Google DeepMind представила SynthID Bio — систему водяних знаків для AI-білків

Google DeepMind 30 вересня представила SynthID Bio — сімейство методів водяних знаків, створене для синтетичної біології. Система ставить невидимий знак на створені AI дизайни, щоб білок можна було ідентифікувати навіть після синтезу в лабораторії. Заяву зроблено разом із статтею в Nature.

Як працює водяний знак

SynthID Bio адаптує вже перевірену технологію SynthID від Google до біологічних даних. У випадку послідовностей білків він працює з ProteinMPNN: коли цей інструмент розставляє амінокислоти на каркасі одну за одною, SynthID Bio на основі ключа й уже вибраних амінокислот пропонує наступну. ProteinMPNN приймає пропозицію лише тоді, коли вона відповідає формі каркаса та обмеженням, тому знак розподіляється по всій послідовності.

Розпізнавання є статистичним: власник ключа перевіряє всю послідовність і вимірює, як часто в ній з'являються амінокислоти SynthID Bio. Для прогнозованих 3D-структур команда доопрацювала невелику частину дифузійної мережі AlphaFold 3, щоб знак вбудовувався в самі ваги моделі. Метод зберігає точність AlphaFold 3.

Лабораторні результати та біобезпека

Дослідники разом з AlphaProteo перевірили три мішені: VEGF-A, RBD spike-білка SARS-CoV-2 та PD-L1. Позначені варіанти збіглися з непозначеним контролем за частотою ударів, афінністю зв'язування та природним різноманіттям послідовності. За словами DeepMind, це перші білкові біндери, позначені водяним знаком і біологічно функціональні.

Головна мета — скринінг синтезу ДНК. Постачальники синтезу порівнюють замовлення з базами відомих загроз, але невідомий AI-дизайн не схожий на наявні записи. На думку DeepMind, якщо постачальники матимуть ключі довірених організацій, вони швидко визначать, що невідомий білок створено довіреною моделлю, і спрямують ресурси на підозрілі замовлення. Знак також сприяє точності Protein Data Bank, UniProt і GenBank.

Обмеження

Безпека залежить від розподілу ключів. У дуже коротких білках амінокислоти знака можуть траплятися недостатньо часто. Додавання непозначеної послідовності, наприклад злиття з природним флуоресцентним білком, послаблює знак, а цілеспрямованим втручанням його можна й видалити. Багато AI-інструментів не використовують ProteinMPNN, тому не кожен дизайнер може поставити знак. Поріг розпізнавання змінює баланс між хибнопозитивними та хибнонегативними результатами. За оцінкою Ars Technica, практична користь методу в такому вигляді ще не до кінця ясна, але сам факт, що підхід працює, важливий.

DeepMind випустить код і дані in vitro у відкритий доступ і перевіряє підхід також на геномі бактеріофага, створеному моделлю Evo 2.

Джерела: Ars Technica · Google DeepMind