pour n'importe quel variant
Ce qu'on lit réellement dans l'Atlas, c'est le score AlphaGenome Variant Impact (AVI), un chiffre unique décrivant l'importance prédite d'un changement. L'astuce est qu'il combine deux modèles : AlphaGenome pour les effets régulateurs (non codants) et AlphaMissense pour les effets modifiant les protéines (codants). Un variant codant et un variant non codant ressortent donc sur la même échelle et se comparent directement.
L'échelle est logarithmique, ce qui se lit facilement de travers, voici donc la version simple :
| Score AVI | Ce que cela signifie, en gros |
|---|---|
| 10 | Parmi les 10 % de variants les plus impactants du génome |
| 30 | Parmi les ~1 variant sur 1 000 les plus forts |
Et ce n'est pas un chiffre de boîte noire. Chaque score AVI se décompose en contributions additives issues de catégories interprétables comme l'accessibilité de la chromatine, l'épissage et la conservation, ce qui permet de voir quel processus moléculaire un variant perturberait, et pas seulement qu'il perturbe quelque chose. DeepMind indique que le score offre « best-in-class performance across many variant pathogenicity and rare-disease benchmarks. »
Sous le capot : comment AlphaGenome lit l'ADN
L'Atlas est une table de consultation, mais ce qui l'a remplie est le modèle AlphaGenome, publié pour la première fois en juin 2025. Il vaut la peine de comprendre comment il lit un génome, car c'est sur cela que reposent les scores.
Le modèle prend un segment de 1 million de paires de bases d'ADN à la fois et le fait passer dans une architecture de type U-Net avec une tour Transformer centrale, une forme encodeur puis décodeur empruntée en partie à AlphaFold. Le long contexte permet de relier un interrupteur régulateur à un gène situé loin sur le brin, et il produit des prédictions jusqu'à la résolution d'une seule paire de bases. À partir de ce seul passage, il prédit sur 11 modalités génomiques fonctionnelles, dont l'expression des gènes, l'épissage de l'ARN, l'accessibilité de la chromatine et le repliement du génome. En plus des scores de variants, l'Atlas répertorie aussi plus de 2 500 motifs d'ADN récurrents avec leurs positions dans le génome.
L'Atlas ou exécuter soi-même le modèle
Si AlphaGenome existait déjà, pourquoi construire l'Atlas ? Pour la vitesse et l'accès. Exécuter en direct un modèle de cette taille, un variant à la fois, convient à une poignée de requêtes et est sans espoir pour un travail à l'échelle du génome. Tester ainsi les 9 milliards de changements possibles n'est tout simplement pas faisable.
DeepMind a donc précalculé les réponses. Cette seule décision transforme un modèle de recherche en quelque chose qu'un biologiste peut utiliser un mardi après-midi. Jonathan Sebat, généticien psychiatrique à l'UC San Diego, a décrit simplement l'effet au quotidien :
"Our own workflows in the lab can be streamlined quite a bit because we don't actually have to compute anything. We literally can just look up everything."
Ce passage à la consultation s'est déjà vu dans des travaux réels. Une équipe du Broad Institute, avec le GREGoR Consortium, a utilisé des scores AVI pour prioriser un variant non codant comme cause candidate d'une épilepsie sévère chez un patient. Dans un cas voisin, la prédiction a même pointé le mécanisme : un variant qui créait un site d'épissage incorrect.
Comment l'utiliser concrètement
Il y a trois façons d'y accéder, selon qui vous êtes.
| Voie d'accès | Pour qui / coût | Idéal pour |
|---|---|---|
| Portail web sans code | Académique, gratuit | Consulter un variant sans aucun code |
| API AlphaGenome (GitHub) | Non commercial, gratuit (Apache 2.0) | Analyses sur mesure de petite à moyenne échelle |
| Google Cloud Model Garden | Licence commerciale | Entreprises, découverte de médicaments |
Pour la plupart des chercheurs, le portail est l'essentiel : on saisit un variant sur un site web et on lit le score AVI avec le détail par modalité, sans compétence en programmation. Pour l'automatiser, l'API est un paquet Python (dna_client, avec les appels predict_variant et score_variant) gratuit pour un usage non commercial. L'accès compte déjà clairement dans le domaine : DeepMind indique qu'environ 9 000 chercheurs avaient utilisé AlphaGenome via l'API avant même que l'Atlas le rende accessible d'un clic.
Où il s'arrête
C'est la partie que beaucoup de couvertures du jour du lancement ont survolée, et c'est la section la plus importante pour qui doit décider dans quelle mesure se fier à un score.
DeepMind est franc : l'Atlas n'est approuvé pour aucun usage clinique et ne remplace pas un diagnostic professionnel. C'est un outil de priorisation. Et il est moins précis que son célèbre cousin : des experts notent que l'Atlas est bien moins précis que la base AlphaFold, bien qu'il soit beaucoup plus vaste, car prédire la régulation des gènes est un problème plus bruité que prédire la structure des protéines. Martin Kircher, du Max Delbrück Centre, en a donné une lecture équilibrée :
"This is a useful and generous way to scale up access to a strong model" ... it "won't replace experiments or, in the case of diagnosing disease, accounting for differences specific to individuals."
