← 文章 / AI技术
DeepMind 博客 2026/10/21 · 2026-10-21 22:56:58 · 29 阅读

DeepMind 推出 SynthID Bio:为 AI 生成的蛋白质添加水印

概念验证:在不影响蛋白质生物功能的前提下,为 AI 生成的蛋白质添加水印。

今天,我们正式推出 SynthID Bio,将水印技术带入合成生物学领域。SynthID Bio 会将一个难以察觉的签名直接嵌入生物代码中,使水印不仅能在数字模型上验证,还能在实际合成出的蛋白质上得到验证——同时经实验室测试确认,蛋白质的生物功能不受影响。

生成式 AI 正在帮助科学家应对关键的生物学难题:从预测蛋白质结构(AlphaFold),到设计全新的蛋白质(AlphaProteo、ProteinMPNN),再到近期开发新的噬菌体,即感染细菌的病毒。但这些工具也带来了新挑战:AI 设计的新型蛋白质可能绕过传统的 DNA 合成筛查,而标注错误的合成三维结构则可能污染公共数据库、误导后续研究。

SynthID Bio 的工作原理

SynthID Bio 是一套专为合成生物学开发的水印技术系列,旨在加强生物安全和科研诚信。

它会根据数据类型调整水印方式:对序列数据,微妙地引导氨基酸的选择;对预测的三维结构,则调整原子坐标——从而生成可靠的检测信号。

实验表明,这些调整不会损害蛋白质的生物功能,而这一点对有效治疗疾病和推动科学研究至关重要。

Your browser does not support the video tag. Your browser does not support the video tag.

带水印的 VEGF-A 蛋白质结合蛋白预测结构可视化,每个氨基酸的颜色代表水印信号。

我们使用结合器设计方法 AlphaProteo,结合 SynthID Bio 支持的 ProteinMPNN(常用的蛋白质序列生成方法),验证了蛋白质结合器的水印技术,即用于选择性结合其他蛋白质的分子。

在针对三种靶蛋白(VEGF-A、SARS-CoV-2 刺突蛋白 RBD 和 PD-L1)的湿实验室测试中,我们的水印设计与无水印版本在命中率、结合亲和力和自然序列多样性上均保持一致,成功创建了首批带有水印且具备生物功能的蛋白质结合器。

小提琴图,比较了三种靶蛋白(PD-L1、SC2RBD 和 VEGF-A)的非水印(橙色)和水印(蓝色)蛋白质的结合亲和力(Kd)。小提琴图,比较了三种靶蛋白(PD-L1、SC2RBD 和 VEGF-A)的非水印(橙色)和水印(蓝色)蛋白质的结合亲和力(Kd)。

比较三种靶点中非水印与水印蛋白质设计的结合亲和力(以 KD 衡量)。数值越低表示结合力越强。

在蛋白质折叠方面,SynthID Bio 对 AlphaFold 3 扩散网络的局部进行了微调,将水印能力直接构建到模型权重中。这确保了预测的 3D 坐标天然携带可检测的签名,无论谁运行该模型。SynthID Bio 在保持 AlphaFold 3 预测准确性的同时,提供了近乎完美的检测率,保留了关键结构特征分布,并能抵御数字噪声或坐标的微小变化。

您的浏览器不支持视频标签。您的浏览器不支持视频标签。

在 7PPA 上,我们展示了 AF3 预测结构(左)、真实结构(中)和水印结构(右)。

强化生物安全与信息完整性

生物安全依赖于多层防御——可以将其理解为“瑞士奶酪”模型,多个独立的安全措施协同运作,相互弥补彼此的盲区。模型层面的缓解措施和客户资质审核等保障措施,各自构成一个关键防线,但也都存在潜在的缺口。作为我们更广泛的 生物韧性愿景 的一部分,SynthID Bio 的水印技术作为一个重要的、具体的验证层,直接嵌入生物设计本身。

“SynthID Bio 是追踪生物设计溯源的重要拼图,”审查了该研究的生物安全政策专家、Science Policy Consulting 的高管 Sarah Carter 表示。“通过将设计与模型开发者关联起来,这些水印使开发者能够主导安全事项,并允许合成服务提供商为使用过这些模型的客户提供简化的筛查流程。”

