Google DeepMind 发布 SynthID Bio，为 AI 生成的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

为 AI 生成的蛋白质添加水印并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 将不可感知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，还能在合成出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），再到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的挑战：AI 设计的新分子可能绕过传统的 DNA 合成筛查，而标注错误的合成 3D 结构则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。

它会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，而这对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（即被设计用于选择性附着到其他蛋白质上的分子）添加水印的方法，为此我们使用了结合剂设计方法 AlphaProteo，以及启用了 SynthID Bio 的 ProteinMPNN——一种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）的湿实验室测试中，我们带有水印的设计在命中率、结合亲和力和天然序列多样性方面均与未加水印的版本相当，成功创建了首批带有水印且具有生物功能的蛋白质结合剂。

在蛋白质折叠方面，SynthID Bio 对 AlphaFold 3 扩散网络的一小部分进行微调，将水印能力直接构建到模型的权重中。这确保预测的 3D 坐标本身携带可检测的签名，无论由谁运行该模型。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，维持关键结构特征的分布，并能抵御数字噪声或微小的坐标变化。

加强生物安全和信息完整性

生物安全依赖于多层防御——可以把它想象成一种“瑞士奶酪”防御模型，其中多个独立的安全措施协同工作，互相覆盖彼此的盲点。模型层面的缓解措施和客户审查等保障措施各自代表关键层，但都可能存在缺口。作为我们更广泛的生物韧性愿景的一部分，SynthID Bio 的水印方法作为一个重要且切实的验证层，嵌入在生物设计本身之中。

“SynthID Bio 是追踪生物设计来源这一难题中的重要一环，”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 DNA 合成筛查尤为关键，而 DNA 合成筛查正处于生物安全的前线。将数字蛋白质设计转化为物理分子需要向 DNA 合成提供商下单，由后者根据已知威胁数据库对请求进行筛查。例如，过去，一个不熟悉的序列可能被安全地假定为一种未被发现的自然生物体。但由于 AI 可以创造出与已知危害几乎没有相似之处的全新序列，筛查人员不再能做出这种假设。要验证一个不熟悉的订单不是工程化威胁，需要进行详尽的人工审查，而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，证明订单来自一个内置保障措施的受信任模型。

“AI 正在扩展科学家能够设计的内容，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手段，随着 AI 设计的生物学不断进步，它可以加强筛查、将资源集中于值得更仔细审查的序列，并提高生物安全效率。”

同样，SynthID Bio 还可以帮助维护 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众提交，它们在科学进步中发挥着至关重要的作用——但错误标注的条目可能会对生物安全决策产生过大的负面影响，而随着 AI 生成的生物数据的加入，这一挑战可能只会加剧。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注或标记以供进一步审查。

展望未来

虽然没有任何单一生物安全干预措施是万灵药，但 SynthID Bio 将SynthID——我们经过反复验证的水印工具——带入了合成生物学。这是朝着可靠识别和追踪 AI 生成的生物序列与结构迈出的重要第一步。

展望未来，关键挑战包括让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——类似于数字媒体领域的C2PA——或AI 生成生物数据的中央存储库相结合，以更好地识别和追踪 AI 生成的蛋白质。

为了匹配前沿 AI 技术日益增长的能力，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 实验室正在进行的合作中，我们将 SynthID Bio 集成到先进的基因组模型 Evo 2 中，为 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望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论文中分享更多细节。

要实现这项工作在生物安全方面的全部益处，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，我们将发表方法论文，开源代码和体外数据，并向研究社区发布权重，以便我们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级提案。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 领导，并由 Pushmeet Kohli 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。

我们还要感谢 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 对本项目的鼓励和支持。