AlphaGenome Atlas : DeepMind précalcule l'effet moléculaire des 9 milliards de variantes possibles de l'ADN humain — 1 pétaoctet de réponses gratuites
🔎 La génomique bascule du calcul à la lecture
Le 8 septembre 2026, Google DeepMind a publié AlphaGenome Atlas : l'équivalent génomique de sa célèbre base AlphaFold. Concrètement, les prédictions de l'effet moléculaire des 9 milliards de variants mononucléotidiques possibles du génome humain — les 3 substitutions possibles pour chacune des ~3 milliards de positions — ont été précalculées, puis stockées dans un jeu de données d'environ 1 pétaoctet.
Le changement est brutal. Jusqu'ici, interroger un modèle génomique sur un variant exigeait de choisir ses candidats, écrire du code et payer le calcul — à chaque fois, pour chaque équipe, pour chaque question. Désormais, la réponse existe déjà, consultable gratuitement depuis un simple navigateur pour la recherche académique.
L'annonce, relayée notamment par Nature, a été résumée par Forbes avec une formule qui fait mal : « the AlphaFold playbook, with a cash register » — la recette AlphaFold, avec une caisse enregistreuse. La science est offerte ; l'infrastructure se vendra.
Et non, cet Atlas-là n'a rien à voir avec le robot humanoïde de Boston Dynamics — même si le principe est curieusement le même : une machine qui fait tout, toute seule, pendant que les humains décident quoi en faire.
L'essentiel
- 9 milliards de variants précalculés : les 3 substitutions possibles pour chaque position du génome humain (~3 milliards de paires de bases), publiées le 8 septembre 2026 par Google DeepMind.
- ~1 pétaoctet de données, soit plus de 30 fois la taille de la base AlphaFold — le catalogue le plus complet de l'effet des mutations sur la biologie moléculaire.
- Gratuit pour la recherche académique via le portail web alphagenome.google/atlas, sans une ligne de code. Également disponible via l'API AlphaGenome (GitHub) et comme skill dans Google Antigravity.
- Nouveau score AVI (AlphaGenome Variant Impact) : un seul nombre par variant, combinant AlphaGenome et AlphaMissense, couvrant les régions codantes et non-codantes.
- Résultats déjà là : un variant du gène DNM1 prédit comme perturbant l'épissage ARN a été validé expérimentalement ; +22 % d'associations non-codantes détectées sur plus de 54 000 génomes de la UK Biobank ; 19 régions génomiques potentiellement liées à l'IMC.
- L'argent : l'accès commercial passera par Google Cloud « soon », prix non annoncé (septembre 2026).
- La limite assumée : un point de départ pour la recherche, pas une preuve clinique.
Outils recommandés
| Outil | Usage principal | Prix (septembre 2026) | Idéal pour |
|---|---|---|---|
| AlphaGenome Atlas | Consulter l'effet prédit d'un variant, sans code | Gratuit (recherche académique) | Biologistes, généticiens, enseignants |
| API AlphaGenome (GitHub) | Intégrer les prédictions dans des pipelines de recherche | Gratuit (usage académique) | Bioinformaticiens, équipes de génomique |
| Skill Google Antigravity | Faire interroger l'Atlas par des agents IA | Inclus dans Antigravity | Développeurs d'agents de recherche |
| AlphaGenome sur Google Cloud Model Garden | Usage commercial du modèle de base | Déjà payant ; accès Atlas « soon », prix non annoncé | Biotechs, pharma |
Une précision honnête : le portail web couvre les substitutions d'une seule lettre. Pour tout ce qui sort de ce périmètre, l'API et le modèle restent l'outil adapté — et c'est précisément là que Google comptera facturer.
Pourquoi 9 milliards de variants, et pourquoi c'est une mini-révolution
Parce que la question « cette mutation fait quoi, au juste ? » se pose désormais à l'échelle du génome entier — et qu'aucun laboratoire ne peut y répondre à la main.
Le génome humain compte environ 3 milliards de paires de bases. À chaque position, trois substitutions sont possibles : cela fait 9 milliards de changements d'une seule lettre (IEEE Spectrum, 2026). Les tester au laboratoire, un par un ? C'est physiquement impossible, rappelle Gigazine — il faudrait des siècles de paillasse.