这一防线对 DNA 合成筛查尤为关键,因为该环节处于生物安全的最前线。将数字化蛋白质设计转化为物理分子,需要向 DNA 合成服务提供商下单,而他们会将申请与已知威胁数据库进行比对。例如,过去,陌生的序列可能被视为未被发现的自然生物体而被安全假设。但由于 AI 能够创建 与已知危害毫无相似之处的全新序列,筛查人员再也不能做此假设。要验证陌生的订单不是经过工程设计的威胁,需要详尽的人工审查,这可能会阻碍至关重要的研究。在此,SynthID Bio 能够提供自动化的验证信号,证明订单源自具备内置安全保障的受信任模型。

“AI 正在拓展科学家设计能力的边界,DNA 合成公司在帮助此类创新负责任地规模化方面扮演重要角色,”Twist Bioscience 的政策与生物安全副总裁 James Diggans 评价道,他曾为这篇论文提供早期反馈。“对 Twist 而言,水印技术为生物安全工具箱提供了一个充满希望的新增项,它有助于强化筛查,将资源聚焦于需要更密切审查的序列,并随着 AI 设计生物学的不断进步,提升生物安全的效率。”

同样,SynthID Bio 也有助于维护 Protein Data Bank、UniProt、GenBank 等数据库的完整性。这些数据库大多向公众开放提交,在科学进步中发挥着重要作用——但错误标注的条目可能对生物安全决策产生严重的负面影响,而随着 AI 生成的生物数据不断增多,这一问题只会愈发突出。在提交流程中加入 SynthID Bio,可以确保合成序列被正确标注或标记以供进一步审核。

展望未来

虽然没有任何一种生物安全干预措施是万能的,但 SynthID Bio 把我们久经考验的水印工具 SynthID 带到了合成生物学领域。这是朝着可靠识别和追踪 AI 生成的生物序列与结构迈出的重要一步。

接下来的关键挑战之一,是让水印更能抵御蓄意篡改。SynthID Bio 还可以与溯源 metadata 方案(类似数字媒体领域的 C2PA),或 AI 生成生物数据的中央数据库 相结合,从而更好地识别和追踪 AI 生成的蛋白质。

为了跟上前沿 AI 技术日益增强的能力,我们还在研究如何将水印应用于更复杂的生物对象。在与斯坦福大学 Hie 实验室和 Arc Institute 的合作研究中,我们将 SynthID Bio 集成到先进基因组模型 Evo 2 中,为 Evo 2 设计的噬菌体基因组添加了水印。早期在细菌培养物中的实验室测试已证实,这些带水印的噬菌体具有正常功能。我们相信这项工作有望应对基因组设计带来的部分生物安全风险,并将在近期的技术论文中分享更多细节。

要充分实现这项工作在生物安全方面的价值,需要社区协作与深入研究。作为负责任创新的承诺,我们发布了我们的方法学论文,开放了源代码和体外数据,并向研究社区公开了模型权重,以便各方能在此基础上继续推进。通过与生物安全、基因合成及政策领域的合作伙伴公开协作,我们可以确保安全与责任能跟上 AI 驱动发现的步伐。

如需探讨在这一重要议题上的合作,请附上高层级提案,并通过synthidbio@google.com与我们联系。请勿披露任何保密或专有信息。

致谢

该项目由 Pushmeet Kohli 发起。研究与技术开发由 Alexander I. Cowen-Rivers 和 David Stutz 领导,并得到 Pushmeet Kohli 的指导。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 在工程和科学研究方面作出了关键贡献。感谢 Adaptyv Bio 在体外验证方面提供的帮助。

该工作在水印噬菌体 DNA 方面的延伸,是 Google DeepMind 与斯坦福大学 Hie 实验室及 Arc Institute 的合作成果,主要贡献者包括来自 Google DeepMind 的 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,以及来自 Arc Institute 和斯坦福大学的 Brian Hie、Samuel King 和 Aditi Merchant。

此外,我们要感谢 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 对研究论文的贡献,以及感谢 Julien Bergeron 在三维渲染方面所做的贡献。最后,感谢 Demis Hassabis 对本项目的鼓励与支持。

原始来源: DeepMind 博客

评论 (0)