DeepSomatic, l’IA de Google qui affine la détection des mutations du cancer

En oncologie, connaître le nom d’un cancer ne suffit pas toujours à choisir le traitement le plus adapté. Deux tumeurs situées dans le même organe peuvent évoluer différemment parce que leur ADN ne porte pas les mêmes altérations. Le 18 octobre 2025, Google présente DeepSomatic, un outil d’intelligence artificielle destiné à mieux identifier ces modifications génétiques apparues dans les cellules cancéreuses. L’ambition est précise : extraire plus sûrement, dans l’immense volume de données produit par le séquençage, les variants qui peuvent aider les chercheurs et les médecins à caractériser une tumeur.

Les mutations somatiques, une empreinte propre à chaque tumeur

Notre ADN est copié à chaque division cellulaire. Ce mécanisme est remarquablement efficace, mais il n’est pas infaillible. Une erreur de copie peut survenir, tout comme une lésion provoquée par l’environnement. Les rayons ultraviolets, par exemple, peuvent endommager l’ADN des cellules de la peau. Au fil du temps, certaines de ces modifications s’accumulent et peuvent contribuer à la transformation d’une cellule normale en cellule tumorale.

Ces changements sont appelés variants somatiques. Ils se distinguent des variants héréditaires, aussi dits germinaux, qui sont présents dès la naissance dans une grande partie des cellules de l’organisme et peuvent être transmis au sein d’une famille. Un variant somatique apparaît au cours de la vie, dans une cellule donnée et dans les cellules qui en descendent. Il peut donc être présent dans la tumeur sans l’être dans le sang ou dans les tissus sains de la même personne.

Cette différence est déterminante en médecine de précision. Une mutation acquise par la tumeur peut constituer une cible thérapeutique, aider à anticiper la sensibilité à un traitement ou éclairer le mécanisme de développement du cancer. Mais la détecter avec fiabilité est complexe : une biopsie contient souvent un mélange de cellules tumorales et de cellules normales, et certains variants n’apparaissent qu’à une très faible fréquence.

Comment DeepSomatic analyse l’ADN tumoral

DeepSomatic s’appuie sur des réseaux de neurones convolutionnels, une famille d’algorithmes particulièrement performante pour reconnaître des motifs dans des images. Ici, l’outil ne photographie pas une tumeur. Il convertit les données brutes du séquençage en représentations visuelles structurées, qui permettent au modèle d’examiner les différences entre les fragments d’ADN lus par la machine.

Dans son fonctionnement principal, DeepSomatic compare deux ensembles de données : l’ADN provenant de cellules tumorales prélevées lors d’une biopsie et l’ADN de cellules normales du même patient. Cette comparaison aide à isoler les variations qui ne sont pas héritées et qui ont émergé dans la tumeur.

L’enjeu est d’éviter deux erreurs opposées. La première consiste à prendre pour une mutation réelle un défaut introduit lors du séquençage. La seconde consiste à écarter une véritable mutation, notamment lorsqu’elle est peu représentée dans l’échantillon. Dans certains cas, sa fréquence peut être inférieure au taux d’erreur propre à la technologie de séquençage, ce qui rend la frontière particulièrement difficile à tracer avec des méthodes classiques.

DeepSomatic peut aussi fonctionner en mode « uniquement tumeur », lorsqu’aucun prélèvement de cellules normales n’est disponible. Cette situation peut se rencontrer notamment dans certaines analyses de leucémies. L’absence d’échantillon sain rend la distinction entre variants hérités et acquis plus délicate, mais elle ne doit pas empêcher l’analyse de données déjà disponibles.

CASTLE, un jeu de données conçu pour mesurer la fiabilité

La performance d’un système d’IA dépend fortement des données avec lesquelles il est entraîné et évalué. Pour DeepSomatic, Google a collaboré avec le UC Santa Cruz Genomics Institute et le National Cancer Institute afin de créer un ensemble de référence baptisé CASTLE.

Ce jeu de données rassemble des séquences issues de cellules tumorales et de cellules normales provenant de différents échantillons. Son intérêt est de fournir une base permettant de savoir, autant que possible, quelles mutations doivent effectivement être retrouvées par les logiciels. Les données ont été obtenues avec plusieurs plateformes de séquençage, afin de réduire le risque qu’un outil paraisse performant uniquement parce qu’il s’est adapté aux défauts ou aux caractéristiques d’une technique donnée.

Cette précaution est importante. Les technologies de séquençage ne produisent pas toutes les mêmes longueurs de fragments, les mêmes profils d’erreur ou les mêmes niveaux de couverture de l’ADN. Un outil utile à grande échelle doit donc rester robuste lorsqu’il change de plateforme, de type d’échantillon ou de contexte tumoral.

L’analyse de CASTLE a également mis en évidence des signatures de mutations distinctes dans des cancers pourtant similaires. Ces signatures correspondent à des motifs d’altérations de l’ADN qui peuvent renseigner sur les processus à l’œuvre dans une tumeur. Elles peuvent, à terme, contribuer à mieux comprendre pourquoi deux cancers classés sous un même diagnostic ne répondent pas nécessairement de la même manière aux traitements.

