介紹 SynthID Bio:在 AI 生成蛋白質中嵌入水印
2026-10-01 · Google DeepMind
介紹 SynthID Bio
今天,我們推出了 SynthID Bio,將水印技術引入合成生物學領域。SynthID Bio 將難以察覺的簽名直接嵌入到生物程式碼中,確保水印不僅能在數字模型上進行驗證,還能在合成的物理蛋白質本身上進行驗證——同時,在實驗室測試中保持其生物功能。
生成式 AI 在生物學中的機遇與挑戰
生成式 AI 正在幫助科學家解決關鍵的生物學難題,從預測蛋白質結構(如 AlphaFold)到設計全新的蛋白質(如 AlphaProteo 和 ProteinMPNN),再到最近開發感染細菌的新型噬菌體。然而,這些工具也帶來了新的挑戰:AI 設計的新型蛋白質可能會繞過傳統的 DNA 合成篩查,而標記錯誤的合成 3D 結構則有可能汙染公共資料庫並誤導下游研究。
SynthID Bio 的工作原理
SynthID Bio 是專門為合成生物學開發的一系列水印方法,旨在加強生物安全和科學完整性。
該方法會根據資料型別調整策略:在序列中巧妙地引導氨基酸的選擇,在預測的 3D 結構中調整原子座標,從而建立可靠的檢測訊號。在實驗中,這些調整並未損害蛋白質的生物功能,這對於有效治療疾病和推進科學研究至關重要。
蛋白質結合物的驗證
我們驗證了為蛋白質結合物(即專門與其他蛋白質結合的分子)新增水印的方法。我們使用了 AlphaProteo 結合設計方法,以及啟用了 SynthID Bio 的常用蛋白質序列生成方法 ProteinMPNN。
在針對三種目標蛋白質(VEGF-A、SARS-CoV-2 刺突蛋白 RBD 和 PD-L1)的溼實驗室測試中,我們帶有水印的設計在命中率、結合親和力和天然序列多樣性方面與無水印版本相匹配,成功建立了有史以來第一個帶有水印且具有生物功能的蛋白質結合物。
蛋白質摺疊的水印嵌入
對於蛋白質摺疊,SynthID Bio 微調了 AlphaFold 3 擴散網路的一小部分,將水印功能直接構建到模型權重中。這確保了無論誰執行該模型,預測的 3D 座標都會固有地帶有可檢測的簽名。SynthID Bio 在保持 AlphaFold 3 預測準確性的同時,提供了近乎完美的可檢測性,維持了關鍵結構特徵分佈,並能抵禦數字噪聲或微小的座標變化。
加強生物安全與資訊完整性
生物安全依賴於多層防禦——可以將其想象為“瑞士乳酪”防禦模型,其中多個獨立的安全措施協同工作以彌補彼此的盲點。模型級別的緩解措施和客戶審查等保障措施都代表了具有潛在差距的關鍵層。作為我們生物韌性更廣泛願景的一部分,SynthID Bio 的水印方法充當了一個嵌入生物設計本身的重要且切實的驗證層。
科學政策諮詢機構負責人、生物安全政策專家 Sarah Carter 表示:“SynthID Bio 是追蹤生物設計來源的重要拼圖。透過將設計與模型開發者聯絡起來,這些水印使開發者能夠在安全方面發揮主導作用,並允許合成提供商為使用這些模型的客戶簡化篩查流程。”
DNA 合成篩查的前線作用
這一層對於處於生物安全前線的 DNA 合成篩查尤為重要。將數字蛋白質設計轉化為物理分子需要向 DNA 合成提供商下訂單,他們會根據已知威脅資料庫對請求進行篩查。從歷史上看,不熟悉的序列可能會被安全地假定為未發現的天然生物體。但由於 AI 可以建立與已知危害幾乎沒有相似之處的全新序列,篩查人員不能再做出這種假設。驗證不熟悉的訂單是否不是工程威脅需要詳盡的人工審查,這可能會阻礙關鍵研究。在這裡,SynthID Bio 可以提供自動驗證訊號,證明訂單源自具有內建保障的可信模型。
Twist Bioscience 政策與生物安全副總裁 James Diggans 表示:“AI 正在擴充套件科學家的設計能力,而 DNA 合成公司在幫助這種創新負責任地擴充套件方面發揮著重要作用。對於 Twist 來說,水印為生物安全工具箱提供了一個有前途的新補充,可以加強篩查,將資源集中在需要仔細審查的序列上,並隨著 AI 設計的生物學的不斷發展使生物安全更加高效。”
維護公共資料庫的完整性
同樣,SynthID Bio 可以幫助維護蛋白質資料庫(PDB)、UniProt 和 GenBank 等資料庫的完整性。這些資料庫中許多都開放公眾提交,在科學進步中發揮著至關重要的作用——但標記錯誤的條目可能會對生物安全決策產生巨大的負面影響,隨著 AI 生成的生物資料的增加,這一挑戰可能只會加劇。作為提交流程的一部分,SynthID Bio 可以幫助確保合成條目被正確標記或標記。