Google DeepMind 推出 SynthID Bio，用于 AI 生成蛋白质水印

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 生成蛋白质加水印的概念验证。

今天，我们推出 SynthID Bio，将水印技术带入合成生物学。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，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 3D 结构则有污染公共数据库并误导下游研究的风险。

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物加水印的方法，即为选择性附着到其他蛋白质上而构建的分子；为此，我们使用了结合物设计方法 AlphaProteo，以及启用 SynthID Bio 的常用蛋白质序列生成方法 ProteinMPNN 版本。

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，我们的加水印设计在命中率、结合亲和力和天然序列多样性方面与未加水印版本相当，成功创建出有史以来首批加水印且具有生物功能的蛋白质结合物。

对于蛋白质折叠，SynthID Bio 会对 AlphaFold 3 扩散网络的一小部分进行微调，将直接加水印的能力构建进模型权重中。这确保无论由谁运行模型，预测的 3D 坐标都天然携带可检测的签名。SynthID Bio 在提供近乎完美可检测性的同时，保留了 AlphaFold 3 的预测准确性，维持关键结构特征分布，并能抵御数字噪声或轻微的坐标变化。

加强生物安全和信息完整性

生物安全依赖于分层防御——可以把它想象成一种“瑞士奶酪”防御模型，其中多项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，各自都代表着关键层次，但也可能存在缺口。作为我们更广泛的生物韧性愿景的一部分，SynthID Bio 的水印方法提供了一个重要而具体的验证层，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 在审阅这项工作后表示。“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主导作用，并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 DNA 合成筛查尤为关键，因为后者处在生物安全的最前线。将数字蛋白质设计转化为实体分子，需要向 DNA 合成提供商下单，而这些提供商会将请求与已知威胁数据库进行比对筛查。例如，从历史上看，一个陌生序列可能会被安全地假定为一种尚未发现的天然生物体。但由于 AI 可以创建与已知危害几乎没有相似之处的全新序列，筛查人员不能再作出这种假设。要验证一个陌生订单并非工程化威胁，需要进行详尽的人工审查，这可能会拖慢关键研究。在这里，SynthID Bio 可以提供自动化验证信号，证明某个订单源自一个带有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 合成公司在帮助这种创新以负责任的方式扩大规模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，他为这篇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很有前景的新补充，它可以加强筛查，将资源集中到需要更仔细审查的序列上，并随着 AI 设计的生物学持续发展，使生物安全更加高效。”

同样，SynthID Bio 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开放公众提交，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会在生物安全决策中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能灵药，但 SynthID Bio 将我们久经考验的水印工具 SynthID 带入了合成生物学领域。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更能抵御蓄意篡改。SynthID Bio 还可以与来源元数据方法配合使用——类似于数字媒体中的 C2PA——或与 AI 生成生物数据的中央存储库配合使用，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 实验室正在开展的工作中，我们将 SynthID Bio 集成到先进的基因组模型 Evo 2 中，为一个由 Evo 2 设计的噬菌体的基因组添加水印。早期在细菌培养物中的实验室测试已确认，这些带水印的噬菌体具备功能性。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。

要实现这项工作的全部生物安全效益，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，我们正在发布我们的方法论文，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 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与我们联系，并提供高层次提案。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 提供建议。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。

将这项工作扩展到为噬菌体 DNA 添加水印，是 Google DeepMind 与斯坦福大学 Hie 实验室和 Arc Institute 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 对研究文章做出的贡献，以及 Julien Bergeron 对 3D 渲染做出的贡献。最后，我们感谢 Demis Hassabis 对该项目的鼓励和支持。