DeepMind ฝังลายน้ำที่ตรวจสอบได้ในโปรตีนที่ออกแบบโดย AI

Google DeepMind เปิดตัว SynthID Bio เมื่อวันที่ 30 กันยายน 2026 ซึ่งเป็นชุดของวิธีการฝังลายน้ำที่ฝังลายเซ็นที่มองไม่เห็นและสามารถตรวจสอบได้ลงในลำดับโปรตีนที่สร้างโดย AI และโครงสร้าง 3 มิติที่คาดการณ์ได้ บริษัทกล่าวว่าการพิสูจน์แนวคิดนี้ยังคงรักษาฟังก์ชันทางชีวภาพไว้ในการทดสอบในห้องปฏิบัติการเปียกบนโปรตีนเป้าหมายสามชนิด

การประกาศนี้วางเครื่องมือนี้ไว้ในสาขาที่ระบบ AI มีความสามารถในการคาดการณ์โครงสร้างโปรตีนอยู่แล้ว เช่นเดียวกับที่ AlphaFold ของ DeepMind ทำ และออกแบบโปรตีนใหม่ทั้งหมด เช่นเดียวกับ AlphaProteo และวิธีการสร้างลำดับ ProteinMPNN ที่ใช้กันอย่างแพร่หลาย เมื่อเร็ว ๆ นี้ นักวิจัยได้ใช้ AI ในการพัฒนาแบคทีเรียไฟเจอร์ ซึ่งเป็นไวรัสที่ติดเชื้อแบคทีเรีย DeepMind ระบุว่าความสามารถเหล่านี้ยังก่อให้เกิดปัญหาใหม่: การออกแบบโดย AI ที่ใหม่สามารถหลีกเลี่ยงการคัดกรองการสังเคราะห์ DNA แบบดั้งเดิมได้ และโครงสร้าง 3 มิติสังเคราะห์ที่มีการระบุชื่อผิดอาจทำให้ฐานข้อมูลสาธารณะถูกปนเปื้อนและทำให้การวิจัยต่อเนื่องได้รับข้อมูลที่ผิดพลาด

การตรวจสอบในห้องปฏิบัติการเปียกบนโปรตีนเป้าหมายสามชนิด

SynthID Bio ปรับวิธีการของมันให้สอดคล้องกับประเภทของข้อมูล สำหรับลำดับโปรตีน มันจะชี้นำการเลือกกรดอะมิโนอย่างละเอียดอ่อน; สำหรับโครงสร้าง 3 มิติที่คาดการณ์ มันจะปรับพิกัดอะตอม ทั้งสองกรณีมีเป้าหมายคือสัญญาณที่ตรวจจับได้ และ DeepMind รายงานว่าในการทดลองของพวกเขาการปรับเหล่านี้ไม่ได้ทำให้ฟังก์ชันทางชีวภาพของโปรตีนเสียหาย เนื่องจากลายเซ็นอยู่ในโค้ดชีวภาพเอง ลายน้ำจึงสามารถตรวจสอบได้บนโปรตีนที่สังเคราะห์เป็นสารกายภาพ ไม่ใช่เพียงบนโมเดลดิจิทัล

ทีมงานได้ตรวจสอบวิธีการของตนบนตัวจับโปรตีน ซึ่งเป็นโมเลกุลที่ออกแบบให้จับกับโปรตีนอื่นอย่างเลือกสรร โดยใช้วิธี การออกแบบตัวจับ AlphaProteo ของ DeepMind ร่วมกับเวอร์ชันที่เปิดใช้งาน SynthID Bio ของ ProteinMPNN บริษัทกล่าวว่าในการทดสอบในห้องปฏิบัติการเปียกบนโปรตีนเป้าหมายสามชนิด ได้แก่ VEGF‑A, โปรตีนสไปค์ของ SARS‑CoV‑2 RBD, และ PD‑L1 ตัวออกแบบที่มีลายน้ำตรงกับเวอร์ชันที่ไม่มีลายน้ำในอัตราการพบ, ความสัมพันธ์การจับ, และความหลากหลายของลำดับธรรมชาติ DeepMind อธิบายผลลัพธ์นี้ว่าเป็นตัวจับโปรตีนที่มีลายน้ำและทำงานได้ทางชีวภาพเป็นครั้งแรก ความสัมพันธ์การจับถูกวัดเป็นค่า KD โดยค่าที่ต่ำกว่าจะบ่งบอกถึงตัวจับที่แข็งแกร่งกว่า และโครงการให้เครดิตแก่ Adaptyv Bio สำหรับการช่วยตรวจสอบในห้องปฏิบัติการ in vitro

