Google veut cartographier les 9 milliards de mutations du génome humain grâce à l’IA

Pour mon 100e article sur AdrienTech, je voulais un sujet qui représente bien la direction que prend le média : montrer comment l’intelligence artificielle peut devenir un véritable outil de recherche, et pas seulement une technologie capable de générer du texte ou des images.

Après Claude et sa participation à l’identification d’un nouveau système enzymatique, Google DeepMind vient de franchir une nouvelle étape dans le domaine de la génétique. Son nouvel outil, AlphaGenome Atlas, tente de cartographier les effets de toutes les modifications d’une seule lettre possibles dans le génome humain.

Cela représente environ 9 milliards de variantes génétiques.

Et derrière ce chiffre vertigineux se trouve une question très concrète : quelles mutations ont réellement un effet sur notre organisme ?

9 milliards de mutations à analyser

Le génome humain contient environ 3 milliards de paires de bases d’ADN. Mais une lettre peut être remplacée par une autre à pratiquement n’importe quel endroit.

Google DeepMind a utilisé son modèle AlphaGenome pour prédire les conséquences moléculaires de chacune de ces modifications possibles. Le résultat est une immense base de données baptisée AlphaGenome Atlas, qui rassemble les prédictions concernant environ 9 milliards de variants à nucléotide unique. Google DeepMind

La taille de l’ensemble est à la hauteur du projet : 1 pétaoctet de données, soit environ 1 million de gigaoctets. Google DeepMind indique que l’Atlas est plus de 30 fois plus volumineux que l’AlphaFold Database. Google DeepMind

Mais le plus important n’est pas la quantité de données.

C’est la possibilité de pouvoir enfin les exploiter rapidement.

L’IA s’intéresse aussi aux 98 % du génome que nous comprenons encore mal

Une particularité du projet est qu’AlphaGenome ne se limite pas aux parties de l’ADN qui servent directement à fabriquer des protéines.

Environ 2 % du génome humain correspond à des régions codantes. Les quelque 98 % restants sont principalement constitués de régions non codantes, qui participent notamment à la régulation de l’activité des gènes. blog.google

Ces régions sont particulièrement difficiles à étudier.

Une mutation située dans une région non codante peut par exemple modifier la manière dont un gène est activé ou désactivé sans changer directement la séquence d’une protéine.

AlphaGenome tente justement de prédire ces effets en analysant différents phénomènes moléculaires, notamment l’expression des gènes, l’épissage de l’ARN et l’accessibilité de la chromatine. Google DeepMind

Un score pour trouver les mutations les plus intéressantes

Face à 9 milliards de possibilités, le problème devient rapidement celui de la sélection.

Les chercheurs ne peuvent évidemment pas tester chaque mutation en laboratoire.

Google DeepMind a donc créé l’AlphaGenome Variant Impact Score, ou AVI. Ce score permet de classer les variants en fonction de leur impact moléculaire potentiel et d’identifier plus rapidement ceux qui méritent une analyse approfondie. Google DeepMind

C’est ici que l’utilisation de l’IA devient particulièrement intéressante.

Au lieu de demander à un chercheur de chercher une aiguille dans une gigantesque botte de foin, l’IA peut commencer par réduire la taille de la botte de foin.

Le scientifique conserve ensuite le rôle essentiel : comprendre le résultat, formuler une hypothèse et la vérifier expérimentalement.

Une application déjà utilisée pour les maladies rares

Ce n’est pas uniquement une démonstration théorique.

Des chercheurs du Broad Institute ont utilisé l’AVI pour prioriser des variants dans des recherches consacrées à des maladies rares. Dans un cas présenté par Google DeepMind, AlphaGenome a identifié une mutation du gène DNM1 susceptible de créer un site d’épissage incorrect. Des expériences ont ensuite apporté une validation expérimentale de cette prédiction. blog.google

C’est exactement le type d’utilisation qui donne du sens à ces modèles.

L’IA ne pose pas un diagnostic toute seule. Elle permet plutôt aux chercheurs de réduire considérablement le nombre de pistes à examiner.

Plus de 54 000 génomes analysés

Une autre expérience est encore plus révélatrice.

