Google DeepMind 推出 SynthID Bio，這是一項將浮水印技術帶入合成生物學的概念驗證計畫。這套系統在 9 月 30 日發布的部落格文章中公布，可直接將難以察覺的簽章嵌入 AI 生成蛋白質的生物程式碼中，確保浮水印不僅能在數位模型上驗證，也能在合成後的實體蛋白質本身上驗證——同時在實驗室測試中保留其生物功能。

這項由 Pushmeet Kohli、David Stutz、Ali Cowen-Rivers 與 Jeremy Ratcliff 撰寫的研究成果問世之際，生成式 AI 正日益協助科學家應對關鍵的生物學挑戰：以 AlphaFold 預測蛋白質結構、以 AlphaProteo 和 ProteinMPNN 設計全新蛋白質，以及近期開發新型噬菌體——即感染細菌的病毒。然而這些工具也帶來新的挑戰：新穎的 AI 設計可能繞過傳統的 DNA 合成篩檢，而被錯誤標註的合成 3D 結構則可能污染公共資料庫並誤導後續研究。

SynthID Bio 的運作方式

SynthID Bio 是一套專為合成生物學開發的浮水印方法，旨在強化生物安全與科學誠信。此方法會依資料類型進行調整：針對序列，它會微妙地引導胺基酸的選擇；針對預測的 3D 結構，它會調整原子座標。在兩種情況下，這些修改都會建立可靠的可偵測訊號。

在實驗中，這些調整並未損害蛋白質的生物功能——Google DeepMind 稱這一特性對於有效治療疾病和推進科學研究至重要。

研究團隊結合其結合子設計方法 AlphaProteo 與啟用 SynthID Bio 的 ProteinMPNN 版本（一種常用的蛋白質序列生成方法），驗證了為蛋白質結合子加上浮水印的方法。蛋白質結合子是指被設計來選擇性附著於其他蛋白質的分子。在針對三種標的蛋白——VEGF-A、SARS-CoV-2 棘蛋白 RBD 及 PD-L1——的濕式實驗室測試中，帶浮水印的設計在命中率、結合親和力及天然序列多樣性方面均與未加浮水印的版本相當，成功創造出史上首批帶浮水印且具生物功能的蛋白質結合子。結合親和力以 KD 衡量，數值越低表示結合力越強。

針對蛋白質摺疊，SynthID Bio 對 AlphaFold 3 擴散網路的一小部分進行微調，將浮水印能力直接建入模型權重中。這確保無論由誰執行模型，預測的 3D 座標都會帶有可偵測的簽章。據該公司表示，這項技術在保有 AlphaFold 3 預測準確度的同時，提供近乎完美的可偵測性，維持關鍵結構特徵分佈，並能抵禦數位雜訊或微小的座標變動。團隊以蛋白質 7PPA 為例展示了結果，將 AlphaFold 3 預測結構與真實結構及帶浮水印的結構並列呈現。

強化生物安全與資訊完整性

生物安全有賴多層防禦——即「瑞士起司」模型，多項獨立的安全措施協同運作，以彌補彼此的盲點。模型層級的緩解措施與客戶審查等防護措施，各自都是存在潛在漏洞的關鍵防護層。作為 Google DeepMind 更廣泛的生物韌性願景的一部分，SynthID Bio 的浮水印方法可作為一個重要且具體的驗證層，直接嵌入生物設計本身。

「SynthID Bio 是追蹤生物設計來源的重要拼圖，」審閱這項研究的生物安全政策專家、Science Policy Consulting 合夥人 Sarah Carter 表示。「透過將設計與模型開發者連結，這些浮水印讓開發者能在安全方面發揮領導作用，並讓合成服務商能為使用過這些模型的客戶簡化篩檢流程。」