Des résultats marquants sur les mutations les plus difficiles

Google indique que DeepSomatic surpasse les méthodes existantes sur les trois principales plateformes de séquençage évaluées. Les chiffres détaillés communiqués concernent notamment les insertions et les délétions, souvent regroupées sous le nom d’« indels ». Ces mutations sont plus complexes qu’un simple changement d’une lettre dans la séquence d’ADN : une ou plusieurs lettres génétiques sont ajoutées ou retirées.

Pour comparer les logiciels, les chercheurs utilisent ici le score F1. Cet indicateur combine deux critères : la capacité à retrouver les vraies mutations et la capacité à éviter les faux positifs. Un score élevé signifie donc un meilleur équilibre entre détection et précision.

L’écart observé sur les données Pacific Biosciences mérite une attention particulière. Les plateformes de séquençage ne donnent pas toutes lieu aux mêmes difficultés d’analyse, et un modèle entraîné à reconnaître des motifs complexes peut mieux séparer un signal biologique réel d’un artefact technique. C’est précisément sur ce terrain, celui des variants rares et des indels, que l’apport d’une IA de détection peut être le plus utile.

Une capacité d’adaptation au-delà des données d’entraînement

Un outil d’analyse du cancer ne peut pas être jugé seulement sur les échantillons qu’il a déjà vus pendant son entraînement. Les tumeurs sont diverses, y compris au sein d’un même organe, et les données disponibles en pratique ne ressemblent pas toujours aux données idéales d’un laboratoire.

DeepSomatic a ainsi été évalué sur un glioblastome, une forme agressive de cancer du cerveau qui ne faisait pas partie des cancers employés initialement pour entraîner l’outil. Selon les résultats présentés, il a correctement identifié les variants liés à la maladie. Cette capacité à analyser un type tumoral nouveau est un élément important pour juger la portée potentielle d’un système fondé sur l’apprentissage automatique.

Google a également travaillé avec Children’s Mercy, à Kansas City, sur des échantillons de leucémie pédiatrique. L’outil a retrouvé des variants déjà connus et en a identifié dix nouveaux. Ces nouvelles observations représentent des pistes génétiques à étudier, pas automatiquement de nouvelles cibles thérapeutiques validées. Il faut notamment vérifier leur présence, leur rôle biologique et leur éventuelle utilité pour guider la prise en charge.

Cette nuance est fondamentale : l’IA peut accélérer l’étape de repérage dans un flot de données difficilement exploitable à la main, mais elle ne remplace ni l’expertise des biologistes moléculaires, ni l’interprétation des oncologues, ni les essais nécessaires pour établir l’efficacité d’un traitement.

Ce que DeepSomatic peut changer pour la médecine de précision

Dans la pratique, les données génomiques d’une tumeur peuvent servir à plusieurs niveaux. Elles peuvent confirmer l’existence d’une altération déjà associée à un traitement, orienter un patient vers un essai clinique ou aider les chercheurs à classer les tumeurs selon des mécanismes biologiques plus précis que leur seule localisation dans le corps.

DeepSomatic pourrait améliorer cette chaîne de décision en apportant une liste de variants plus complète et plus fiable, y compris dans des échantillons où les signaux sont faibles. Une meilleure détection est particulièrement utile quand une mutation déterminante risque d’être manquée par un pipeline d’analyse standard. À l’inverse, une réduction des faux positifs évite de consacrer des ressources à l’étude de variations qui ne sont que des erreurs techniques.

Il ne faut toutefois pas confondre outil de recherche, évaluation computationnelle et déploiement médical. Les résultats présentés décrivent des performances d’identification de mutations sur des données de séquençage. Ils ne fournissent pas, à ce stade, de mesure de l’effet de DeepSomatic sur la survie des patients, sur le choix réel des traitements ou sur les délais de diagnostic dans les hôpitaux. Ces étapes nécessitent des études distinctes, des procédures de validation et une intégration soigneuse aux pratiques de biologie médicale.

Ce qu’il faudra surveiller

La première question sera celle de la reproductibilité. Les gains annoncés devront être confirmés sur d’autres collections d’échantillons, d’autres laboratoires et des données représentatives de la diversité des cancers et des patients. La qualité de l’ADN, les conditions de conservation des prélèvements et le choix de la plateforme de séquençage peuvent tous influencer les résultats.

La deuxième concerne l’interprétation. Trouver davantage de variants est utile seulement si les équipes médicales disposent de référentiels solides pour distinguer les mutations sans conséquence connue de celles qui peuvent réellement modifier une décision de soin. L’accumulation de données génétiques peut aussi accroître le nombre de résultats incertains à expliquer aux patients.

Enfin, l’enjeu est organisationnel. Pour que de tels outils contribuent à la médecine de précision, ils doivent s’intégrer à des parcours où se rencontrent généticiens, anatomopathologistes, bioinformaticiens et oncologues. DeepSomatic illustre ainsi une évolution majeure de l’IA en santé : sa valeur ne réside pas seulement dans la vitesse d’un algorithme, mais dans sa capacité à rendre des données complexes suffisamment fiables pour éclairer, avec prudence, les décisions humaines.