Gareth Hawkes, chercheur à l’Université d’Exeter, a utilisé AlphaGenome Atlas avec les données génomiques de plus de 54 000 participants de la UK Biobank.

En regroupant certaines variantes rares non codantes selon leurs effets moléculaires prédits par AlphaGenome, son équipe a identifié 22 % d’associations génétiques non codantes supplémentaires par rapport à l’approche utilisée comme comparaison. Google DeepMind

Les chercheurs ont notamment identifié des régions génétiques susceptibles d’être liées à la quantité de certaines protéines présentes dans le sang.

Ils ont également utilisé l’Atlas pour étudier les liens possibles entre des centaines de millions de variantes non codantes et l’indice de masse corporelle. En se concentrant sur le 1 % de variants prédits comme les plus importants, ils ont identifié 19 régions génétiques susceptibles de guider de futures recherches. Google DeepMind

Une nouvelle génération d’outils scientifiques

Ce projet rappelle fortement l’évolution que nous évoquions dans notre précédent article sur Claude et la découverte d’un nouveau système enzymatique grâce à l’IA.

Dans les deux cas, l’IA est utilisée pour explorer un espace de recherche beaucoup trop vaste pour être parcouru manuellement.

La différence est intéressante.

Claude a participé à une recherche exploratoire, en analysant des séquences et en recherchant un système biologique inhabituel.

AlphaGenome Atlas adopte une autre approche : pré-calculer les effets potentiels de milliards de mutations afin de fournir aux chercheurs une carte exploitable.

Dans les deux situations, l’IA sert donc moins à produire une réponse qu’à réduire l’espace des possibilités.

Et cette idée pourrait devenir centrale dans la recherche scientifique.

L’IA ne comprend pas encore tout notre ADN

Il faut toutefois garder une limite importante à l’esprit.

Les résultats d’AlphaGenome sont des prédictions. Ils ne signifient pas que l’IA connaît avec certitude les conséquences biologiques de chacune des 9 milliards de mutations.

La biologie est extrêmement complexe et certaines interactions restent difficiles à prédire. Des chercheurs soulignent notamment que les modèles peuvent encore sous-estimer certains effets ou avoir des difficultés à relier certaines régions régulatrices éloignées aux bons gènes. Les validations expérimentales restent donc indispensables. Live Science

L’AlphaGenome Atlas doit donc être considéré comme une carte, pas comme une vérité définitive.

Mais une carte de 9 milliards de possibilités peut déjà changer considérablement la manière dont les chercheurs travaillent.

L’IA commence à devenir un instrument scientifique

C’est probablement ce qui me paraît le plus intéressant dans cette histoire.

L’IA n’est plus seulement utilisée pour écrire un article, générer une image ou répondre à une question.

Elle commence à être utilisée pour chercher.

Chercher une mutation importante parmi des milliards de possibilités. Chercher une anomalie dans des milliers de séquences. Chercher une protéine intéressante. Chercher un phénomène astronomique dans des millions d’observations.

Dans quelques années, il pourrait devenir normal pour un chercheur de travailler avec plusieurs systèmes d’IA capables d’explorer simultanément différentes hypothèses.

Le scientifique resterait alors au centre du processus, mais avec un outil capable d’explorer une quantité de possibilités qui était auparavant tout simplement inaccessible.

Pour ce 100e article, c’est finalement une belle illustration de ce que j’ai envie de suivre avec AdrienTech : une intelligence artificielle qui ne se contente plus de produire du contenu, mais qui nous aide à explorer ce que nous ne savons pas encore.

L’IA ne connaît pas encore tous les secrets de notre ADN.

Mais elle commence à donner aux chercheurs une carte pour savoir où chercher.

À propos de l’auteur

Je suis Adrien Hassler, créateur d’AdrienTech, un média consacré à l’intelligence artificielle, aux nouvelles technologies, aux sciences, à l’astronomie et à la blockchain. Passionné par l’innovation, j’explore les technologies qui transforment notre environnement numérique et scientifique, avec l’envie de continuer à apprendre, de comprendre et de partager mes découvertes de manière accessible et documentée.