L'examen le plus tranchant est venu de praticiens sur Hacker News, et il mérite d'être entendu. Un commentateur manifestement formé en biologie a contesté l'idée que des scores par variant se traduisent proprement en valeur médicale :
"on their own, with the exception of a few diseases, individual SNP predictions are meaningless in terms of actual pathogenicity."
Un autre a soulevé un piège méthodologique subtil : si les étiquettes du benchmark s'appuient sur la conservation évolutive, un modèle peut sembler bon en partie en relisant un signal qu'on lui avait déjà donné. Et un thème récurrent était que les cartes de variants isolés manquent la biologie qui n'apparaît que lorsque plusieurs changements interagissent, ce qu'un score variant par variant ne peut pas capter. Rien de tout cela ne rend l'Atlas inutile ; cela en fait ce que DeepMind dit qu'il est : un point de départ plutôt qu'une réponse.
Ce que cela signifie si vous construisez avec l'AI
J'écris ceci du côté logiciel, pas du laboratoire, et ce qui m'est resté n'est pas la génomique. C'est la décision produit qui la sous-tend.
AlphaGenome a existé plus d'un an comme API. Puissant, et surtout accessible à ceux qui savaient monter du calcul et écrire du Python. L'Atlas n'a pas rendu le modèle plus intelligent. Il a fait le gros du travail en amont et l'a enveloppé dans quelque chose qu'on peut simplement utiliser, de sorte qu'un biologiste consulte une réponse au lieu de l'obtenir à force d'ingénierie. Cet écart entre « voici un modèle capable » et « voici une chose qui fait le travail » est l'endroit où la plupart des AI sont adoptées ou abandonnées.
C'est exactement le schéma qui nous importe chez eesel. Un modèle brut est de l'infrastructure ; ce qu'une équipe recrute, c'est un employé. eesel est une plateforme de teammates AI, et les teammates arrivent prêts à travailler : aujourd'hui, un teammate AI de helpdesk qui rejoint votre file de support en connaissant déjà votre centre d'aide, et un rédacteur de blog AI. Vous ne câblez pas un modèle en espérant le meilleur ; la configuration difficile est faite pour que le teammate soit utile dès le premier jour, comme l'Atlas est utile dès qu'on y arrive.
Essayer eesel
Si AlphaGenome Atlas est une leçon pour rendre un modèle puissant réellement utilisable, c'est toute l'idée d'eesel pour les équipes de support et de contenu. Plutôt que de vous donner un modèle et une configuration vide, eesel vous donne un teammate qui connaît déjà votre contexte, et vous laisse le mettre à l'épreuve avant qu'il ne touche un client, en simulant sur vos vrais tickets passés.
Et comme beaucoup d'équipes pilotent désormais leurs outils depuis un terminal ou un agent de code, il existe une CLI eesel : le même teammate et le même espace de travail que vous gérez dans le tableau de bord, pilotés en ligne de commande. Une personne peut l'utiliser directement, un script peut l'automatiser, et des agents de code comme Claude Code, Codex ou Cursor peuvent la manier : inspecter les instructions d'un teammate, envoyer un message de test, relire des résultats structurés et proposer une modification bornée à faire approuver par un humain. C'est la philosophie sans câblage et de la consultation, appliquée à l'automatisation du support. Vous pouvez essayer eesel gratuitement.
Questions fréquentes
Qu'est-ce qu'AlphaGenome Atlas ?
AlphaGenome Atlas est une base de données gratuite de Google DeepMind, lancée le 8 septembre 2026, qui précalcule l'effet moléculaire prédit de chaque changement possible d'une seule lettre dans l'ADN humain. Elle couvre environ 9 milliards de variants d'un seul nucléotide et attribue à chacun un score AlphaGenome Variant Impact (AVI) consultable sans écrire de code.
Que signifie le score AVI ?
Le score AlphaGenome Variant Impact est un seul chiffre qui classe l'ampleur de l'effet prédit d'un variant sur la fonction. Un AVI de 10 place un variant parmi les 10 % les plus impactants du génome ; un AVI de 30, parmi environ 1 sur 1 000 les plus forts. Il combine les modèles AlphaGenome et AlphaMissense, de sorte que les variants codants et non codants se retrouvent sur une même échelle.
AlphaGenome Atlas est-il gratuit ?
Oui pour un usage académique et autre usage non commercial, via le portail web sans code comme via l'API AlphaGenome sur GitHub (Apache 2.0). Un usage commercial, comme la découverte de médicaments, nécessite une licence via le Model Garden de Google Cloud.
AlphaGenome Atlas peut-il diagnostiquer une maladie ?
Non. DeepMind indique que l'Atlas n'est ni validé ni approuvé pour un usage clinique et ne remplace pas un diagnostic professionnel. C'est un outil de priorisation pour la recherche, qui classe les variants qui valent la peine d'être étudiés, et toute conclusion doit encore être confirmée expérimentalement.
En quoi AlphaGenome Atlas diffère-t-il d'AlphaFold ?
AlphaFold prédit des structures de protéines ; AlphaGenome prédit comment la séquence d'ADN, y compris les 98 % non codants du génome, régule l'activité des gènes. Le jeu de données de l'Atlas est environ 30 fois plus volumineux que l'AlphaFold Database, à environ 1 pétaoctet, mais DeepMind précise que prédire la régulation des gènes est un problème plus difficile et que l'Atlas est moins précis qu'AlphaFold.