DeepMind indlejrer verificerbare vandmærker i AI‑designede proteiner

Google DeepMind præsenterede SynthID Bio den 30. september 2026, en familie af vandmærkningsmetoder, der indlejrer en uopdagelig, verificerbar signatur i AI‑genererede proteinsekvenser og forudsagte 3D‑strukturer. Virksomheden siger, at proof‑of‑concept‑testen bevarede den biologiske funktion i wet‑lab‑forsøg på tre målproteiner.

Kunngørelsen placerer værktøjet i et felt, hvor AI‑systemer allerede forudsiger proteinstrukturer, som DeepMind’s AlphaFold gør, og designer helt nye proteiner, som AlphaProteo og den almindeligt anvendte ProteinMPNN‑sekvensgenereringsmetode gør. For nylig har forskere brugt AI til at udvikle bakteriofager, vira der inficerer bakterier. DeepMind siger, at disse kapaciteter også skaber nye problemer: nye AI‑design kan omgå traditionel DNA‑syntese‑screening, og fejlagtigt mærkede syntetiske 3D‑strukturer kan forurene offentlige databaser og vildlede efterfølgende forskning.

Wet‑lab‑validering på tre proteinmål

SynthID Bio tilpasser sin tilgang til datatypen. For sekvenser guider den diskret valget af aminosyrer; for forudsagte 3D‑strukturer justerer den atomkoordinater. I begge tilfælde er målet et detekterbart signal, og DeepMind rapporterer, at disse justeringer i deres eksperimenter ikke gik på kompromis med proteinernes biologiske funktion. Da signaturen er indlejret i den biologiske kode selv, kan vandmærket verificeres på det syntetiserede, fysiske protein i stedet for kun på en digital model.

Teamet verificerede deres tilgang på proteinbindere, molekyler konstrueret til at binde selektivt til andre proteiner, ved hjælp af DeepMind’s AlphaProteo binderdesign-metoden sammen med en SynthID Bio‑aktiveret version af ProteinMPNN. Virksomheden sagde, at i wet‑lab‑test på tre målproteiner, VEGF‑A, SARS‑CoV‑2‑spike‑protein‑RBD og PD‑L1, matchede de vandmærkede designs de ikke‑vandmærkede versioner med hensyn til hit‑rate, bindingsaffinitet og naturlig sekvensdiversitet. DeepMind beskriver resultatet som de første nogensinde vandmærkede og biologisk funktionelle proteinbindere. Bindingsaffinitet blev målt som KD, hvor lavere værdier indikerer stærkere bindere, og projektet takker Adaptyv Bio for hjælpen med in‑vitro‑valideringen.

Vandmærkning indbygget i AlphaFold 3

For proteinfoldning fungerer metoden inde i selve modellen. Teamet finjusterede en lille del af diffusionsnetværket i AlphaFold 3, indlejrede vandmærkningskapaciteten i modellens vægte, så enhver forudsagt 3D‑koordinat bærer en detekterbar signatur uanset hvem der kører modellen. Ifølge DeepMind bevarer den finjusterede model AlphaFold 3’s forudsigelsesnøjagtighed, leverer næsten perfekt detekterbarhed og opretholder nøglefordelinger af strukturelle egenskaber, og vandmærket holder mod digital støj eller mindre koordinatændringer. En visualisering i indlægget sammenligner, for proteinet 7PPA, den forudsagte AlphaFold 3‑struktur, den faktiske struktur og den vandmærkede struktur.

Biosecurity‑screening og databaseintegritet

DeepMind beskriver biosecurity som et spørgsmål om lagdelte forsvar, hvor de refererer til Swiss‑cheese‑modellen, hvori hver uafhængig beskyttelse dækker de andres blinde pletter, og placerer SynthID Bio inden for deres bredere vision for bioresiliens som et verifikationslag indlejret i den biologiske design selv.

Dette lag gælder mest direkte for DNA‑syntese‑screening. Et digitalt protein‑design bliver først et fysisk molekyle, når en bestilling er afgivet hos en DNA‑syntese‑leverandør, og disse leverandører screenere indkommende forespørgsler mod databaser med kendte trusler. Tidligere kunne screenere rimeligt behandle en ukendt sekvens som en uopdaget naturlig organisme. DeepMind siger, at AI fjerner denne antagelse, fordi den kan generere helt nye sekvenser, der kun har lille lighed med kendte farer, og at kontrollere om en sådan bestilling er en konstrueret trussel kræver udtømmende manuel gennemgang, som kan bremse vigtig forskning. SynthID Bio er beregnet til at levere et automatiseret verifikationssignal, der viser, at en bestilling stammer fra en betroet model med indbyggede sikkerhedsforanstaltninger.

James Diggans, Vice President of Policy and Biosecurity hos Twist Bioscience, som gav tidlig feedback på papiret, sagde, at vandmærkning tilbyder “et lovende nyt tiltag til biosecurity‑værktøjskassen”, som kan styrke screeningen, fokusere ressourcer på sekvenser, der kræver nærmere gennemgang, og gøre biosecurity mere effektiv, efterhånden som AI‑designet biologi udvikler sig.

DeepMind siger også, at metoden kan hjælpe med at bevare integriteten af offentlige databaser såsom Protein Data Bank, UniProt og GenBank, som mange af dem er åbne for offentlige indsendelser. Som en del af indsendelsesprocessen kan vandmærket sikre, at syntetiske indlæg er korrekt mærket eller flaget til yderligere gennemgang.

Sarah Carter, en biosecurity‑policy‑ekspert og Principal hos Science Policy Consulting, som gennemgik arbejdet, kaldte SynthID Bio “et vigtigt brik i puslespillet for at spore oprindelsen af biologiske design”, og tilføjede, at koblingen af design til modeludvikleren gør det muligt for synteseleverandører at strømline screeningen for kunder, der har brugt disse modeller.

Udvidelse til bakteriofager og åben udgivelse

Blandt de resterende udfordringer nævner DeepMind, at vandmærket skal gøres mere robust over for bevidst manipulation. Virksomheden siger, at SynthID Bio også kan kombineres med provenance-metadata‑tilgange, svarende til C2PA for digitale medier, eller med centrale lagre af AI‑genererede biologiske data, for bedre at identificere og spore AI‑genererede proteiner.

Teamet har også integreret SynthID Bio i Evo 2, en genomisk model, i løbende samarbejde med Hie‑laboratoriet på Stanford University og Arc Institute, hvor de vandmærker genomet af en Evo 2‑designet bakteriofag. Tidlige laboratorietests i bakteriekulturer bekræftede, at de vandmærkede bakteriofager er funktionelle, siger virksomheden, og tilføjer, at de snart vil dele flere detaljer i et teknisk manuskript.

SynthID Bio udvider SynthID, Google DeepMinds eksisterende værktøj, der indlejrer digitale vandmærker i AI‑genererede billeder, lyd, tekst og video på tværs af virksomhedens generative AI‑forbrugerprodukter. Disse mærker er uopfattelige for mennesker, men kan opdages af SynthID‑teknologien, og virksomheden driver også SynthID Detector, en verifikationsportal, hvor brugere kan uploade et billede, en video eller en lydfil for at kontrollere, om indholdet er vandmærket.

Sideløbende med meddelelsen offentliggør DeepMind et metodepapir, gør koden og in‑vitro‑dataene open source og frigiver vægtene til forskningsfællesskabet. Pushmeet Kohli initierede projektet, og Alexander I. Cowen‑Rivers samt David Stutz ledede forskningen og den tekniske udvikling under vejledning af Kohli.