Google DeepMind kondigde SynthID Bio op 30 september 2026 aan: een proof-of-concept met twee methoden om AI-ontworpen eiwitsequenties en voorspelde eiwitstructuren van een detecteerbaar watermerk te voorzien. De aanpak moet de herkomst van biologische ontwerpen herkenbaar maken; de twee methoden werken op verschillende soorten eiwitgegevens.

Google DeepMind introduceerde SynthID Bio

SynthID Bio richt zich op biologische herkomst: het watermerk geeft aan dat een eiwitontwerp met AI is gemaakt. De methoden zijn opgezet als proof-of-concept en geven een signaal over de aanwezigheid van een watermerk, geen uitgebreide identiteit of boodschap.

Een methode voor sequenties, een voor structuren

SynthIDBio-sequence stuurt met een geheime sleutel de keuze van aminozuren tijdens het genereren van sequenties met ProteinMPNN. Een watermerkscorefilter helpt vervolgens de gemarkeerde ontwerpen te selecteren. Bij detectie wordt dezelfde sleutel gebruikt om de sequentie te scoren.

SynthIDBio-structure werkt op een ander niveau. Deze methode past de diffusie- en betrouwbaarheidsmodules van AlphaFold 3 aan, zodat de voorspelde coördinaten van een eiwitstructuur een detecteerbaar signaal bevatten. Een afzonderlijk getrainde detector zoekt dat signaal in de structuren.

De aankondiging bracht beide onderzoekssporen samen in SynthID Bio.

Wat de bindertests en detectiecijfers laten zien

De sequentiemethode werd in vitro getest met bindereiwitten voor drie doelwitten: SC2RBD, VEGF-A en PD-L1. De onderzoekers maten de bindingsaffiniteit met oppervlakteplasmonresonantie (SPR). Voor de onderzochte groepen vonden ze geen significant verschil in de verdeling van die affiniteiten tussen watergemerkte en ongemerkte binders.

Dat resultaat geldt naast een verschil bij één specifieke hit-rate-drempel. Bij KD ≤ 10⁻⁶ hadden de ongemerkte binders een hogere hit-rate dan de watermerkvariant met de instelling non-distortionary 0.5. De affiniteitsverdelingen en de hit-rate beantwoorden verschillende meetvragen; samen geven ze geen algemene garantie dat watermerken de functie van elk eiwit ongemoeid laten.

Voor de gefilterde in-vitro-ontwerpen rapporteerde de studie een true-positive rate (TPR) van 100% bij een false-positive rate (FPR) die op 0,1% was afgesteld. TPR is het aandeel watermerken dat correct wordt herkend; FPR is het aandeel ongemerkte ontwerpen dat ten onrechte als watergemerkt wordt aangemerkt. Het filter kostte extra rekenwerk en kon het aandeel ontwerpen dat de selectie doorstond verlagen.

Voor de geteste modellen van SynthIDBio-structure lag de TPR boven 99,8% bij een FPR van 0,1%. Voor het model met s = 0,001 was de TPR 98,99% bij een FPR van 0,01%. Deze cijfers horen bij de geteste modellen en de genoemde drempels.

Een herkomstsignaal is geen veiligheidsoordeel

Een watermerk kan de herkomst van een ontwerp aangeven, maar beoordeelt niet of een eiwit veilig is. De studie noemt screening en wetenschappelijke gegevensintegriteit mogelijke toepassingen; operationeel gebruik voor biosecurity vergt volgens de studie verdere ontwikkeling en afstemming.

De sequentiemethode heeft bovendien een gerapporteerde kwetsbaarheid: hersequencing met ProteinMPNN kon het watermerk effectief verwijderen. Dat resultaat komt uit een specifieke aanval en zegt op zichzelf niets over de uitkomst van gewone kleine sequentiewijzigingen.

Code en gegevens voor verder onderzoek

Google DeepMind kondigde aan de code voor SynthIDBio-sequence en de in-vitrodata open source te delen, en de modelgewichten voor SynthIDBio-structure beschikbaar te stellen aan onderzoekers.