這一防護層對於處於生物安全第一線的 DNA 合成篩檢尤其關鍵。將數位蛋白質設計轉化為實體分子，需要向 DNA 合成服務商下單，後者會比對已知威脅資料庫來篩檢訂單。歷史上，陌生的序列通常可以安全地假定為尚未被發現的天然生物。但由於 AI 能創造出與已知危害幾乎毫無相似之處的全新序列，篩檢人員已無法做出這種假定。驗證一份陌生訂單並非工程改造的威脅，需要耗費大量人力進行人工審查，可能因而拖延重要研究。在方面，SynthID Bio 可以提供自動化的驗證訊號，證明訂單源自具內建安全防護的可信模型。

「AI 正在擴展科學家可設計的範疇，而 DNA 合成公司在協助這項創新以負責任的方式擴大規模方面扮演重要角色，」Twist Bioscience 政策與生物安全副總裁 James Diggans 表示，他為這篇論文提供了早期意見。「對 Twist 而言，浮水印為生物安全工具箱帶來一項有前景的新工具，可以強化篩檢、將資源集中在需要更密切審查的序列上，並在 AI 設計的生物學持續進展之際提升生物安全的效率。」

同樣地，SynthID Bio 也有助於維護 Protein Data Bank、UniProt 與 GenBank 等資料庫的完整性。這些資料庫大多開放公眾提交，在科學進展中扮演重要角色——但錯誤標註的條目可能對生物安全決策產生超乎尋常的負面影響，而隨著 AI 生成的生物數據不斷增加，這一挑戰可能只會擴大。作為提交流程的一部分，SynthID Bio 可協助確保合成條目被正確標註或標記以供進一步審查。

未來展望

雖然沒有任何單一的生物安全干預措施是萬靈丹，SynthID Bio 將 Google DeepMind 經過驗證的浮水印工具 SynthID 帶入合成生物學，是可靠識別與追蹤 AI 生成生物序列及結構的重要第一步。

未來的關鍵挑戰包括提升浮水印對蓄意篡改的抵抗力。SynthID Bio 也可以與來源元資料方法——類似數位媒體領域的 C2PA——或 AI 生成生物數據的中央資料庫搭配，以更好地識別與追蹤 AI 生成的蛋白質。

為因應前沿 AI 技術日益增長的能力，Google DeepMind 也在研究如何將浮水印應用於更複雜的生物物件。在與史丹佛大學 Hie 實驗室及 Arc Institute 的持續合作中，團隊將 SynthID Bio 整合進先進基因組模型 Evo 2，為 Evo 2 設計的噬菌體基因組加上浮水印。早期在細菌培養中的實驗室測試已確認這些帶浮水印的噬菌體具有功能。Google DeepMind 表示，這項工作有潛力解決部分與基因組設計相關的生物安全風險，更多細節將於近期以技術手稿形式分享。

要實現這項工作的完整生物安全效益，需要社群合作與進一步研究。作為對負責任創新承諾的一部分，該公司正發表其方法論論文、開源程式碼與體外實驗數據，並向研究社群釋出模型權重。Google DeepMind 表示，希望與生物安全、基因合成及政策領域的合作夥伴公開合作，確保安全與責任跟上 AI 驅動的探索步伐。有興趣在此議題上合作的各方，請透過 synthidbio@google.com 聯繫團並附上高層次的合作提案，且請勿揭露任何機密或專屬資訊。

致謝

本專案由 Pushmeet Kohli 發起，研究與技術開發由 Alexander I. Cowen-Rivers 與 David Stutz 領導，Kohli 擔任顧問。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 與 Sven Gowal 作出了關鍵的工程與研究貢獻。團隊感謝 Adaptyv Bio 協助進行體外驗證。

將這項工作延伸至噬菌體 DNA 浮水印，是 Google DeepMind 與史丹佛 Hie 實驗室及 Arc Institute 的合作成果，主要貢獻者包括 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 與 Pushmeet Kohli，以及 Arc Institute 與史丹佛的 Brian Hie、Samuel King 與 Aditi Merchant。

Google DeepMind 亦感謝 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 與 Augustin Žídek 對研究論文的貢獻，以及 Julien Bergeron 對 3D 渲染的貢獻。最後，團隊感謝 Demis Hassabis 對本專案的鼓勵與支持。