Google DeepMind heeft SynthID Bio geïntroduceerd, een proof-of-concept om watermerktechnologie naar de synthetische biologie te brengen. Aangekondigd in een blogpost die op 30 september is gepubliceerd, sluist het systeem een onwaarneembare handtekening direct in de biologische code van door AI gegenereerde eiwitten in, zodat het watermerk niet alleen op het digitale model verifieerbaar is, maar ook op het gesynthetiseerde, fysieke eiwit zelf — terwijl de biologische functie in laboratoriumtests behouden blijft.

Het werk, geschreven door Pushmeet Kohli, David Stutz, Ali Cowen-Rivers en Jeremy Ratcliff, verschijnt op een moment waarop generatieve AI wetenschappers steeds meer helpt bij het aanpakken van kritische biologische uitdagingen: het voorspellen van de structuur van eiwitten met AlphaFold, het ontwerpen van geheel nieuwe eiwitten met AlphaProteo en ProteinMPNN en, recenter, het ontwikkelen van nieuwe bacteriofagen — virussen die bacteriën infecteren. Toch brengen deze tools ook nieuwe uitdagingen met zich mee. Nieuwe AI-ontwerpen kunnen traditionele DNA-syncreening omzeilen, terwijl verkeerd gelabelde synthetische 3D-structuren het risico lopen openbare databases te vervuilen en vervolgonderzoek op het verkeerde spoor te zetten.

Hoe SynthID Bio werkt

SynthID Bio is een familie watermerkmethoden die specifiek voor de synthetische biologie is ontwikkeld om bioveiligheid en wetenschappelijke integriteit te versterken. De aanpak past zich aan op het type gegevens: voor sequenties stuurt het subtiel de keuze van aminozuren; voor voorspelde 3D-structuren past het atoomcoördinaten aan. In beide gevallen creëren de aanpassingen een betrouwbaar signaal voor detectie.

In experimenten tasten deze aanpassingen de biologische functie van het eiwit niet aan — een eigenschap die Google DeepMind essentieel noemde voor het effectief behandelen van ziekten en het bevorderen van wetenschappelijk onderzoek.

Het team verifieerde zijn aanpak voor het watermerken van eiwitbinders — moleculen die zijn ontworpen om zich selectief aan andere eiwitten te hechten — door de binderontwerpmethode AlphaProteo te combineren met een SynthID Bio-enabled versie van ProteinMPNN, een veelgebruikte methode voor het genereren van eiwitsequenties. In wet-lab tests op drie doelwit-eiwitten — VEGF-A, het SARS-CoV-2 spike-eiwit RBD en PD-L1 — kwamen de watergemarkeerde ontwerpen overeen met de hit rate, bindingsaffiniteit en natuurlijke sequentiediversiteit van niet-watergemarkeerde versies, waarmee met succes de eerste ooit watergemarkeerde en biologisch functionele eiwitbinders werden gecreëerd. De bindingsaffiniteit werd gemeten als KD, waarbij lagere waarden sterkere binders aangeven.

Voor het vouwen van eiwitten fine-tunt SynthID Bio een klein deel van het diffusienetwerk van AlphaFold 3 en bouwt de mogelijkheid om te watermerken rechtstreeks in de modelgewichten in. Dit zorgt ervoor dat de voorspelde 3D-coördinaten inherent een detecteerbare handtekening dragen, ongeacht wie het model uitvoert. Volgens het bedrijf behoudt de techniek de voorspellingsnauwkeurigheid van AlphaFold 3 en biedt zij vrijwel perfecte detecteerbaarheid, behoudt zij belangrijke verdelingen van structurele kenmerken en is zij bestand tegen digitale ruis of kleine coördinaatwijzigingen. Het team illustreerde de resultaten op het eiwit 7PPA, met de voorspelde structuur van AlphaFold 3 naast de referentiestructuur en de watergemarkeerde structuur.

Versterking van bioveiligheid en informatie-integriteit

Bioveiligheid berust op gelaagde verdediging — een "zwitserse kaas"-model waarin meerdere onafhankelijke veiligheidsmaatregelen samenwerken om elkaars blinde vlekken te dekken. Beveiligingen zoals mitigaties op modelniveau en klantcontroles vertegenwoordigen elk kritieke lagen met mogelijke lacunes. Als onderdeel van de bredere visie van Google DeepMind op bioresilience dient de watermerkaanpak van SynthID Bio als een belangrijke, tastbareatielaag die is ingebed in het biologische ontwerp zelf.

"SynthID Bio is een belangrijke puzzelstuk voor het traceren van de herkomst van biologische ontwerpen", aldus Sarah Carter, bioveiligheidsbeleidsexpert en Principal bij Science Policy Consulting, die het werk heeft beoordeeld. "Door ontwerpen te koppelen aan de modelontwikkelaar geven deze watermerken ontwikkelaars de leiding op het gebied van veiligheid en maken zij het syntheseverleners mogelijk de screening voor klanten die die modellen hebben gebruikt te stroomlijnen."

