DeepMind incorpora filigrane verificabili in proteine progettate con IA

Google DeepMind ha presentato SynthID Bio il 30 settembre 2026, una famiglia di metodi di filigranatura che inseriscono una firma impercettibile e verificabile nelle sequenze proteiche generate dall’IA e nelle strutture 3D predette. L’azienda afferma che la prova di concetto ha preservato la funzione biologica nei test di laboratorio su tre proteine target.

L’annuncio colloca lo strumento in un ambito in cui i sistemi di IA prevedono già le strutture proteiche, come fa AlphaFold di DeepMind, e progettano proteine completamente nuove, come fanno AlphaProteo e il metodo di generazione di sequenze comunemente usato ProteinMPNN. Recentemente, i ricercatori hanno impiegato l’IA per sviluppare batteriofagi, virus che infettano i batteri. DeepMind afferma che queste capacità generano anche nuovi problemi: i progetti IA innovativi possono eludere i tradizionali controlli di sintesi del DNA, e le strutture 3D sintetiche etichettate in modo errato possono contaminare i database pubblici e fuorviare la ricerca successiva.

Validazione in laboratorio su tre proteine target

SynthID Bio adatta il proprio approccio al tipo di dato. Per le sequenze, guida sottilmente la scelta degli amminoacidi; per le strutture 3D predette, regola le coordinate atomiche. In entrambi i casi l’obiettivo è un segnale rilevabile, e DeepMind riferisce che nei suoi esperimenti tali regolazioni non hanno compromesso la funzione biologica delle proteine. Poiché la firma risiede nel codice biologico stesso, la filigrana può essere verificata sulla proteina fisica sintetizzata anziché solo sul modello digitale.

Il team ha verificato il proprio approccio su leganti proteici, molecole progettate per agganciarsi selettivamente ad altre proteine, utilizzando il design di leganti AlphaProteo di DeepMind insieme a una versione di ProteinMPNN abilitata da SynthID Bio. L’azienda ha dichiarato che nei test di laboratorio su tre proteine target — VEGF‑A, la proteina spike RBD del SARS‑CoV‑2 e PD‑L1 — i progetti con filigrana hanno corrisposto alle versioni senza filigrana in termini di tasso di successo, affinità di legame e diversità naturale delle sequenze. DeepMind descrive il risultato come i primi leganti proteici con filigrana e funzionali dal punto di vista biologico. L’affinità di legame è stata misurata come KD, con valori più bassi che indicano leganti più forti, e il progetto accredita Adaptyv Bio per il supporto alla validazione in vitro.

Filigranatura integrata in AlphaFold 3

Per il ripiegamento delle proteine, il metodo funziona all’interno del modello stesso. Il team ha perfezionato una piccola parte della rete di diffusione in AlphaFold 3, incorporando la capacità di filigranatura nei pesi del modello, così che qualsiasi coordinata 3D predetta trasporti una firma rilevabile indipendentemente da chi esegue il modello. Secondo DeepMind, il modello perfezionato mantiene l’accuratezza predittiva di AlphaFold 3, offre una rilevabilità quasi perfetta e preserva le distribuzioni delle caratteristiche strutturali chiave, e la filigrana resiste al rumore digitale o a modifiche minori delle coordinate. Una visualizzazione nel post confronta, per la proteina 7PPA, la struttura predetta da AlphaFold 3, la struttura di riferimento reale e la struttura con filigrana.

Screening di biosicurezza e integrità dei database

DeepMind descrive la biosicurezza come una questione di difese a più livelli, richiamando il modello del formaggio svizzero in cui ogni salvaguardia indipendente copre i punti ciechi delle altre, e colloca SynthID Bio nella sua più ampia visione per la bio‑resilienza come strato di verifica incorporato nel design biologico stesso.

Questo strato si applica più direttamente allo screening della sintesi del DNA. Un progetto di proteina digitale diventa una molecola fisica solo dopo che è stato effettuato un ordine presso un fornitore di sintesi del DNA, e tali fornitori esaminano le richieste in arrivo confrontandole con i database di minacce conosciute. In passato, gli operatori di screening potevano ragionevolmente trattare una sequenza sconosciuta come un organismo naturale non ancora scoperto. DeepMind afferma che l’IA elimina tale presupposto perché può generare sequenze completamente nuove con poca somiglianza ai pericoli noti, e verificare se un ordine è una minaccia ingegnerizzata richiede una revisione manuale esaustiva che può rallentare ricerche cruciali. SynthID Bio è destinato a fornire un segnale di verifica automatizzato che dimostri che un ordine proviene da un modello affidabile con salvaguardie integrate.

James Diggans, Vice President of Policy and Biosecurity di Twist Bioscience, che ha fornito un primo feedback sul documento, ha dichiarato che la filigranatura offre “un promettente nuovo elemento al toolkit di biosicurezza” che potrebbe rafforzare lo screening, concentrare le risorse su sequenze che richiedono una revisione più approfondita e rendere la biosicurezza più efficiente man mano che la biologia progettata con IA avanza.

DeepMind afferma inoltre che il metodo potrebbe contribuire a preservare l’integrità di database pubblici come il Protein Data Bank, UniProt e GenBank, molti dei quali accettano contributi pubblici. Nell’ambito del processo di sottomissione, la filigrana potrebbe garantire che le voci sintetiche siano etichettate correttamente o segnalate per ulteriori revisioni.

Sarah Carter, esperta di politica di biosicurezza e Principal di Science Policy Consulting che ha esaminato il lavoro, ha definito SynthID Bio “una parte importante del puzzle per tracciare la provenienza dei progetti biologici”, aggiungendo che collegare i progetti allo sviluppatore del modello consente ai fornitori di sintesi di semplificare lo screening per i clienti che hanno utilizzato tali modelli.

Estensione ai batteriofagi e rilascio aperto

Tra le sfide rimaste, DeepMind indica che rendere il watermark più robusto contro le manomissioni deliberate. L’azienda afferma che SynthID Bio può anche essere abbinato a approcci di metadati di provenienza, simili a C2PA per i media digitali, o a repository centrali di dati biologici generati dall’IA, per identificare e tracciare meglio le proteine generate dall’IA.

Il team ha inoltre integrato SynthID Bio in Evo 2, un modello genomico, in collaborazione continua con il laboratorio Hie della Stanford University e l’Arc Institute, applicando un watermark al genoma di un batteriofago progettato con Evo 2. I primi test di laboratorio su colture batteriche hanno confermato che i batteriofagi marcati sono funzionali, ha dichiarato l’azienda, aggiungendo che presto condividerà ulteriori dettagli in un manoscritto tecnico.

SynthID Bio estende SynthID, lo strumento esistente di Google DeepMind che incorpora watermark digitali in immagini, audio, testo e video generati dall’IA nei prodotti consumer di IA generativa dell’azienda. Tali marchi sono impercettibili per le persone ma rilevabili dalla tecnologia di SynthID, e l’azienda gestisce anche il SynthID Detector, un portale di verifica dove gli utenti caricano un’immagine, un video o un file audio per controllare se il contenuto è stato watermarked.

Insieme all’annuncio, DeepMind sta pubblicando un paper metodologico, rendendo open source il codice e i dati in vitro, e rilasciando i pesi alla comunità di ricerca. Pushmeet Kohli ha avviato il progetto, e Alexander I. Cowen-Rivers e David Stutz hanno guidato la ricerca e lo sviluppo tecnico, sotto la consulenza di Kohli.