การฝังลายน้ำใน AlphaFold 3

สำหรับการพับโปรตีน วิธีการทำงานภายในโมเดลเอง ทีมงานได้ทำการปรับแต่งส่วนเล็ก ๆ ของเครือข่ายการกระจายใน AlphaFold 3 โดยฝังความสามารถในการฝังลายน้ำลงในน้ำหนักของโมเดล ดังนั้นพิกัด 3 มิติที่คาดการณ์ใด ๆ จะมีลายเซ็นที่ตรวจจับได้ไม่ว่าผู้ใช้ใครทำการรันโมเดล ตามข้อมูลของ DeepMind โมเดลที่ปรับแต่งนี้ยังคงรักษาความแม่นยำของการคาดการณ์ของ AlphaFold 3 ไว้, ให้การตรวจจับเกือบสมบูรณ์และรักษาการกระจายของคุณลักษณะโครงสร้างสำคัญ, และลายน้ำยังคงทนต่อสัญญาณรบกวนดิจิทัลหรือการเปลี่ยนแปลงพิกัดเล็กน้อย การแสดงภาพในโพสต์เปรียบเทียบสำหรับโปรตีน 7PPA ระหว่างโครงสร้างที่คาดการณ์โดย AlphaFold 3, โครงสร้างจริง (ground truth) และโครงสร้างที่มีลายน้ำ

การคัดกรองความปลอดภัยชีวภาพและความสมบูรณ์ของฐานข้อมูล

DeepMind อธิบายความปลอดภัยชีวภาพว่าเป็นเรื่องของการป้องกันหลายชั้น โดยอ้างอิงโมเดลชีสสวิสซึ่งแต่ละการป้องกันอิสระจะครอบคลุมจุดบอดของกันและกัน และวาง SynthID Bio ไว้ในวิสัยทัศน์ที่กว้างขึ้นของความยืดหยุ่นทางชีวภาพในฐานะชั้นการตรวจสอบที่ฝังอยู่ในออกแบบชีวภาพเอง

ชั้นนี้มีผลโดยตรงที่สุดต่อการคัดกรองการสังเคราะห์ DNA การออกแบบโปรตีนในรูปแบบดิจิทัลจะกลายเป็นโมเลกุลกายภาพก็ต่อเมื่อมีการสั่งซื้อกับผู้ให้บริการสังเคราะห์ DNA และผู้ให้บริการเหล่านั้นจะคัดกรองคำขอที่เข้ามาตามฐานข้อมูลของภัยคุกคามที่ทราบในอดีต ก่อนหน้านี้ ผู้คัดกรองสามารถถือว่าลำดับที่ไม่คุ้นเคยเป็นสิ่งมีชีวิตธรรมชาติที่ยังไม่ได้ค้นพบได้อย่างสมเหตุสมผล DeepMind กล่าวว่า AI ทำให้สมมติฐานนั้นหายไปเพราะสามารถสร้างลำดับใหม่ทั้งหมดที่มีความคล้ายคลึงกับอันตรายที่ทราบน้อยมาก และการตรวจสอบว่าการสั่งซื้อนั้นเป็นภัยคุกคามที่ออกแบบโดยมนุษย์ต้องการการตรวจสอบด้วยมืออย่างละเอียดซึ่งอาจทำให้การวิจัยที่สำคัญล่าช้า SynthID Bio มีจุดมุ่งหมายเพื่อให้สัญญาณการตรวจสอบอัตโนมัติที่แสดงว่าการสั่งซื้อนั้นมาจากโมเดลที่เชื่อถือได้พร้อมการป้องกันในตัว

James Diggans รองประธานฝ่ายนโยบายและความปลอดภัยชีวภาพที่ Twist Bioscience ผู้ให้ข้อเสนอแนะเบื้องต้นต่อเอกสารกล่าวว่าการฝังลายน้ำเป็น \”การเพิ่มใหม่ที่มีศักยภาพต่อกล่องเครื่องมือความปลอดภัยชีวภาพ\” ซึ่งอาจเสริมความแข็งแรงของการคัดกรอง, มุ่งเน้นทรัพยากรไปยังลำดับที่ต้องการการตรวจสอบอย่างละเอียด, และทำให้ความปลอดภัยชีวภาพมีประสิทธิภาพมากขึ้นเมื่อชีววิทยาที่ออกแบบโดย AI ก้าวหน้า

