Google DeepMind presenta SynthID Bio para marcar proteínas diseñadas con IA

El 30 de septiembre de 2026, Google DeepMind presenta SynthID Bio, una familia de métodos de prueba de concepto que marca secuencias de proteínas diseñadas con IA y estructuras proteicas predichas. La propuesta busca añadir una señal que ayude a rastrear la procedencia de esos diseños.

La marca no es un certificado de seguridad biológica: señala la procedencia prevista de un diseño, no si una proteína es segura.

SynthID Bio marca secuencias y estructuras de proteínas

SynthID Bio aborda dos objetos distintos. Una secuencia es el orden de aminoácidos que forma una proteína; una estructura predicha es un modelo de cómo esa proteína podría plegarse en tres dimensiones. Cada método inserta la señal de una forma diferente.

Dos métodos para dos objetos biológicos

SynthIDBio-sequence influye en la elección de aminoácidos mientras ProteinMPNN genera una secuencia. La detección usa una clave secreta y una puntuación de marca; un filtro selecciona diseños según un umbral calibrado para una tasa de falsos positivos determinada.

SynthIDBio-structure ajusta módulos de difusión y confianza de AlphaFold 3, junto con un detector, para incorporar la señal en las coordenadas durante la predicción de la estructura.

Qué mostraron las pruebas y qué límites encontraron

Los ensayos de laboratorio con SynthIDBio-sequence partieron de estructuras de unión previamente diseñadas: se eligieron 15 para cada uno de tres objetivos, VEGF-A, el dominio de unión al receptor de la proteína de la espícula del SARS-CoV-2 (SC2RBD) y PD-L1.

En esos ligandos, las mediciones de afinidad por resonancia de plasmones superficiales (SPR) no mostraron diferencias poblacionales significativas entre los grupos marcados y no marcados. La tasa de aciertos tampoco presentó una diferencia significativa con el umbral KD ≤ 10⁻⁷. Con KD ≤ 10⁻⁶, en cambio, los ligandos sin marca tuvieron una tasa de aciertos mayor que el grupo marcado con temperatura 0,5, descrito como no distorsionador. Estos resultados corresponden a los objetivos y diseños evaluados.

Para la detección de secuencias, el estudio obtuvo una tasa de verdaderos positivos del 100 % con una tasa de falsos positivos calibrada en el 0,1 % en los diseños in vitro filtrados. En otras palabras, el detector identificó todos los diseños marcados de ese conjunto bajo ese umbral; no es una garantía para cualquier secuencia.

En el conjunto de evaluación de AlphaFold 3, los tres modelos de marcado estructural superaron una tasa de verdaderos positivos del 99,8 % con una tasa de falsos positivos del 0,1 %. El detector resistió transformaciones rígidas y pequeñas perturbaciones de coordenadas en las pruebas descritas. Sin embargo, una relajación restringida con OpenMM y el campo de fuerza Amber99sb destruyó la marca. En el ensayo de secuencias, la resecuenciación con ProteinMPNN también eliminó eficazmente la señal.

Usos posibles y trabajo separado con Evo 2

Google DeepMind plantea el cribado de secuencias encargadas a empresas de síntesis de ADN y el etiquetado de bases de datos biológicas como posibles aplicaciones. Para llevarlas a la práctica, el trabajo señala que harían falta más investigación, coordinación y estandarización.

Google DeepMind también anunció que pone métodos, código, datos in vitro y pesos de modelos a disposición de la comunidad investigadora. El repositorio del proyecto incluye el código de SynthIDBio-sequence e instrucciones para acceder a los pesos de SynthIDBio-structure.

Por separado, Google DeepMind describe una colaboración en curso con Stanford University y Arc Institute para marcar el genoma de un bacteriófago diseñado con Evo 2. La empresa informó que las primeras pruebas en cultivos bacterianos encontraron funcionales los fagos marcados.