Google DeepMind 推出 SynthID Bio,為 AI 設計蛋白質加入可檢測水印
Introducing SynthID Bio
Google DeepMind 推出 SynthID Bio,將可檢測水印嵌入蛋白質序列和預測結構,以辨識 AI 生成的生物設計。
SynthID Bio 把水印延伸至合成後的蛋白質,並以三種靶蛋白的濕實驗展示來源辨識與保留生物功能並行的做法。
2026 年 9 月 30 日 Science
Pushmeet Kohli、David Stutz、Ali Cowen-Rivers 和 Jeremy Ratcliff
一項概念驗證:在保留生物功能的同時,為 AI 生成的蛋白質加上水印。
今天,我們推出 SynthID Bio,將水印技術帶進合成生物學。SynthID Bio 會將難以察覺的識別標記直接嵌入生物編碼,確保不論在數碼模型中,還是在實際合成出的蛋白質中,都能驗證水印;而且實驗室測試證實,它不會影響蛋白質的生物功能。
生成式 AI 正協助科學家應對重要的生物學挑戰,從預測蛋白質結構(AlphaFold),到設計全新的蛋白質(AlphaProteo 和 ProteinMPNN),以及近期開發新型噬菌體,即感染細菌的病毒。然而,這些工具亦帶來新挑戰:全新的 AI 設計可能繞過傳統 DNA 合成篩查;標記錯誤的合成 3D 結構則可能污染公開資料庫,誤導後續研究。
SynthID Bio 的運作方式
SynthID Bio 是一系列專為合成生物學開發的水印方法,旨在加強生物安全和科學誠信。
它會按資料類型調整做法:為序列微妙地引導氨基酸的選擇,並調整預測 3D 結構的原子座標,從而建立可靠的偵測訊號。
實驗顯示,這些調整不會損害蛋白質的生物功能;這對有效治療疾病和推進科學研究至關重要。
帶有水印的 VEGF-A 蛋白質結合體預測結構示意圖;每種顏色代表一種氨基酸,並顯示水印訊號。
我們使用 AlphaProteo 結合體設計方法,以及啟用 SynthID Bio 的 ProteinMPNN 版本(這是常用的蛋白質序列生成方法),驗證了為蛋白質結合體加水印的方法。蛋白質結合體是專門設計來選擇性黏附其他蛋白質的分子。
在三種目標蛋白質(VEGF-A、SARS-CoV-2 刺突蛋白 RBD 和 PD-L1)的濕實驗室測試中,我們加上水印的設計在命中率、結合親和力和天然序列多樣性方面,均與未加水印的版本相若,成功創造出首批帶有水印且具生物功能的蛋白質結合體。
比較三種目標中未加水印和加上水印的蛋白質設計之結合親和力,以 KD 衡量;數值越低,代表結合能力越強。
在蛋白質摺疊方面,SynthID Bio 會微調 AlphaFold 3 擴散網絡的一小部分,將加水印能力直接寫入模型權重。這可確保預測的 3D 座標本身帶有可偵測的識別標記,無論誰執行模型都一樣。SynthID Bio 保留 AlphaFold 3 的預測準確度,同時幾乎可完美偵測水印、維持關鍵結構特徵的分佈,並能抵受數碼雜訊或輕微座標變化。
在 7PPA 上,我們展示 AF3 預測結構(左)、真實結構(中)和加上水印的結構(右)。
加強生物安全與資訊完整性
生物安全仰賴多層防禦;可以把它想像成「瑞士芝士」防禦模型,多項彼此獨立的安全措施協同運作,互相補足盲點。模型層面的緩解措施和客戶審查等防護,各自都是重要的一層,但也可能存在缺口。作為我們更廣泛的生物韌性願景的一部分,SynthID Bio 的水印方法在生物設計本身加入重要而具體的驗證層。
「SynthID Bio 是追蹤生物設計來源的重要一環,」曾審閲這項工作的生物安全政策專家、Science Policy Consulting 負責人 Sarah Carter 説。「透過將設計與模型開發者連結,這些水印讓開發者可以主導安全工作,也讓合成服務供應商能簡化對使用相關模型客戶的篩查。」
這一層對 DNA 合成篩查尤其重要,因為它位處生物安全的最前線。要將數碼蛋白質設計轉化成實體分子,必須向 DNA 合成供應商下單;供應商會將訂單與已知威脅資料庫比對。例如,以往遇到陌生序列,或可安全地假設它來自尚未發現的天然生物。但 AI 能創造與已知危害序列幾乎毫無相似之處的全新序列,篩查人員便不能再作此假設。要核實陌生訂單並非經設計的威脅,需要全面的人工審查,可能拖慢重要研究。在此情況下,SynthID Bio 可提供自動驗證訊號,證明訂單源自內置安全防護的可信模型。
「AI 正擴展科學家的設計能力,而 DNA 合成公司在協助創新以負責任方式擴展方面扮演重要角色,」曾就論文提供早期意見的 Twist Bioscience 政策及生物安全副總裁 James Diggans 説。「對 Twist 而言,水印為生物安全工具箱帶來令人鼓舞的新選項,可加強篩查、集中資源審查需要深入檢視的序列,並隨着 AI 設計的生物學持續進步,令生物安全工作更有效率。」
