Skip to content
Stork.AIstork.ai
Outil d'IA

Revue AlphaMissense

AlphaMissense est un modèle d'IA développé par Google DeepMind qui prédit la pathogénicité des variants faux-sens en combinant le contexte structurel et la conservation évolutive.

shipped 2 avr. 2026aifreemium
ai
AlphaMissense - AI tool for alphamissense. Professional illustration showing core functionality and features.

Pourquoi c'est important

1Prédit la pathogénicité pour plus de 216 millions de changements possibles d'un seul acide aminé à travers 19 233 protéines humaines.
2Atteint 90 % de précision dans la classification des variants sur une base de données de variants de maladies connus.
3A classé 89 % des 71 millions de variants faux-sens possibles, prédisant 57 % comme probablement bénins et 32 % comme probablement pathogènes.
4Publié par Google DeepMind en septembre 2023, avec des données disponibles sous une licence CC BY v. 4 depuis le 13 mars 2024.

Stork’s verdict on AlphaMissense

AlphaMissense couvre 71 millions de variants faux-sens possibles, mais sa précision dépend du gène.

overview

Qu'est-ce qu'AlphaMissense ?

AlphaMissense est une méthode d'apprentissage profond développée par DeepMind qui permet aux chercheurs, cliniciens et scientifiques de prédire la pathogénicité des variants faux-sens dans les protéines humaines. Elle classe ces changements d'un seul acide aminé comme probablement bénins, ambigus ou probablement pathogènes, fournissant une ressource cruciale pour la recherche génétique et le diagnostic clinique. L'outil analyse les mutations faux-sens, qui sont des changements d'un seul acide aminé dans les protéines pouvant affecter la fonction protéique et potentiellement entraîner des maladies. AlphaMissense fournit un score de pathogénicité allant de 0 (bénin) à 1 (pathogène) pour plus de 216 millions de changements possibles d'un seul acide aminé à travers 19 233 protéines humaines. Cette ressource contribue à accélérer la recherche sur les maladies en découvrant des mutations pathogènes et des gènes de maladies jusqu'alors inconnus, à améliorer le diagnostic des maladies rares en hiérarchisant les variants à tester, et à éclairer la manière dont des changements spécifiques d'acides aminés impactent la fonction protéique. Elle contribue également à la compréhension des traits complexes influencés par de multiples facteurs génétiques et guide les biologistes moléculaires dans la conception d'expériences en fournissant un aperçu des résultats pour des milliers de protéines, optimisant ainsi l'allocation des ressources.

features

Fonctionnalités clés d'AlphaMissense

AlphaMissense intègre plusieurs capacités techniques pour fournir une analyse complète des variants faux-sens dans les protéines humaines.

  • Prédit la pathogénicité des variants faux-sens dans les protéines humaines.
  • Classe les variants comme probablement bénins, ambigus ou probablement pathogènes.
  • Combine le contexte structurel dérivé d'AlphaFold et les données de conservation évolutive.
  • Identifie les points chauds et froids mutationnels au sein des structures protéiques.
  • Examine les mutations faux-sens à travers 19 233 gènes codant des protéines humaines.
  • Comprend des fonctionnalités pour l'analyse, la visualisation, la validation et l'évaluation comparative des prédictions de mutations faux-sens.
  • Utilise une adaptation de l'architecture d'apprentissage profond d'AlphaFold.
  • Affûté sur des bases de données de fréquences de variants de populations humaines et de primates.

use cases

Qui devrait utiliser AlphaMissense ?

AlphaMissense est conçu pour les professionnels engagés dans la recherche génétique, le diagnostic clinique et la biologie moléculaire qui nécessitent des prédictions précises de la pathogénicité des variants faux-sens.

