Introducing SynthID Bio

2026年9月30日 科学

Pushmeet Kohli, David Stutz, Ali Cowen-Rivers 和 Jeremy Ratcliff

在保持生物功能的同时，对AI生成的蛋白质进行水印技术的概念验证。

今天，我们推出 SynthID Bio，将水印技术引入合成生物学领域。SynthID Bio 将不可察觉的标识直接嵌入生物代码中，确保水印不仅可以在数字模型上验证，还可以在合成的物理蛋白本身上验证——所有操作均在实验室测试中保持其生物功能。

生成式AI正在帮助科学家解决关键的生物学挑战，从预测蛋白质结构（AlphaFold）到设计全新蛋白质（AlphaProteo 和 ProteinMPNN），以及最近开发新型噬菌体（感染细菌的病毒）。然而这些工具也带来了新挑战：新型AI设计可能绕过传统DNA合成筛选，而错误标记的合成3D结构可能污染公共数据库并误导后续研究。

SynthID Bio 的工作原理

SynthID Bio 是专为合成生物学开发的一系列水印方法，旨在加强生物安全性和科学完整性。

根据数据类型调整方法，微妙地引导氨基酸序列选择并调整预测3D结构的原子坐标，从而创建可靠的检测信号。

实验表明，这些调整并未影响蛋白质的生物功能，而这是有效治疗疾病和推进科学研究的关键。

我们水印VEGF-A蛋白结合剂的预测结构可视化，每个氨基酸用颜色表示水印信号。

我们通过结合AlphaProteo（我们的结合剂设计方法）和启用SynthID Bio的ProteinMPNN（常用的蛋白质序列生成方法）验证了水印蛋白结合剂的方法。结合剂是专门设计用于选择性结合其他蛋白质的分子。

在针对三种目标蛋白（VEGF-A、SARS-CoV-2刺突蛋白RBD和PD-L1）的湿实验室测试中，我们的水印设计在命中率、结合亲和力和天然序列多样性方面与未水印版本匹配，成功创造了首个水印且具有生物功能的蛋白结合剂。

三种目标蛋白的非水印和水印蛋白设计的结合亲和力（KD）对比。数值越低表示结合能力越强。

对于蛋白质折叠，SynthID Bio 对 AlphaFold 3 的扩散网络进行了微调，在模型权重中直接嵌入了水印能力。这确保了无论谁运行该模型，预测的 3D 坐标都会天然携带可检测的特征。SynthID Bio 在保持 AlphaFold 3 预测精度的同时，实现了近乎完美的可检测性，同时维持关键结构特征分布，并能抵御数字噪声或微小坐标变化。

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

强化生物安全与信息完整性

生物安全依赖于多层防御机制——可以将其想象为“瑞士奶酪”模型，多个独立的安全措施协同工作以弥补彼此的盲区。模型级缓解措施和客户审核等防护手段各自代表关键的防御层级，但都可能存在漏洞。作为我们关于生物韧性的更广泛愿景的一部分，SynthID Bio 的水印方法是一种嵌入生物设计本身的实质性验证层，具有重要的现实意义。

_“SynthID Bio 是追踪生物设计来源的重要拼图之一，”生物安全政策专家、Science Policy Consulting 公司首席顾问 Sarah Carter 在审阅该研究后表示。“通过将设计与模型开发者关联，这些水印使开发者能够主导安全性问题，并让合成服务提供商更高效地筛选使用过这些模型的客户。”_

这一层防御对 DNA 合成筛选尤为重要，因为后者是生物安全的前沿防线。将数字蛋白质设计转化为物理分子需要向 DNA 合成服务商下单，而这些服务商会将订单与已知威胁数据库进行比对。例如，历史上，陌生序列可能被安全地假设为尚未发现的天然生物。但因为 AI 可以生成与已知危险序列几乎没有相似之处的全新序列，筛查人员无法再做这种假设。验证陌生订单是否为工程化威胁需要耗费大量人力进行手动审查，这可能会延误关键研究。在此，SynthID Bio 可提供自动化验证信号，证明订单源自具有内置安全机制的可信模型。

_“AI 正在拓展科学家能够设计的边界，而 DNA 合成公司在此过程中扮演着帮助负责任扩展创新的重要角色，”Twist Bioscience 公司政策与生物安全副总裁 James Diggans 在论文早期反馈阶段表示。“对 Twist 来说，水印技术为生物安全工具箱提供了有前景的新补充，可能强化筛查流程，将资源集中在需要更深入审查的序列上，并随着 AI 设计的生物学不断发展，提高生物安全效率。”_

同样，SynthID Bio 也有助于维护蛋白质数据库（Protein Data Bank）、UniProt 和 GenBank 等数据库的完整性。这些数据库中许多都允许公众提交数据，对科学进步至关重要——但错误标记的条目可能在生物安全决策中产生不成比例的负面影响。随着人工智能生成的生物数据不断增加，这一挑战可能会进一步加剧。作为提交流程的一部分，SynthID Bio 可帮助确保合成条目得到适当标记或标记以供进一步审查。

前景展望

虽然没有任何单一的生物安全干预措施能解决所有问题，但 SynthID Bio 将我们经过验证的水印工具 SynthID 带入合成生物学领域。这是可靠识别和追踪人工智能生成的生物序列和结构的重要第一步。

未来的关键挑战包括使水印更能抵御蓄意篡改。SynthID Bio 还可以与来源 元数据 方法结合使用——类似于数字媒体的 C2PA 标准，或 人工智能生成生物数据的中央存储库，以更好地识别和追踪人工智能生成的蛋白质。

为了与前沿人工智能技术不断增强的能力相匹配，我们还在研究如何将水印技术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 的持续合作中，我们将 SynthID Bio 集成到 Evo 2 这一先进的基因组模型中，对 Evo 2 设计的噬菌体 的基因组进行水印标记。早期在细菌培养中的实验室测试已确认这些带水印的噬菌体具有功能。我们相信这项工作有可能解决基因组设计相关的部分 生物安全风险，并将很快在技术论文中分享更多细节。

要实现这项工作的全部生物安全效益，需要社区协作和进一步研究。作为我们致力于负责任创新的一部分，我们正在发布 方法论文，开源代码和 _in vitro_ 数据，并向研究社区发布模型权重，以便在此基础上继续推进。通过与生物安全、基因合成和政策领域的合作伙伴开放合作，我们可以确保安全和责任与人工智能驱动的发现保持同步。

如需就这一重要主题与我们合作，请通过 [[email protected]_](mailto:[email protected]) 联系我们，并附上高层次的合作提案。请勿披露任何机密或专有信息。

致谢

该项目由Pushmeet Kohli发起。研究和技术开发由Alexander I. Cowen-Rivers和David Stutz主导，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在工程和研究方面做出了关键贡献。感谢Adaptyv Bio在体外验证方面的协助。

将本研究扩展至噬菌体DNA水印技术是Google DeepMind与斯坦福大学Hie实验室及Arc研究所的合作成果，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来自Google DeepMind，Brian Hie、Samuel King和Aditi Merchant来自Arc研究所及斯坦福大学，均做出了关键贡献。

我们进一步感谢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Julien Bergeron在3D渲染方面的贡献。最后，感谢Demis Hassabis对本项目的鼓励和支持。