DeepMind intègre des filigranes vérifiables dans les protéines conçues par IA

Google DeepMind a dévoilé SynthID Bio le 30 septembre 2026, une famille de méthodes de filigrane qui intègre une signature imperceptible et vérifiable dans les séquences protéiques générées par IA et les structures 3D prédites. L’entreprise indique que la preuve de concept a conservé la fonction biologique lors des tests en laboratoire humide sur trois protéines cibles.

L’annonce situe l’outil dans un domaine où les systèmes d’IA prédisent déjà les structures protéiques, comme le fait AlphaFold de DeepMind, et conçoivent de nouvelles protéines, comme le font AlphaProteo et la méthode de génération de séquences couramment utilisée ProteinMPNN. Plus récemment, des chercheurs ont utilisé l’IA pour développer des bactériophages, des virus qui infectent les bactéries. DeepMind indique que ces capacités créent également de nouveaux problèmes : les conceptions d’IA novatrices peuvent contourner le dépistage traditionnel de la synthèse d’ADN, et les structures 3D synthétiques mal étiquetées peuvent contaminer les bases de données publiques et induire en erreur la recherche en aval.

Validation en laboratoire humide sur trois protéines cibles

SynthID Bio adapte son approche au type de données. Pour les séquences, il guide subtilement le choix des acides aminés ; pour les structures 3D prédites, il ajuste les coordonnées atomiques. Dans les deux cas, l’objectif est un signal détectable, et DeepMind rapporte que, dans ses expériences, ces ajustements n’ont pas compromis la fonction biologique des protéines. Puisque la signature réside dans le code biologique même, le filigrane peut être vérifié sur la protéine physique synthétisée plutôt que uniquement sur un modèle numérique.

L’équipe a vérifié son approche sur des liants protéiques, des molécules conçues pour se fixer sélectivement à d’autres protéines, en utilisant la conception de liant AlphaProteo de DeepMind conjointement à une version de ProteinMPNN compatible avec SynthID Bio. L’entreprise a indiqué que, lors des tests en laboratoire humide sur trois protéines cibles — VEGF‑A, la protéine spike RBD du SARS‑CoV‑2 et PD‑L1 — les conceptions filigranées ont égalé les versions non filigranées en taux de succès, affinité de liaison et diversité séquentielle naturelle. DeepMind décrit le résultat comme les tout premiers liants protéiques filigranés et biologiquement fonctionnels. L’affinité de liaison a été mesurée en KD, des valeurs plus faibles indiquant des liants plus forts, et le projet remercie Adaptyv Bio pour son aide à la validation in vitro.

Filigrane intégré à AlphaFold 3

Pour le pliage des protéines, la méthode fonctionne à l’intérieur même du modèle. L’équipe a affiné une petite partie du réseau de diffusion dans AlphaFold 3, intégrant la capacité de filigrane dans les poids du modèle, de sorte que toutes les coordonnées 3D prédites portent une signature détectable, quel que soit l’utilisateur du modèle. Selon DeepMind, le modèle affiné conserve la précision de prédiction d’AlphaFold 3, offre une détectabilité quasi parfaite et maintient les distributions des caractéristiques structurales clés, et le filigrane résiste au bruit numérique ou à de légères modifications de coordonnées. Une visualisation dans l’article compare, pour la protéine 7PPA, la structure prédite par AlphaFold 3, la structure de référence et la structure filigranée.

Dépistage de la biosécurité et intégrité des bases de données

DeepMind décrit la biosécurité comme une question de défenses en couches, en invoquant le modèle du fromage suisse où chaque garde-fou indépendant couvre les points aveugles des autres, et place SynthID Bio dans le cadre de sa vision plus large de la bio‑résilience en tant que couche de vérification intégrée dans la conception biologique elle‑même.

Cette couche s’applique le plus directement au dépistage de la synthèse d’ADN. Un design protéique numérique ne devient une molécule physique qu’après qu’une commande a été passée auprès d’un fournisseur de synthèse d’ADN, et ces fournisseurs examinent les demandes entrantes à l’aide de bases de données de menaces connues. Par le passé, les dépisteurs pouvaient raisonnablement considérer une séquence inconnue comme un organisme naturel non découvert. DeepMind affirme que l’IA supprime cette hypothèse car elle peut générer des séquences entièrement nouvelles présentant peu de ressemblance avec les risques connus, et vérifier si une telle commande constitue une menace conçue nécessite un examen manuel exhaustif qui peut retarder des recherches essentielles. SynthID Bio est destiné à fournir un signal de vérification automatisé montrant qu’une commande provient d’un modèle fiable doté de garde-fous intégrés.

James Diggans, vice‑président de la politique et de la biosécurité chez Twist Bioscience, qui a fourni des retours précoces sur le document, a déclaré que le filigrane offre “une nouvelle addition prometteuse à la boîte à outils de la biosécurité” qui pourrait renforcer le dépistage, concentrer les ressources sur les séquences nécessitant un examen plus approfondi, et rendre la biosécurité plus efficace à mesure que la biologie conçue par IA progresse.

DeepMind indique également que la méthode pourrait aider à préserver l’intégrité des bases de données publiques telles que le Protein Data Bank, UniProt et GenBank, dont beaucoup acceptent les soumissions publiques. Dans le cadre du processus de soumission, le filigrane pourrait garantir que les entrées synthétiques sont correctement étiquetées ou signalées pour un examen supplémentaire.

Sarah Carter, experte en politique de biosécurité et principale chez Science Policy Consulting qui a examiné le travail, a qualifié SynthID Bio d’« un élément important du puzzle pour suivre la provenance des conceptions biologiques », ajoutant que le fait de lier les conceptions au développeur du modèle permet aux fournisseurs de synthèse de rationaliser le dépistage pour les clients qui ont utilisé ces modèles.

Extension aux bactériophages et diffusion ouverte

Parmi les défis restants, DeepMind indique que rendre le filigrane plus résistant aux manipulations délibérées est une priorité. L’entreprise précise que SynthID Bio peut également être couplé à des approches de métadonnées de provenance, similaires à C2PA pour les médias numériques, ou à des dépôts centraux de données biologiques générées par IA, afin d’identifier et de suivre plus efficacement les protéines créées par IA.

L’équipe a également intégré SynthID Bio à Evo 2, un modèle génomique, dans le cadre d’une collaboration continue avec le laboratoire Hie de Stanford University et Arc Institute, filigranant le génome d’un bactériophage conçu par Evo 2. Des tests préliminaires en laboratoire sur des cultures bactériennes ont confirmé que les bactériophages filigranés restent fonctionnels, a déclaré l’entreprise, ajoutant qu’elle publiera bientôt plus de détails dans un manuscrit technique.

SynthID Bio prolonge SynthID, l’outil existant de Google DeepMind qui intègre des filigranes numériques dans les images, l’audio, le texte et la vidéo générés par IA au sein des produits d’IA générative destinés aux consommateurs. Ces marques sont imperceptibles pour les humains mais détectables grâce à la technologie de SynthID, et l’entreprise exploite également le SynthID Detector, un portail de vérification où les utilisateurs peuvent télécharger une image, une vidéo ou un fichier audio pour vérifier si le contenu a été filigrané.

Parallèlement à l’annonce, DeepMind publie un article de méthodes, rend le code et les données in vitro open source, et met à disposition les poids pour la communauté de recherche. Pushmeet Kohli a lancé le projet, et Alexander I. Cowen‑Rivers ainsi que David Stutz ont dirigé la recherche et le développement technique, sous les conseils de Kohli.