DeepMind ยังระบุว่าวิธีการนี้อาจช่วยรักษาความสมบูรณ์ของฐานข้อมูลสาธารณะ เช่น Protein Data Bank, UniProt, และ GenBank ซึ่งหลายฐานข้อมูลเปิดให้ผู้ใช้ส่งข้อมูลได้เป็นสาธารณะ ในกระบวนการส่งข้อมูล ลายน้ำอาจทำให้แน่ใจว่ารายการสังเคราะห์ได้รับการระบุชื่ออย่างถูกต้องหรือถูกทำเครื่องหมายเพื่อการตรวจสอบต่อไป

Sarah Carter ผู้เชี่ยวชาญด้านนโยบายความปลอดภัยชีวภาพและหัวหน้าที่ Science Policy Consulting ผู้ตรวจสอบงานกล่าวว่า SynthID Bio \”เป็นส่วนสำคัญของปริศนาสำหรับการติดตามที่มาของการออกแบบชีวภาพ\” และเพิ่มว่าการเชื่อมโยงการออกแบบกับผู้พัฒนาโมเดลทำให้ผู้ให้บริการสังเคราะห์สามารถปรับกระบวนการคัดกรองให้รวดเร็วขึ้นสำหรับลูกค้าที่ใช้โมเดลเหล่านั้น

การขยายแบคทีเรียไฟเจอร์และการปล่อยแบบเปิด

ในความท้าทายที่เหลือ DeepMind ระบุว่าการทำให้ลายน้ำมีความทนทานต่อการดัดแปลงโดยเจตนามากขึ้นเป็นเรื่องที่ต้องทำ บริษัทกล่าวว่า SynthID Bio ยังสามารถผสานกับวิธีการเมตาดาต้า provenance ที่คล้ายกับ C2PA สำหรับสื่อดิจิทัล หรือกับคลังข้อมูลศูนย์กลางของข้อมูลชีวภาพที่สร้างโดย AI เพื่อช่วยระบุและติดตามโปรตีนที่สร้างโดย AI ได้ดียิ่งขึ้น

ทีมงานยังได้รวม SynthID Bio เข้าไปใน Evo 2 ซึ่งเป็นโมเดลจีโนม ในความร่วมมืออย่างต่อเนื่องกับห้องปฏิบัติการ Hie ที่ Stanford University และ Arc Institute โดยทำลายน้ำบนจีโนมของแบคทีเรียไฟเจอร์ที่ออกแบบโดย Evo 2 การทดสอบในห้องปฏิบัติการเบื้องต้นบนวัฒนธรรมแบคทีเรียยืนยันว่าแบคทีเรียไฟเจอร์ที่มีลายน้ำยังคงทำงานได้ บริษัทกล่าวเพิ่มเติมว่าจะเผยรายละเอียดเพิ่มเติมในต้นฉบับทางเทคนิคในเร็ว ๆ นี้

SynthID Bio ขยายจาก SynthID ซึ่งเป็นเครื่องมือของ Google DeepMind ที่มีอยู่แล้วซึ่งฝังลายน้ำดิจิทัลลงในภาพ เสียง ข้อความ และวิดีโอที่สร้างโดย AI ในผลิตภัณฑ์ AI สร้างสรรค์ของบริษัท มาร์คเหล่านี้ไม่สามารถรับรู้ได้โดยผู้คนแต่สามารถตรวจจับได้ด้วยเทคโนโลยีของ SynthID และบริษัทยังดำเนินการ SynthID Detector ซึ่งเป็นพอร์ทัลตรวจสอบที่ผู้ใช้สามารถอัปโหลดภาพ วิดีโอ หรือไฟล์เสียงเพื่อเช็คว่ามีการฝังลายน้ำหรือไม่

พร้อมกับการประกาศนี้ DeepMind กำลังเผยแพร่บทความวิธีการ เปิดเผยซอร์สโค้ดและข้อมูลในห้องทดลอง รวมถึงปล่อยน้ำหนักโมเดลให้กับชุมชนวิจัย Pushmeet Kohli เป็นผู้ริเริ่มโครงการนี้ และ Alexander I. Cowen‑Rivers กับ David Stutz เป็นผู้นำการวิจัยและการพัฒนาเทคนิค โดยได้รับคำแนะนำจาก Kohli