Google DeepMind推出SynthID Bio，为AI生成蛋白质嵌入可验证水印

2026年9月30日 科学

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

在保留生物功能的同时为 AI 生成蛋白质添加水印的概念验证。

今天，我们推出 SynthID Bio，将水印技术引入合成生物学。SynthID Bio 将难以察觉的签名直接嵌入生物代码中，确保水印不仅可在数字模型上验证，也可在合成出的实体蛋白质本身上验证——同时在实验室测试中保留其生物功能。

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）到设计全新蛋白质（AlphaProteo 和 ProteinMPNN），以及最近开发新的噬菌体，即感染细菌的病毒。然而，这些工具也带来了新的挑战：新颖的 AI 设计可能绕过传统的 DNA 合成筛查，而标注错误的合成三维结构则有污染公共数据库并误导下游研究的风险。

SynthID Bio 如何工作

SynthID Bio 是一套专为合成生物学开发的水印方法，旨在加强生物安保与科研诚信。

它会根据数据类型调整方法，微妙地引导序列中氨基酸的选择，并调整预测三维结构的原子坐标，从而形成可靠的检测信号。

在实验中，这些调整并未损害蛋白质的生物功能，而生物功能对于有效治疗疾病和推进科学研究至关重要。

我们验证了为蛋白质结合剂添加水印的方法，即被构建为选择性结合其他蛋白质的分子；具体做法是将我们的结合剂设计方法 AlphaProteo 与启用 SynthID Bio 的 ProteinMPNN 版本一同使用，ProteinMPNN 是常用的蛋白质序列生成方法。

在针对三种靶蛋白（VEGF-A、SARS-CoV-2 刺突蛋白 RBD 和 PD-L1）的湿实验测试中，我们带水印的设计在命中率、结合亲和力和天然序列多样性方面与未加水印的版本相当，成功创造出有史以来首批带水印且具有生物功能的蛋白质结合剂。

对于蛋白质折叠，SynthID Bio 对 AlphaFold 3 扩散网络的一小部分进行微调，将添加水印的能力直接构建到模型权重中。这确保无论谁运行该模型，预测的三维坐标本身都带有可检测的签名。SynthID Bio 在提供近乎完美的可检测性的同时，保留了 AlphaFold 3 的预测准确度，维持了关键结构特征分布，并能抵御数字噪声或微小的坐标变化。

加强生物安保与信息完整性

生物安全依赖于分层防御——可以将其想象成“瑞士奶酪”防御模型，即多项独立的安全措施协同运作，以弥补彼此的盲区。模型级缓解措施和客户审查等保障措施各自构成关键层级，但仍可能存在缺口。作为我们更广泛的生物韧性愿景的一部分，SynthID Bio 的水印方法是嵌入生物设计本身的一层重要且切实的验证层。

“SynthID Bio 是追踪生物设计来源这一拼图中的重要一块，”生物安全政策专家、Science Policy Consulting 负责人 Sarah Carter 在审阅这项工作时表示。“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，并让合成服务提供商能够为使用这些模型的客户简化筛查流程。”

这一层对处于生物安全前线的 DNA 合成筛查尤为关键。将数字化蛋白质设计转化为实体分子，需要向 DNA 合成服务提供商下单，而提供商会对照已知威胁数据库对请求进行筛查。例如，过去人们可以较有把握地假定一条陌生序列属于尚未发现的天然生物。但由于 AI 能够创造出与已知危害几乎毫无相似之处的全新序列，筛查人员已不能再作此假定。要核实一笔陌生订单并非经过工程改造的威胁，需要进行详尽的人工审查，而这可能会延误至关重要的研究。在此，SynthID Bio 可以提供自动化验证信号，证明订单来自内置安全保障的可信模型。

“AI 正在拓展科学家能够设计的范围，而 DNA 合成公司在帮助这项创新以负责任的方式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 在为该论文提供早期反馈时表示。“对 Twist 而言，水印为生物安全工具箱提供了一项前景可期的新补充，有望加强筛查、将资源集中于需要更仔细审查的序列，并在 AI 设计的生物学持续发展之际提升生物安全的效率。”

同样，SynthID Bio 也有助于维护 Protein Data Bank、UniProt 和 GenBank 等数据库的完整性。这些数据库中有许多向公众开放提交，在科学进步中发挥着至关重要的作用——但标注错误的条目可能对生物安全决策产生过大的负面影响，而随着 AI 生成的生物数据不断加入，这一挑战可能只会加剧。作为提交流程的一部分，SynthID Bio 可以帮助确保合成条目得到正确标注，或被标记以供进一步审查。

展望未来

虽然没有任何单一的生物安全干预措施是万灵药，但 SynthID Bio 将我们久经验证的水印工具 SynthID 引入合成生物学。这是朝着可靠识别和追踪 AI 生成的生物序列与结构迈出的重要第一步。

今后，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相结合——类似于数字媒体领域的 C2PA——或与AI 生成生物数据的中央存储库配合，以更好地识别和追踪 AI 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，我们也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 lab 正在开展的合作中，我们将 SynthID Bio 集成到先进的基因组模型 Evo 2 中，为一种 由 Evo 2 设计的噬菌体 的基因组添加水印。细菌培养中的早期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潜力应对与基因组设计相关的部分 生物安全风险，并将很快在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 方法论文，开源代码和 体外 数据，并向研究社区发布权重，以便在这项工作的基础上继续推进。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人工智能驱动的发现步伐。

如需就这一重要议题与我们洽谈合作，请将高层次提案发送至 synthidbio@google.com 与我们联系。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。主要工程与研究贡献来自 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。我们感谢 Adaptyv Bio 在 体外 验证方面提供的帮助。

将这项工作扩展到为噬菌体 DNA 添加水印，是 Google DeepMind 与斯坦福大学及 Arc Institute 的 Hie lab 之间的合作，主要贡献者包括来自 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，以及来自 Arc Institute 和斯坦福大学的 Brian Hie、Samuel King 和 Aditi Merchant。

我们还感谢 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 对本项目的鼓励与支持。