Google DeepMind a publié AlphaGenome 2, un modèle d’ADN qui prédit les effets de variants génétiques dans des types cellulaires spécifiques. Pour l’instant, il n’est accessible que via une API, et uniquement pour la recherche non commerciale.
- Google DeepMind publie AlphaGenome 2, qui prédit les effets des variants selon le type cellulaire.
- Le modèle s’adapte aux données de cellule unique sans ajustement supplémentaire.
- Il surpasse AlphaGenome 1 sur les eQTL de cellule unique et les liens amplificateur-gène.
- Il reste accessible uniquement via API, pour la recherche non commerciale.
AlphaGenome 2 est un modèle de séquence vers fonction conditionnel : il lit une fenêtre d’ADN de 1 Mb (1 048 576 paires de bases, humaines ou murines) ainsi qu’un état cellulaire cible. Son prédécesseur, AlphaGenome 1, produisait des prédictions moyennées sur des tissus entiers. Le nouveau modèle distingue des types cellulaires proches et s’adapte à des jeux de données de cellule unique (single-cell) sans ajustement supplémentaire, appelé fine-tuning.
Une architecture conditionnée par l’état cellulaire
Le modèle combine un encodeur convolutif, un transformeur de 11 blocs et un décodeur, dans une structure de type U-Net. Contrairement à AlphaGenome 1, qui prédisait en parallèle un catalogue fixe de milliers de pistes, AlphaGenome 2 produit ses sorties pour une seule condition à chaque appel. Cette condition est un vecteur de 256 dimensions qui module les activations du réseau. Selon DeepMind, le conditionnement de l’encodeur et du transformeur explique l’essentiel du gain, le seul conditionnement du décodeur ou des couches de sortie n’apportant que des progrès minimes.
L’entraînement se déroule en quatre étapes : un pré-entraînement sur des données en masse et 3 977 pistes de cellules uniques issues de 36 études, un affinage des seuls vecteurs de conditions, une distillation de 8 modèles « professeurs » en un seul modèle « élève », puis un post-entraînement qui relie un encodeur d’expression de cellules uniques à l’espace de conditions figé du modèle. Cet encodeur a été entraîné sur plus de 100 millions de profils scRNA-seq humains, issus en grande partie de CELLxGENE. Les chercheurs peuvent fournir des comptages bruts et obtenir un vecteur de condition, la documentation autorisant jusqu’à 256 cellules par appel. L’entraînement a utilisé 2 048 puces TPU v4, et les poids du modèle ne seront publiés qu’à la publication finale.
Des résultats rapportés par DeepMind
Sur les tissus du GTEx, la corrélation de Pearson médiane pour les variations d’expression entre tissus est passée de 0,61 à 0,71. Au sein des tissus, la variance de l’expression expliquée par le type cellulaire est passée de 23 % à 34 % en scRNA-seq. Le résultat principal porte sur les eQTL de cellule unique de TenK10K, couvrant 28 types de cellules immunitaires : à une précision de 90 %, AlphaGenome 2 retrouve 30 % des variants causaux, contre 16 % pour AlphaGenome 1 ajusté sur ces données. Le rappel sur la direction de l’effet grimpe de 23 % à 43 %.
Sur des données CRISPRi retenues pour l’évaluation, l’AUPRC des liens amplificateur-gène atteint 0,78, contre 0,73 pour AlphaGenome 1 et 0,61 pour un ensemble de modèles Borzoi. L’écart est le plus marqué pour les amplificateurs situés entre 100 et 2 500 kb, avec 0,62 contre 0,48. Sur un cohorte de Parkinson non vue pendant l’entraînement, le modèle atteint un rappel de 41 %, contre 17 % pour Scooby, ajusté sur cette cohorte. Ces chiffres proviennent de l’évaluation de DeepMind, qui relève aussi des limites : en dehors de la chromatine accessible, l’AUROC de prédiction du signe ne dépasse pas 0,63.
Accès et ressources
Les tutoriels Colab sont disponibles via l’API, et une clé d’API est gratuite pour un usage non commercial. La recherche commerciale est en accès privé. Le modèle est exposé dans le paquet Python alphagenome, sous alphagenome.models.v2. DeepMind a aussi publié des atlas précalculés : l’un couvre les liens amplificateur-gène pour 640 conditions de cellules primaires, l’autre score environ 7 millions de variants courants et GWAS sur 510 conditions.