Le pire ? Environ 98 % de ce génome ne code pas les protéines. Ces régions non-codantes régulent l'expression des gènes et l'épissage, et l'effet des mutations y reste largement incompris (SiliconAngle, septembre 2026). Le vide à combler est gigantesque — et il est régulateur, pas codant.
Avant l'Atlas, le quotidien du chercheur ressemblait à ceci : choisir quelques variants candidats, coder, faire tourner le modèle AlphaGenome — un calcul coûteux — et recommencer. « Au départ, il semblait impossible de faire ça computationnellement », confie Avsec, membre de l'équipe, dans les colonnes d'IEEE Spectrum.
Pour rendre le précalcul possible, DeepMind a dû accélérer le calcul d'un facteur 80, via trois leviers : distillation du modèle, optimisation des kernels GPU et élimination des calculs redondants. Puis l'entreprise a fait tourner le modèle une fois. Pour tout le monde.
C'est le cœur du basculement, résumé en un tableau :
| Avant l'Atlas | Avec l'Atlas | |
|---|---|---|
| Accès | Modèle à exécuter soi-même | Table de réponses à consulter |
| Compétences | Code + accès GPU | Un navigateur |
| Couverture | Variants choisis au cas par cas | Les 9 milliards de substitutions |
| Délai | Heures à jours par lot de variants | Immédiat |
| Coût marginal | Calcul à chaque requête | Zéro (usage académique) |
Un modèle qu'on interroge cent fois, c'est de la recherche. Le même modèle exécuté 9 milliards de fois pour tout le monde, c'est de l'infrastructure. DeepMind a compris la différence — et c'est là toute l'annonce.
Le score AVI : un seul nombre pour trier 9 milliards de mutations
L'AVI (AlphaGenome Variant Impact) est un score unique par variant, obtenu en combinant AlphaGenome et AlphaMissense, qui couvre à la fois les régions codantes et non-codantes du génome.
Pourquoi ajouter un score là où il existe déjà des prédictions détaillées ? Parce qu'avec 9 milliards de lignes, le problème numéro un devient le tri. Un nombre unique par variant permet de prioriser d'un coup d'œil — c'était la fonctionnalité la plus demandée par les chercheurs, selon IEEE Spectrum.
Concrètement, l'AVI se classe best-in-class sur les benchmarks de pathogénicité et de maladies rares (AlphaSignal, 2026). Et il ne se limite pas aux 2 % de génome codant, là où les outils historiques s'arrêtaient.
Attention toutefois à ne pas surinterpréter. L'Atlas ne se réduit pas à ce score : il prédit aussi les processus moléculaires perturbés — expression des gènes, épissage de l'ARN, fonction des protéines. C'est le point souligné par le Stowers Institute, partenaire du projet : aucune ressource unique ne permettait jusqu'ici à la fois de classer les variants à l'échelle du génome et de comprendre ce qu'ils perturbent.
Un score unique, c'est un outil de tri. Les détails moléculaires, eux, restent la matière première de toute hypothèse biologique sérieuse.
DNM1, UK Biobank, IMC : des résultats concrets dès le premier jour
Oui — et c'est ce qui distingue cette annonce d'un simple communiqué : l'Atlas a déjà produit des résultats vérifiables, dont un confirmé expérimentalement.
Le cas le plus frappant vient du consortium GREGoR. Le score AVI a fait remonter un variant jusque-là négligé du gène DNM1 — fortement lié à l'encéphalopathie épileptique. Les prédictions indiquaient un site d'épissage incorrect, allongeant la protéine. Confirmation au laboratoire : c'était exact (AlphaSignal, 2026).
À l'échelle des populations, l'université d'Exeter a appliqué l'Atlas aux données whole-génome de plus de 54 000 participants de la UK Biobank. Résultat : des associations rares entre variants non-codants et niveaux de protéines, soit +22 % d'associations non-codantes supplémentaires par rapport aux analyses standard. Des signaux jusqu'ici invisibles deviennent détectables, simplement parce que la machine a déjà tourné.
Même logique pour l'IMC : en filtrant le top 1 % des variants non-codants par impact prédit, l'équipe a identifié 19 régions génomiques potentiellement liées à l'indice de masse corporelle. Pas un diagnostic ici — des pistes, hiérarchisées et prêtes à être testées.