  • Chercheurs : Pour accélérer la recherche sur les maladies, découvrir des mutations pathogènes inconnues et étudier les mutations faux-sens dans les gènes codant des protéines humaines.
  • Cliniciens : Pour aider au diagnostic des troubles génétiques rares en hiérarchisant les variants à tester et en fournissant des informations sur leur signification clinique.
  • Scientifiques en biologie moléculaire, génétique clinique et statistique : Pour prioriser les ressources, accélérer les études et comprendre les effets moléculaires des changements spécifiques d'acides aminés sur la fonction protéique.
  • Bioinformaticiens : Pour intégrer les prédictions d'AlphaMissense dans les flux de travail existants à l'aide du package AlphaMissenseR et exploiter ses données pour l'analyse, la visualisation et l'évaluation comparative.

pricing

Tarification et plans AlphaMissense

AlphaMissense fonctionne sur un modèle freemium. Les prédictions principales pour les variants faux-sens sont disponibles gratuitement sous une licence CC BY v. 4, qui autorise l'utilisation commerciale et non commerciale. Cette licence a été mise à jour le 13 mars 2024, supprimant les restrictions antérieures d'utilisation non commerciale. Les utilisateurs peuvent accéder aux données directement via le site web d'AlphaMissense (alphamissense.org) ou via des intégrations avec des bases de données biologiques majeures telles qu'Ensembl, UniProt, ProtVar et l'AlphaFold Database. Bien que les données de prédiction primaires soient librement accessibles, les fonctionnalités premium potentielles ou les services hébergés au-delà de l'accès direct aux données ne sont pas explicitement détaillés.

  • Niveau gratuit : Accès à toutes les prédictions d'AlphaMissense pour les variants faux-sens sous une licence CC BY v. 4.

Pros

  • +High accuracy in predicting pathogenicity, with 90% precision on a large subset of the ClinVar database.
  • +Comprehensive coverage, classifying 89% of all 71 million possible missense variants in the human genome.
  • +Integration into major biological databases (Ensembl, UniProt, DECIPHER, AlphaFold DB) enhances accessibility and utility.
  • +Leverages advanced deep learning and AlphaFold methodology for robust predictions based on structural context.
  • +Provides a valuable resource for prioritizing research and aiding in the diagnosis of genetic disorders.

Cons

  • −Clinical utility in decision-making still requires additional validation, as highlighted by several studies.
  • −Accuracy can be gene-dependent, meaning performance may vary across different genes.
  • −The tool does not offer a public API for direct programmatic integration, limiting automated workflows beyond the 'AlphaMissenseR' package.
  • −One study noted that it does not rely completely on AlphaFold2's structural contexts, which might impact certain predictions.

Outils similaires

AlphaMissense vs Concurrents

AlphaMissense opère dans un paysage concurrentiel d'outils d'IA conçus pour prédire la pathogénicité des variants faux-sens, chacun employant des méthodologies et des sources de données distinctes.

1
REVEL↗

REVEL is an ensemble method that integrates scores from 13 individual prediction tools to provide a comprehensive pathogenicity score for rare missense variants.

Unlike AlphaMissense's deep learning model based on protein sequences and structural context, REVEL combines multiple existing predictors. Both aim to classify missense variants, but REVEL focuses on rare variants and provides a score from 0 to 1, with higher scores indicating greater likelihood of being disease-causing.

2
CADD↗

CADD provides a single, genome-wide deleteriousness score for all types of variants (SNVs and indels), integrating over 60 diverse genomic features.

While AlphaMissense specifically targets missense variants using deep learning, CADD offers broader applicability across all variant types, providing a PHRED-like score that ranks deleteriousness rather than a direct pathogenic/benign classification.

3
PathoPredictor↗

PathoPredictor is an interpretable machine-learning framework designed to distinguish pathogenic from benign missense variants using curated clinical variant data and functional annotations.

Similar to AlphaMissense, PathoPredictor uses machine learning for missense variant classification, but it emphasizes interpretability and is trained on curated clinical data, whereas AlphaMissense leverages protein sequences and structural context from AlphaFold methodology.

4
PrimateAI-3D↗

PrimateAI-3D quantifies missense variant pathogenicity using a deep-learning network trained on genetic variants from 233 primate species, leveraging evolutionary conservation across primates.

Both AlphaMissense and PrimateAI-3D utilize deep learning and evolutionary data for missense variant prediction. PrimateAI-3D specifically focuses on primate genetic variants for training, while AlphaMissense builds on the AlphaFold methodology and uses databases of related protein sequences and structural context.

Visiter AlphaMissense↗

AI Reputation Report

Is AlphaMissense yours?

ChatGPT, Perplexity, Gemini, Claude & Grok answer buyer questions about AlphaMissense every day. See whether they name AlphaMissense — or send buyers to a rival.

See what AI saysfree preview

Featured in articles