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

September 30, 2026 科学

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

在保留生物学功能的同时，为 AI 生成的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 将不可察觉的标记直接嵌入生物编码中，确保水印不仅能在数字模型上验证，也能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学功能。

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），再到近期开发新的噬菌体，即感染细菌的病毒。然而，这些工具也带来了新的挑战：新型 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研诚信。

它会根据数据类型调整方法，对序列中氨基酸的选择进行细微引导，并调整预测三维结构的原子坐标，从而生成可供检测的可靠信号。

在实验中，这些调整并未损害蛋白质的生物学功能，而这种功能对于有效治疗疾病和推动科学研究至关重要。

我们将结合体设计方法 AlphaProteo 与支持 SynthID Bio 的 ProteinMPNN 版本结合使用，验证了为蛋白质结合体添加水印的方法。蛋白质结合体是为选择性结合其他蛋白质而构建的分子，而 ProteinMPNN 则是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 刺突蛋白的 RBD 和 PD-L1）的湿实验测试中，我们添加了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添加水印的版本相当，成功创造出首批带有水印且具有生物学功能的蛋白质结合体。

对于蛋白质折叠，SynthID Bio 会微调 AlphaFold 3 扩散网络中的一小部分，将添加水印的能力直接融入模型权重。这确保了无论由谁运行模型，预测的三维坐标都天然带有可检测的标记。SynthID Bio 在保留 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，并能抵抗数字噪声或轻微坐标变化的影响。

加强生物安全与信息完整性

生物安全依赖于多层防御——可以将其想象成一种“瑞士奶酪”防御模型，多项相互独立的安全措施协同运作，弥补彼此的盲点。模型层面的缓解措施和客户审查等防护措施各自构成关键的一层，但也可能存在漏洞。作为我们更广泛的生物韧性愿景的一部分，SynthID Bio 的水印方法在生物设计本身中嵌入了一个重要且切实的验证层。

“SynthID Bio 是追踪生物设计来源的关键一环，”审阅了这项工作的生物安全政策专家、Science Policy Consulting 负责人 Sarah Carter 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，也让合成服务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最前线的 DNA 合成筛查尤为重要。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，而这些提供商会对照已知威胁数据库筛查订单。例如，过去通常可以放心地假定，陌生序列来自尚未被发现的天然生物。但由于 AI 能够创建与已知危险序列几乎没有相似之处的全新序列，筛查人员已无法再作出这一假定。要验证一份陌生订单并非人为设计的威胁，需要进行详尽的人工审查，这可能导致重要研究停滞。在这种情况下，SynthID Bio 可以提供自动化验证信号，证明订单源自内置防护措施的可信模型。

“AI 正在拓展科学家能够设计的范围，而 DNA 合成公司在帮助这类创新以负责任的方式扩大规模方面发挥着重要作用，”曾对这篇论文提供早期反馈的 Twist Bioscience 政策与生物安全副总裁 James Diggans 表示。“对 Twist 而言，水印技术有望成为生物安全工具箱中的一项新工具，能够加强筛查，将资源集中用于需要更仔细审查的序列，并随着 AI 设计生物学的持续发展而提高生物安全工作的效率。”

同样，SynthID Bio 也可以帮助维护 Protein Data Bank、UniProt 和 GenBank 等数据库的完整性。这些数据库中有许多接受公众提交数据，在推动科学进步方面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不成比例的负面影响，而随着 AI 生成的生物数据加入，这一挑战可能只会加剧。作为数据提交流程的一部分，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

尽管没有任何单一的生物安全干预措施能够一劳永逸地解决问题，但 SynthID Bio 将我们经过充分验证的水印工具 SynthID 引入了合成生物学领域。这是迈向可靠识别和追踪 AI 生成的生物序列与结构的重要第一步。

接下来，关键挑战包括提高水印抵御蓄意篡改的能力。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 生成生物数据的集中存储库相结合，以更好地识别和追踪 AI 生成的蛋白质。

为匹配前沿 AI 技术日益增强的能力，我们也在研究如何将水印技术应用于更复杂的生物对象。在与斯坦福大学及 Arc Institute 的 Hie 实验室正在开展的合作中，我们将 SynthID Bio 集成到先进的基因组模型 Evo 2 中，为由 Evo 2 设计的噬菌体的基因组添加水印。在细菌培养物中开展的早期实验室测试已证实，这些带水印的噬菌体具有功能。我们认为，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。

要充分实现这项工作在生物安全方面的效益，需要整个领域的协作和进一步研究。作为我们致力于负责任创新的一部分，我们正在发表方法论文，开源代码和体外实验数据，并向研究界发布模型权重，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开展开放合作，我们可以确保安全与责任跟上 AI 驱动的发现步伐。

如有意就这一重要议题与我们合作，请发送概略提案至 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。研究和技术开发由 Alexander I. Cowen-Rivers 和 David Stutz 领导，Pushmeet Kohli 担任顾问。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 作出了关键的工程和研究贡献。我们感谢 Adaptyv Bio 在体外验证方面提供的帮助。

将这项工作扩展至为噬菌体 DNA 添加水印，是 Google DeepMind 与斯坦福大学及 Arc Institute 的 Hie 实验室之间的合作成果。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 作出了关键贡献。

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 对研究论文作出的贡献，以及 Julien Bergeron 对 3D 渲染作出的贡献。最后，我们感谢 Demis Hassabis 对本项目的鼓励与支持。