推出 SynthID Bio
为 AI 生成的蛋白质添加水印，同时保持其生物功能的概念验证。
今天，我们推出 SynthID Bio，将水印技术引入合成生物学。SynthID Bio 将一种不可察觉的签名直接嵌入生物代码中，确保水印不仅能在数字模型上验证，还能在合成的物理蛋白质本身上验证——同时在实验室测试中保持其生物功能。
生成式 AI 正在帮助科学家应对关键的生物学挑战，从预测蛋白质结构（AlphaFold）到设计全新的蛋白质（AlphaProteo 和 ProteinMPNN），以及最近开发新的噬菌体——感染细菌的病毒。然而，这些工具也带来了新的挑战：新颖的 AI 设计可以绕过传统的 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下游研究。
SynthID Bio 的工作原理
SynthID Bio 是一系列专为合成生物学开发的水印方法，旨在加强生物安全和科学诚信。
它根据数据类型调整方法，巧妙地引导序列中氨基酸的选择，并调整预测 3D 结构的原子坐标，从而创建可靠的检测信号。
在实验中，这些调整并未损害蛋白质的生物功能，这对于有效治疗疾病和推进科学研究至关重要。
我们带有水印的 VEGF-A 蛋白结合剂预测结构可视化，水印信号以颜色表示每个氨基酸。
我们验证了蛋白质结合剂（即设计用于选择性附着到其他蛋白质上的分子）的水印方法，通过使用我们的结合剂设计方法 AlphaProteo 以及支持 SynthID Bio 的 ProteinMPNN 版本（常用的蛋白质序列生成方法）。
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，我们带有水印的设计在命中率、结合亲和力和自然序列多样性方面与未加水印的版本相匹配，成功创建了首个带有水印且具有生物功能的蛋白质结合剂。
结合亲和力（以 KD 衡量），比较了三种目标下未加水印和加水印的蛋白质设计。数值越低表示结合力越强。
对于蛋白质折叠，SynthID Bio 微调 AlphaFold 3 扩散网络的一小部分，将水印能力直接构建到模型权重中。这确保预测的 3D 坐标无论由谁运行模型都固有地携带可检测的签名。SynthID Bio 在保持 AlphaFold 3 预测准确性的同时，提供近乎完美的可检测性，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）和加水印结构（右）。
加强生物安全和信息完整性
生物安全依赖于多层防御——可以将其想象为一种“瑞士奶酪”防御模型，其中多个独立的安全措施协同工作，以覆盖彼此的盲点。模型层面的缓解措施和客户审查等保障措施各自代表着具有潜在缺口的关键层。作为我们更广泛的生物韧性愿景的一部分，SynthID Bio 的水印方法作为一个重要的、有形的验证层，嵌入在生物设计本身之中。
“SynthID Bio 是追踪生物设计来源的重要一环，”生物安全政策专家、Science Policy Consulting 负责人 Sarah Carter 表示，她审阅了这项工作。“通过将设计与模型开发者关联起来，这些水印使开发者能够在安全方面发挥引领作用，并让合成提供商能够为使用过这些模型的客户简化筛查流程。”
这一层对于处于生物安全前线的 DNA 合成筛查尤为重要。将数字蛋白质设计转化为物理分子需要向 DNA 合成提供商下订单，提供商会根据已知威胁数据库对请求进行筛查。例如，历史上，一个不熟悉的序列可能被安全地假定为未发现的自然生物体。但由于 AI 可以创造出与已知危害几乎没有相似性的全新序列，筛查人员不能再做出这种假设。验证一个不熟悉的订单不是工程化威胁需要详尽的人工审查，这可能会阻碍关键研究。在这里，SynthID Bio 可以提供自动化的验证信号，证明订单源自一个内置了安全保障的可信模型。
“AI 正在扩展科学家可以设计的内容，而 DNA 合成公司在帮助这种创新负责任地规模化方面发挥着重要作用，”Twist Bioscience 政策与生物安全副总裁 James Diggans 表示，他为该论文提供了早期反馈。“对 Twist 而言，水印为生物安全工具箱提供了一个有前景的新增选项，可以加强筛查，将资源集中在需要更仔细审查的序列上，并随着 AI 设计的生物学不断进步，使生物安全更加高效。”
同样，SynthID Bio 可以帮助维护蛋白质数据库（Protein Data Bank）、UniProt 和 GenBank 等数据库的完整性。这些数据库中的许多都开放公共提交，它们在科学进步中发挥着至关重要的作用——但错误标记的条目可能对生物安全决策产生巨大的负面影响，这一挑战可能只会随着 AI 生成的生物数据的加入而加剧。作为提交过程的一部分，SynthID Bio 可以帮助确保合成条目被正确标记或标记以供进一步审查。
展望未来
虽然没有单一的生物安全干预措施是万灵药，但 SynthID Bio 将 SynthID，我们经过验证的水印工具，带入了合成生物学。这是朝着可靠识别和追踪 AI 生成的生物序列和结构迈出的重要的第一步。
展望未来，关键挑战包括使水印在面对蓄意篡改时更加稳健。SynthID Bio 还可以与来源元数据方法——类似于数字媒体的 C2PA——或AI 生成的生物数据中央存储库相结合，以更好地识别和追踪 AI 生成的蛋白质。
为了匹配前沿 AI 技术不断增长的能力，我们还在研究如何将水印应用于更复杂的生物对象。在与斯坦福大学和 Arc Institute 的 Hie 实验室正在进行的合作中，我们将 SynthID Bio 集成到 Evo 2 这一先进基因组模型中，为由 Evo 2 设计的噬菌体基因组添加水印。在细菌培养物中进行的早期实验室测试已证实，这些带水印的噬菌体具有功能。我们相信这项工作有潜力应对与基因组设计相关的一些生物安全风险，并将很快在一篇技术手稿中分享更多细节。
要充分实现这项工作的生物安全效益，需要社区协作和进一步研究。作为我们对负责任创新承诺的一部分，我们正在发表我们的方法论文，并开源代码和体外数据，同时向研究社区发布权重，以便我们能够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公开合作，我们可以确保安全与责任跟上 AI 驱动发现的步伐。
如需就这一重要议题与我们合作，请通过 synthidbio@google.com 联系我们，并提供高层次提案。请勿披露任何机密或专有信息。
致谢
本项目由 Pushmeet Kohli 发起。研究与技术开发由 Alexander I. Cowen-Rivers 和 David Stutz 领导，并由 Pushmeet Kohli 提供指导。关键工程和研究贡献由 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 做出。我们感谢 Adaptyv Bio 在体外验证方面的帮助。
将这项工作扩展到为噬菌体 DNA 添加水印，是 Google DeepMind 与斯坦福大学和 Arc Institute 的 Hie 实验室之间的合作，Google DeepMind 的 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，以及 Arc Institute 和斯坦福大学的 Brian Hie、Samuel King 和 Aditi Merchant 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 对这篇研究文章的贡献，以及 Julien Bergeron 对 3D 渲染的贡献。最后，我们感谢 Demis Hassabis 对本项目的鼓励和支持。