Le 30 septembre 2026, Google DeepMind a présenté SynthID Bio, une preuve de concept qui vise à intégrer un signal détectable dans des séquences protéiques conçues par IA ou dans des structures protéiques prédites. Le projet explore deux voies distinctes pour relier un dessin biologique à son origine — sans faire de ce signal un jugement sur la sécurité de la protéine.
SynthID Bio marque les séquences et les structures protéiques
Un filigrane biologique est un signal intégré à une séquence ou à une structure afin d’en retrouver la provenance. Avec SynthID Bio, Google DeepMind applique ce principe à deux objets différents : l’ordre des acides aminés qui composent une protéine, et les coordonnées de sa structure tridimensionnelle prédite.
La distinction compte. Modifier le choix des acides aminés n’est pas la même opération que modifier les coordonnées d’une structure calculée ; les deux approches ont donc des méthodes et des limites différentes.
Deux méthodes pour deux objets biologiques
SynthIDBio-sequence intervient pendant la génération d’une séquence avec ProteinMPNN, un modèle de conception de protéines. La méthode influe sur les choix d’acides aminés ; un détecteur s’appuie ensuite sur une clé secrète et un seuil de score pour rechercher le signal. La séquence est aussi filtrée selon un seuil calibré pour un taux de faux positifs visé. Google DeepMind indique que le filigrane de séquence peut être recherché dans une protéine synthétisée.
SynthIDBio-structure agit sur une structure prédite. La méthode affine des modules d’AlphaFold 3 pendant la prédiction pour intégrer le signal aux coordonnées, et entraîne un détecteur associé.
| Méthode | Objet marqué | Approche technique | Vulnérabilité testée |
| SynthIDBio-sequence | Séquence protéique | Modifie l’échantillonnage de ProteinMPNN ; détection par clé secrète et score | Un rééchantillonnage avec ProteinMPNN a effectivement supprimé le signal dans le scénario testé. |
| SynthIDBio-structure | Structure biomoléculaire prédite | Modules de diffusion et de confiance d’AlphaFold 3 affinés avec un détecteur | Une relaxation contrainte avec OpenMM et Amber99sb a détruit le signal dans l’essai rapporté. |
Les résultats des essais et leurs limites
Les essais en laboratoire sur les séquences ont porté sur des protéines conçues pour se lier à VEGF-A, SC2RBD — le domaine de liaison au récepteur de la protéine Spike du SARS-CoV-2 — et PD-L1. Pour chaque cible, les chercheurs sont partis de 15 structures de protéines préalablement conçues et validées, puis les ont rééchantillonnées : il ne s’agissait donc pas d’une évaluation complète de conceptions entièrement nouvelles.
Les mesures d’affinité obtenues par résonance plasmonique de surface n’ont pas montré de différence significative entre les distributions des groupes filigranés et non filigranés. Le résultat varie toutefois selon le seuil considéré : pour KD ≤ 10⁻⁶, les protéines non filigranées ont eu un taux de réussite supérieur à celui du groupe filigrané non distorsionnel réglé à une température de 0,5. À KD ≤ 10⁻⁷, aucune différence significative de taux de réussite n’a été rapportée pour cette comparaison.
Pour les séquences filtrées testées en laboratoire, le taux de vrais positifs rapporté atteignait 100 % à un taux de faux positifs de 0,1 %. Ce résultat dépend de ces séquences et des conditions de filtrage ; il ne constitue pas une garantie de détection pour n’importe quelle protéine.
Pour SynthIDBio-structure, les modèles évalués sur le jeu de test d’AlphaFold 3 ont dépassé 99,8 % de vrais positifs à 0,1 % de faux positifs. Le filigrane a résisté aux transformations rigides et à de petites perturbations des coordonnées dans les essais rapportés, mais pas à une relaxation contrainte avec OpenMM et Amber99sb. Les résultats décrivent des manipulations précises, pas une robustesse générale face à toute modification.
Provenance, sécurité et usages envisagés
Un filigrane peut contribuer à retracer la provenance d’un dessin biologique ; il ne certifie pas qu’une protéine est sûre. Google DeepMind présente le filtrage lors de commandes de synthèse d’ADN et l’annotation d’entrées dans des bases de données biologiques comme des applications possibles, qui demandent encore de la recherche, de la coordination et de la standardisation.
Google DeepMind a également décrit des travaux collaboratifs en cours avec Stanford University et Arc Institute sur le filigranage d’un génome de bactériophage conçu avec Evo 2. L’entreprise a rapporté que les premiers essais en culture bactérienne avaient trouvé les phages filigranés fonctionnels. Ces travaux sont distincts des essais sur les protéines ciblant VEGF-A, SC2RBD et PD-L1.
Google DeepMind a annoncé la mise à disposition de méthodes, de code, de données issues des essais en laboratoire et de poids de modèles à destination de la communauté de recherche.