Au Broad Institute, le score AVI a permis de prioriser un variant non-codant jusque-là ignoré, associé à un cas de maladie rare non résolue. Le consortium scientifique derrière le projet donne le ton : Google DeepMind, Stowers Institute, Broad Institute, université d'Exeter, Memorial Sloan Kettering Cancer Center et Stanford.
« AlphaGenome Atlas est un exemple puissant de la façon dont l'IA peut étendre la connaissance humaine et faire avancer la découverte scientifique », résume Pushmeet Kohli, VP Science de DeepMind et Chief Scientist de Google Cloud.
Ce que j'y vois : l'IA ne remplace pas l'expérimentation, elle la cible. Le laboratoire ne cherche plus une aiguille dans une botte de foin ; il reçoit une botte de foin déjà triée.
« The AlphaFold playbook, with a cash register » : le vrai enjeu est économique
Google applique exactement la recette AlphaFold : offrir la science, vendre l'endroit où elle vit.
La grille est limpide (Forbes, 10 septembre 2026). Gratuit pour l'usage non commercial. API GitHub pour l'académique. Skill Google Antigravity pour les agents IA. Et pour les entreprises : Google Cloud Model Garden, disponibilité « soon », prix non annoncé. Le modèle de base AlphaGenome y est d'ailleurs déjà commercial — le précédent existe.
L'analyse de Jon Markman mérite d'être citée telle quelle : Google a fait tourner le modèle une fois pour tout le monde, puis vend ce qui fait vivre la science — l'hébergement, la licence, le calcul. Le prix que fixera Google Cloud dira, noir sur blanc, ce que vaut un pétaoctet de réponses.
Ma lecture : c'est la même mécanique que celle des APIs IA gratuites de Groq, Google ou OpenRouter. Le gratuit académique n'est pas un cadeau, c'est une amorce. Il installe un standard, crée une dépendance douce, et la facture arrive au moment précis où la valeur est démontrée — quand une biotech veut industrialiser.
La question ouverte est fascinante : combien vaut, sur un marché, un pétaoctet de réponses biologiques ? La réponse de Google Cloud, dans les mois qui viennent, fixera un prix de référence pour toute la science précalculée à venir.
La limite assumée : un point de départ, pas une preuve
DeepMind le dit elle-même : les prédictions de l'Atlas sont un point de départ — les variants prometteurs exigent encore de l'expérimentation.
Rappelons ce que l'Atlas prédit : des effets régulateurs moléculaires. Pas des maladies, pas des diagnostics, pas des traitements (Gigazine, 2026). Entre « ce variant perturbe un site d'épissage » et « ce variant cause cette pathologie », il y a tout le travail biologique restant.
Le cas DNM1 montre d'ailleurs le bon usage : prédiction, puis validation expérimentale. La boucle « prédire-vérifier » n'est pas court-circuitée ; elle est accélérée. C'est la même tension que pour l'avatar IA dans le service client : automatiser le tri sans supprimer l'humain — on remplace la routine, jamais la responsabilité.
Deuxième limite, technique : le modèle de base accepte 1 million de paires de bases en entrée (SiliconAngle, 2026). Les effets qui dépassent cette fenêtre — interactions génomiques à très longue distance, remaniements structurels — restent hors du périmètre précalculé.
Troisième limite, épistémologique : un score unique par variant est par construction une compression. L'AVI dit « regarde-moi » ou « passe ton chemin » ; il ne dit pas pourquoi. Pour le pourquoi, il faut redescendre vers les prédictions détaillées, puis remonter au banc d'essai.
Mon avis : cette franchise est rare et bienvenue. Trop d'annonces IA vendent la fin du travail humain. Ici, le positionnement est clair — l'Atlas est un amplificateur de ce travail, pas son substitut.
Le précalcul massif : la prochaine stratégie par défaut de la science IA ?
Oui — « payer le calcul une fois, servir des réponses gratuites » est une recette reproductible, et elle sera copiée.
Le précédent AlphaFold l'avait esquissé : des centaines de millions de structures prédites, librement consultables. L'Atlas franchit un cran : la couverture exhaustive d'un espace combinatoire fini. Et le résultat ne pèse « que » 1 pétaoctet — du stockage banal en 2026, une fois le calcul payé.
La condition tient en une phrase : quand le nombre de requêtes futures dépasse très largement le coût d'un calcul exhaustif, le précalcul gagne. Génome humain, 9 milliards de substitutions : cas d'école. Mais la liste des candidats est longue — interactions protéine-ligand, effets de mutations sur la stabilité des protéines, ensembles climatiques, criblage de matériaux.