同樣地,SynthID Bio 亦可協助維護 Protein Data Bank、UniProt 和 GenBank 等資料庫的完整性。這些資料庫大多開放公眾提交資料,對科學進步十分重要;但標記錯誤的條目可能對生物安全決策造成極大負面影響,而隨着 AI 生成的生物資料增加,問題可能更加嚴重。在提交流程中,SynthID Bio 可協助確保合成資料條目獲正確標記,或被標示以作進一步審查。
展望未來
沒有任何單一生物安全措施能解決所有問題,但 SynthID Bio 將我們經驗證的水印工具 SynthID 帶進合成生物學,這是可靠識別和追蹤 AI 生成生物序列及結構的重要第一步。
接下來的重要挑戰包括提高水印抵抗蓄意篡改的能力。SynthID Bio 亦可配合來源中繼資料方法(類似數碼媒體使用的 C2PA),或AI 生成生物資料的中央資料庫,以便更有效識別和追蹤 AI 生成的蛋白質。
為配合前沿 AI 技術日益增強的能力,我們亦正研究如何將水印應用於更複雜的生物物件。在進行中的研究中,我們與史丹福大學及 Arc Institute 的 Hie 實驗室合作,把 SynthID Bio 整合至先進基因組模型 Evo 2,為一種由 Evo 2 設計的噬菌體基因組加上水印。細菌培養物的初步實驗室測試已確認,這些帶水印的噬菌體仍具功能。我們相信這項工作有潛力應對部分與基因組設計相關的生物安全風險,並會很快在技術論文中分享更多詳情。
要充分實現這項工作的生物安全效益,需要社羣協作和進一步研究。作為負責任創新承諾的一部分,我們將發表方法論論文、開源程式碼和體外資料,並向研究社羣發布模型權重,讓大家可以在此基礎上繼續發展。透過與生物安全、基因合成及政策領域的夥伴公開合作,我們可以確保安全和責任與 AI 推動的發現同步前進。
如欲就這個重要議題與我們洽談合作,請透過以下電郵聯絡我們: synthidbio@google.com,並提供概括性的提案。請勿披露任何機密或專有資訊。
鳴謝
本項目由 Pushmeet Kohli 發起。研究和技術開發由 Alexander I. Cowen-Rivers 和 David Stutz 主導,並由 Pushmeet Kohli 提供指導。主要工程和研究貢獻者包括 Guillermo Ortiz-Jimenez、Jeremy Ratcliff、Vinicius Zambaldi、Lindsay Willmore、Josh Abramson、Harshnira Patani、Christina Kouridi、Florian Stimberg、Mel Vecerik、Alex Chu、Sukhdeep Singh、Sumanth Dathathri、Eliseo Papa、Valentin De Bortoli、Arnaud Doucet、Jue Wang 和 Sven Gowal。感謝 Adaptyv Bio 協助進行體外驗證。
將這項工作延伸至為噬菌體 DNA 加水印,是 Google DeepMind 與史丹福大學 Hie 實驗室及 Arc Institute 的合作項目。Google DeepMind 的主要貢獻者包括 Jeremy Ratcliff、Aleks Petrov、Alexander I. Cowen-Rivers、David Stutz、Elisa L. H. Wong、Victor Martin Palacios、Francesca Pietra、Alfred Piccioni、Tristan Oliver Kwan、Tor Lattimore、Sumanth Dathathri 和 Pushmeet Kohli;Arc Institute 和史丹福大學的主要貢獻者包括 Brian Hie、Samuel King 和 Aditi Merchant。
我們亦感謝 Rudy Bunel、Anna Cupani、Rob Fergus、Thomas Frerix、Sahra Ghalebikesabi、John Jumper、Jacob Kelly、David La、Victor Martin、Sebastian Nowozin、Stig Petersen、Aleks Petrov、Uchechi Okereke、Sylvestre-Alvise Rebuffi、Rosalia Schneider、Armin Senoner、Richard Shuai、Ashok Thillaisundaram、Elisa L. H. Wong、Zachary Wu 和 Augustin Žídek 對研究文章作出的貢獻,並感謝 Julien Bergeron 協助製作 3D 渲染。最後,感謝 Demis Hassabis 對本項目的鼓勵和支持。
來源:Google DeepMind · deepmind.google