Google DeepMind stellte SynthID Bio am 30. September 2026 vor. Das Proof of Concept umfasst zwei Verfahren, die Wasserzeichen in KI-generierten Proteinsequenzen beziehungsweise vorhergesagten Proteinstrukturen verankern sollen. Am selben Tag erschien die Methodenstudie.

Google DeepMind stellt SynthID Bio vor

Ein Wasserzeichen soll die biologische Herkunft eines Entwurfs erkennbar machen. SynthID Bio markiert dabei nicht mit einer ausführlichen Kennung, wer ein Protein entworfen hat: Die beschriebenen Verfahren signalisieren lediglich, ob ein Wasserzeichen vorhanden ist. Google DeepMind nennt die Herkunftserkennung als möglichen Baustein für Biosecurity-Prüfungen und die Integrität wissenschaftlicher Daten.

Zwei Verfahren für Sequenzen und Strukturen

SynthIDBio-sequence verändert bei der Sequenzgenerierung die Auswahl von Aminosäuren mit einem schlüsselgesteuerten Verfahren. Es ist in ProteinMPNN eingebunden; ein zusätzlicher Filter prüft den Wasserzeichenwert. Für die Erkennung wird der geheime Schlüssel genutzt, um die Sequenz zu bewerten.

SynthIDBio-structure setzt an vorhergesagten Strukturen an. Dafür werden Teile von AlphaFold 3 – das Diffusionsmodul und das Konfidenzmodul – mit einem Wasserzeichenziel nachtrainiert, sodass die vorhergesagten Koordinaten ein erkennbares Signal tragen. Ein separat trainierter Detektor sucht danach.

Was die Bindertests zeigen

Die Sequenzmethode wurde im Labor an entworfenen Bindern gegen drei Ziele getestet: SC2RBD, VEGF-A und PD-L1. Die gemessenen, SPR-basierten Bindungsaffinitätsverteilungen unterschieden sich auf Populationsebene nicht signifikant zwischen markierten und unmarkierten Entwürfen. Bei der Trefferquote zeigte sich jedoch ein Unterschied: Bei KD ≤ 10⁻⁶ schnitten unmarkierte Binder besser ab als die mit der nicht-verzerrenden 0,5-Einstellung markierten Binder. Bei KD ≤ 10⁻⁷ wurde kein signifikanter Unterschied der Trefferquoten berichtet.

Mit einem Sequenzfilter, der auf eine Fehlalarmrate von 0,1 Prozent kalibriert war, erreichten die gefilterten In-vitro-Entwürfe eine Trefferquote von 100 Prozent. Der Filter kann zugleich die Zahl der Entwürfe verringern, die das Verfahren passieren, und zusätzlichen Rechenaufwand verursachen.

Für die getesteten Strukturmodelle lag die Trefferquote bei einer Fehlalarmrate von 0,1 Prozent bei mehr als 99,8 Prozent. Für das Modell mit s = 0,001 betrug sie bei einer Fehlalarmrate von 0,01 Prozent 98,99 Prozent. Diese Werte beziehen sich jeweils auf die untersuchten Modelle und Einstellungen.

Herkunftssignal ist kein Sicherheitsurteil

Ein Wasserzeichen kann auf die Herkunft eines Protein-Entwurfs hinweisen, bewertet aber nicht dessen Sicherheit. Ein operativer Einsatz für Biosecurity-Prüfungen würde weitere Entwicklung und Abstimmung erfordern.

Die Studie berichtet außerdem von einem Angriff, bei dem ProteinMPNN eine markierte Sequenz neu generierte und das Sequenzwasserzeichen dadurch effektiv entfernte. Bei Strukturmodellen blieb das Signal gegenüber starren Transformationen und leichtem Koordinatenrauschen robust; eine eingeschränkte Relaxation mit OpenMM und dem Amber99sb-Kraftfeld zerstörte es.

Forschung und mögliche Anwendungen

Der Code für SynthIDBio-sequence und die In-vitro-Validierungsdaten sind im Projekt-Repository verfügbar. Google DeepMind kündigte an, Forschenden auch die Gewichte der Strukturmodelle zugänglich zu machen. Mögliche Anwendungen sind Herkunftshinweise, Biosecurity-Screenings und die Kennzeichnung wissenschaftlicher Daten; ihre praktische Umsetzung erfordert weitere Arbeit und Koordination.