Le mouvement dépasse d'ailleurs largement DeepMind : OpenAI a résolu le problème de Navier-Stokes en 88 heures avec 10 000 agents IA, preuve formelle à l'appui, publiée ouvertement. La science assistée par IA ne se contente plus d'accélérer le calcul : elle industrialise la production de résultats publics.
Reste à savoir où tout cela mène. Quand un physicien quantique affirme que l'AGI est déjà là, un Atlas contenant des réponses à des questions que personne n'avait encore posées ressemble moins à un outil qu'à un avant-goût.
Le goulot d'étranglement se déplace. Hier : le calcul. Aujourd'hui : le stockage et la diffusion. Demain : la validation expérimentale — et la capacité des humains à lire 9 milliards de réponses. Devinez où les fournisseurs de cloud veulent se positionner.
❌ Erreurs courantes
Erreur 1 : prendre le score AVI pour un diagnostic
L'AVI est un score de priorisation de recherche, pas un test clinique. Aucune décision médicale ne peut reposer dessus. La solution : l'utiliser pour trier, puis passer par la validation expérimentale et les circuits cliniques habituels — sans raccourci.
Erreur 2 : interroger le modèle quand la réponse est déjà dans l'Atlas
Si vous cherchez l'effet d'une simple substitution d'une lettre, la réponse existe très probablement déjà dans l'Atlas — coder et payer du calcul serait du gâchis. La solution : consulter d'abord le portail web, et réserver l'API aux cas hors périmètre.
Erreur 3 : ignorer le non-codant sous prétexte qu'il ne « code » rien
98 % du génome est non-codant et régule l'expression des gènes. Se concentrer sur les seuls variants codants, c'est lire 2 % du livre. La solution : exploiter la couverture non-codante de l'Atlas, précisément sa principale valeur ajoutée face aux générations d'outils précédentes.
❓ Questions fréquentes
AlphaGenome Atlas est-il vraiment gratuit ?
Oui, pour la recherche académique, via le portail web alphagenome.google/atlas — aucune compétence en code n'est requise. L'API GitHub est également gratuite en usage académique. L'usage commercial, lui, passera par Google Cloud, avec un prix non annoncé à ce jour (septembre 2026).
Quelle différence entre AlphaGenome et AlphaGenome Atlas ?
AlphaGenome est le modèle d'IA, qui accepte jusqu'à 1 million de paires de bases en entrée. L'Atlas est le fruit de son exécution massive : les prédictions précalculées des 9 milliards de substitutions mononucléotidiques possibles, consultables directement. En résumé : le modèle calcule, l'Atlas répond.
Qu'est-ce que le score AVI, en une phrase ?
Un nombre unique par variant, combinant AlphaGenome et AlphaMissense, qui permet de juger d'un coup d'œil si une mutation — codante ou non-codante — mérite l'attention, avec des performances best-in-class sur les benchmarks de pathogénicité et de maladies rares (2026).
Peut-on utiliser l'Atlas avec un agent IA ?
Oui : l'Atlas est disponible comme skill dans Google Antigravity, l'environnement agentique de Google. Un agent propulsé par Gemini 3.1 Pro ou GPT-5.5 peut donc intégrer les prédictions de l'Atlas dans des workflows de recherche automatisés, sans développement spécifique côté génomique.
L'Atlas remplace-t-il les expériences en laboratoire ?
Non, et DeepMind le précise explicitement : c'est un point de départ. Le variant DNM1, prédit par l'AVI puis confirmé expérimentalement, illustre le bon workflow — l'IA propose et hiérarchise, le laboratoire tranche. La biologie de validation reste indispensable.
✅ Conclusion
En précalculant l'effet moléculaire des 9 milliards de variants possibles de l'ADN humain et en l'offrant gratuitement à la science, DeepMind change la question posée aux chercheurs : ce n'est plus « combien de calcul suis-je prêt à payer », mais « quelle question vais-je poser à ces 9 milliards de réponses » — et la facture Google Cloud à venir dira exactement ce que vaut un pétaoctet de connaissance. Si le couple IA-science vous intrigue, relisez le cas d'OpenAI et de Navier-Stokes évoqué plus haut : la recherche ne s'améliore plus, elle change de vitesse.