Die laag is bijzonder essentieel voor DNA-synthesescreening, die aan de frontlinie van de bioveiligheid staat. Het omzetten van digitale eiwitontwerpen in fysieke moleculen vereist het plaatsen van een bestelling bij DNA-syntheseleveranciers, die verzoeken toetsen aan databases van bekende bedreigingen. Vroeger kon een onbekende sequenties veilig worden beschouwd als een nog niet ontdekt natuurlijk organisme. Maar omdat AI geheel nieuwe sequenties kan creëren die weinig gelijkenis vertonen met bekende gevaren, kunnen screeners die aanname niet langer maken. Verifiëren dat een onbekende bestelling geen ontworpen bedreiging is, vereist uitputtende handmatige beoordelingen die essentieel onderzoek kunnen vertragen. SynthID Bio kan in deze context een geautomatiseerd verificatiesignaal leveren, waarmee wordt aangetoond dat een bestelling afkomstig is van een vertrouwd model met ingebouwde beveiligingen.

"AI vergroot wat wetenschappers kunnen ontwerpen, en DNA-synthesebedrijven spelen een belangrijke rol bij het verantwoord opschalen van die innovatie", aldus James Diggans, Vice President, Policy and Biosecurity bij Twist Bioscience, die vroegtijdige feedback op het artikel gaf. "Voor Twist biedt watermerken een veelbelovende nieuwe aanvulling op de bioveiligheidsgereedschapskist die de screening kan versterken, middelen kan richten op sequenties die nadere review verdienen en de bioveiligheid efficiënter kan maken naarmate door AI ontworpen biologie zich blijft ontwikkelen."

Op vergelijkbare wijze kan SynthID Bio helpen de integriteit te waarborgen van databases zoals de Protein Data Bank, UniProt en GenBank. Deze databases, waarvan vele openstaan voor openbare inzendingen, spelen een cruciale rol in wetenschappelijke vooruitgang — maar verkeerd gelabelde invoer kan een buitengewoon negatieve impact hebben op bioveiligheidsbeslissingen, een uitdaging die alleen maar kan groeien met de toevoeging van door AIereerde biologische gegevens. Als onderdeel van het inzendproces kan SynthID Bio helpen garanderen dat synthetische invoer correct wordt gelabel of gemarkeerd voor nadere review.

Vooruitblik

Hoewel geen enkele bioveiligheidsinterventie een wondermiddel is, brengt SynthID Bio SynthID — het beproefde watermerkinstrument van Google DeepMind — naar de synthetische biologie, een belangrijke eerste stap naar het betrouwbaar identificeren en volgen van door AI gegenereerde biologische sequenties en structuren.

Belangrijke uitdagingen voor de toekomst zijn onder meer het robuuster maken van het watermerk tegen opzettelijke manipulatie. SynthID Bio kan ook worden gecombineerd met herkomst-metadata-benaderingen — vergelijkbaar met C2PA voor digitale media — of met centrale opslagplaatsen van door AI gegenereerde biologische gegevens om door AI gegenereerde eiwitten beter te identificeren en te volgen.

Om gelijke tred te houden met de groeiende mogelijkheden van frontier AI-technologie onderzoekt Google DeepMind ook hoe watermerken kunnen worden toegepast op complexere biologische objecten. In lopend werk met het Hie-lab aan de Stanford University en het Arc Institute heeft het team SynthID Bio geïntegreerd in Evo 2, een geavanceerd genomisch model, om het genoom van een met Evo 2 ontworpen bacteriofaag te watermerken. Vroege laboratoriumtests in bacterieculturen hebben bevestigd dat deze watergemarkeerde bacteriofagen functioneel zijn. Google DeepMind zei dat het werk het potentieel heeft om een deel van de bioveiligheidsrisico's rond genoomontwerp aan te pakken en dat verdere details binnenkort in een technisch manuscript zullen worden gedeeld.

Het realiseren van de volledige bioveiligheidsvoordelen van dit werk vereist samenwerking met de gemeenschap en verder onderzoek. Als onderdeel van zijn inzet voor verantwoorde innovatie publiceert het bedrijf zijn methodenartikel, stelt het de code en in vitro-gegevens beschikbaar als open source en brengt het de modelgewichten uit aan de onderzoekscommunity. Google DeepMind zei openlijk te willen samenwerken met partners op het gebied van bioveiligheid, gensynthese en beleid om te zorgen dat veiligheid en verantwoordelijkheid gelijke tred houden met door AI aangedreven ontdekkingen. Geïnteresseerde partijen wordt gevraagd contact op te nemen met het team via synthidbio@google.com met een voorstel op hoofdlijnen, en geen vertrouwelijke of eigendomsinformatie te delen.

Dankwoord

Het project is geïnitieerd door Pushmeet Kohli. Het onderzoek en de technische ontwikkeling werden geleid door Alexander I. Cowen-Rivers en David Stutz, met Kohli als adviseur. Belangrijke technische en onderzoeksbijdragen werden geleverd door 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 en Sven Gowal. Het team bedankte Adaptyv Bio voor hulp bij de in vitro-validatie.

De uitbreiding van het werk naar het watermerken van bacteriofaag-DNA is een samenwerking tussen Google DeepMind en het Hie-lab aan Stanford en het Arc Institute, met belangrijke bijdragen van 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 en Pushmeet Kohli van Google DeepMind, en Brian Hie, Samuel King en Aditi Merchant van het Arc Institute en Stanford.

Google DeepMind bedankte verder 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 en Augustin Žídek voor hun bijdragen aan het onderzoeksartikel, en Julien Bergeron voor zijn bijdragen aan de 3D-rendering. Het team sloot af met het bedanken van Demis Hassabis voor zijn aanmoediging en steun aan het project.