L'unité de recherche DeepMind de Google LLC a annoncé aujourd'hui avoir utilisé son modèle d'intelligence artificielle AlphaGenome pour prédire les conséquences biologiques de plus de 9 milliards de modifications possibles d'une seule lettre dans l'ADN humain.
La base de données résultante est mise gratuitement à la disposition des chercheurs du monde entier via l'Atlas AlphaGenome, publié aujourd'hui. L'AlphaGenome Atlas est un catalogue précalculé de la façon dont chaque substitution d'une seule base d'ADN est susceptible d'avoir un impact sur la machinerie qui active et désactive les gènes. Il contient plus d'un pétaoctet de données, soit environ 30 fois la taille de la base de données AlphaFold de Google.
Dans un article de blog, DeepMind a déclaré que cela devrait contribuer à accélérer considérablement la recherche génétique. Auparavant, les chercheurs devaient le faire manuellement en exécutant un modèle sur chaque variante, une à la fois, ou en testant les variantes en laboratoire. Mais ce fut un processus incroyablement lent, et il aurait fallu plusieurs vies humaines pour découvrir les conséquences de l’ensemble des 9 milliards de mutations possibles d’une seule lettre.
Avec l'Atlas, le travail des biologistes et des chercheurs en médecine devrait être beaucoup plus facile, en les aidant à comprendre les maladies génétiques et en accélérant la recherche de remèdes possibles. Google le rend gratuit pour les chercheurs non commerciaux via un portail Web, ainsi que via l'interface de programmation d'application AlphaGenome existante et en tant que compétence dans Google Antigravity. Plus tard, dit DeepMind, il offrira également un accès commercial, via un service Google Cloud.
L'Atlas AlphaGenome s'appuie sur le lancement du modèle AlphaGenome de DeepMind en janvier. Avec AlphaGenome, les chercheurs peuvent prendre jusqu'à 1 million de lettres d'ADN et prédire des milliers de mesures moléculaires, notamment l'expression des gènes, l'accessibilité de la chromatine et l'épissage de l'ARN. La revue Nature a rapporté qu'AlphaGenome a surpassé les principaux modèles non spécialisés dans 25 des 26 références de prédiction des effets variables.
Désormais, DeepMind transforme les prédictions d'AlphaGenome en une ressource complète beaucoup plus facile d'accès. Auparavant, les chercheurs devaient soumettre des variantes via une API, ce qui nécessite un certain niveau de connaissances en codage.
Cela explique pourquoi seulement 9 000 chercheurs environ ont utilisé l’API depuis le lancement d’AlphaGenome. Avec l'AlphaGenome Atlas, DeepMind rend essentiellement disponibles tous les résultats d'AlphaGenome en même temps, ainsi qu'une interface basée sur un navigateur permettant aux chercheurs de les explorer.
DeepMind a également introduit ce qu'il appelle le score AlphaGenome Variant Impact, ou score AVI, qui combine les prédictions d'AlphaGenome avec les résultats d'AlphaMissense, un modèle pour examiner les variantes altérant les protéines. L’idée est de condenser les effets biologiques prévus d’une variante en un seul chiffre, qui indique aux chercheurs lesquels ils doivent prioriser dans leurs investigations.
Les collaborateurs ont testé cette approche sur un certain nombre de questions concernant les maladies et la génétique des populations. Des chercheurs de l'Université d'Exeter ont utilisé les prédictions de l'Atlas pour rechercher des variantes rares et non codantes qui affectent le niveau de protéines dans le sang humain. En filtrant les candidats en fonction de leur effet moléculaire prévu, ils ont produit 22 % d'associations en plus que la même analyse effectuée sans utiliser l'Atlas. Dans un cas, ils ont réduit une région de 526 candidats à seulement quatre.
« Le génome humain est un immense espace de recherche », a déclaré Gareth Hawkes, membre du Conseil de recherches médicales de l'Université d'Exeter. « Nous pouvons l'utiliser pour réduire la botte de foin. »
Pendant ce temps, des chercheurs du Stowers Institute for Medical Research ont utilisé les prédictions d'Atlas pour trier les facteurs de transcription en fonction de leur action dans différents types de cellules. Par exemple, ils ont séparé les répresseurs qui laissent l’ADN toujours accessible mais empêchent l’activation d’un gène. Sans Atlas, cartographier ces facteurs « n’aurait pas été possible », a déclaré la chercheuse Julia Zeitlinger, car faire le même travail par le biais d’expériences est tout simplement trop laborieux.
Alors qu'AlphaGenome Atlas devrait accélérer considérablement la recherche biologique, Žiga Avsec, responsable de la génomique de DeepMind, a averti que ses prédictions ne devraient pas être considérées comme un substitut direct aux preuves expérimentales. Bien qu'AlphaGenome fonctionne bien pour certains types de variantes, telles que celles affectant les promoteurs ou l'épissage, il ne fonctionne pas aussi bien avec d'autres, notamment les activateurs. Il a noté que les prédictions de l'Atlas ne sont pas aussi précises que celles obtenues par le modèle AlphaFold de DeepMind en matière de prédiction de la structure des protéines.
Dans un article publié dans Nature, DeepMind décrit AlphaGenome Atlas comme un outil de recherche qui ne doit être utilisé que pour faire partie d'un diagnostic clinique. Il note qu'il existe encore des lacunes dans ses données de formation qui limitent sa capacité à comprendre les effets indirects, tels que les changements dans le niveau de protéines régulatrices.
Pour cette raison, les prédictions d’AlphaGenome doivent être considérées davantage comme un guide pour les chercheurs. Ils sont « suffisamment précis pour nous orienter réellement dans la bonne direction pour les études en aval », a déclaré Avsec. Mais ils ne devraient « pas être traités comme la vérité universelle ».
