DeepMind SynthID Bio 登 Nature：AI 设计蛋白的功能保持型水印

2026年9月30日，Google DeepMind研发的SynthID Bio相关研究正式发表于《Nature》期刊，这是全球首个实现功能无损的AI生成蛋白质水印技术，也是DeepMind成熟的SynthID水印体系向合成生物学领域的突破性延伸。

生成式生物学扩散后，DNA 合成筛选方与公共数据库（PDB、UniProt、GenBank）面临一个问题：无法区分一个 submitted 设计是否来自某个 AI 模型。约一年前该风险已被指出，但当时"不清楚能做什么"。

此前SynthID技术已在图像、音频、视频、文本领域大规模落地，累计为超1000亿张音视频内容添加水印，OpenAI、NVIDIA等行业企业均已采用相关技术方案。此次推出的SynthID Bio由David Stutz、Alexander Cowen-Rivers团队主导研发，DeepMind CEO Demis Hassabis、科学与安全研究负责人Pushmeet Kohli深度参与，核心目标是为快速发展的AI合成生物学补上底层溯源与生物安全防线。s-AIDeepTh证ink.cn

一、行业痛点：AI设计蛋白带来的全新挑战

随着AlphaFold 3、ProteinMPNN、AlphaProteo等AI蛋白设计工具的普及，科研人员已经可以高效生成自然界中从未存在过的全新蛋白质，广泛应用于抗体研发、新型酶设计、生物材料创新等方向，但这一技术突破也带来了两个此前行业完全无法应对的核心难题：

传统生物安全筛查体系失效：过往DNA合成服务商的安全校验依赖将订单序列与已知危险生物数据库比对，而AI生成的全新危险序列可以和所有已知威胁序列几乎没有相似性，完全绕过传统筛查流程，带来不可忽视的生物安全风险。
公共科研数据库被污染：大量没有来源标记的AI生成蛋白结构、序列涌入PDB、UniProt、GenBank等公共科研数据库，会造成数据标注混乱，误导后续药物研发、基础生命科学研究的方向，破坏多年积累的公共科学数据生态。

二、双维度原生水印技术架构

和传统内容领域直接修改像素、字符的水印逻辑完全不同，蛋白质的序列和三维结构直接决定其生物功能，任意不当改动都可能让蛋白完全失活。SynthID Bio没有采用事后强行插入特殊序列、修改原子坐标的粗暴方案，而是针对序列和结构两个核心维度，设计了原生嵌入的水印机制：s-AIDeepTh证ink.cn

序列水印（SynthIDBio-sequence）：将水印逻辑直接整合进ProteinMPNN序列生成模型，不在蛋白设计完成后额外添加内容，而是在氨基酸采样环节，通过预设的密钥，轻微调整多候选位点的氨基酸选择倾向。单个位点的选择差异几乎无法被人工察觉，但整条序列的所有位点共同形成可被密钥检测器识别的统计特征，既不改变蛋白的核心功能，又能实现稳定溯源。s-AIDeepTh证ink.cn
结构水印（SynthIDBio-structure）：不对AlphaFold 3输出的三维坐标做事后修改，而是直接微调AlphaFold 3内部的扩散网络模块，把水印特征嵌入原子间距、键角等细微的几何关系中。普通科研人员使用这类结构文件时完全感知不到差异，专门训练的检测器却可以精准识别水印信号，同时完全保留AlphaFold 3原有的结构预测精度。

三、研究方法和过程

两条并行路径：s-AIDeepTh证ink.cn

1. SynthIDBio-sequence（序列）

把 SynthID-text 的 tournament sampling 移植到 ProteinMPNN：设计每个氨基酸时，用密钥 + 前 4 个残基偏置候选选择。
检测 = 密钥持有者重算整条序列的得分。
难点：蛋白设计通常在低温采样，可供水印腾挪的空间极小。论文处理方式是提高采样温度，或使用"重复密钥"的失真变体。
设计结果按在非水印设计与 PDB/UniRef50 天然序列上标定的检出阈值过滤。

2. SynthIDBio-structure（结构）

对 AlphaFold 3 的扩散模块与一个秘密检测器联合微调，使模型预测的每条结构在原子-原子距离与扭转角中携带水印——无论谁运行该模型。

四、研究结果（湿实验：Adaptyv Bio 验证）

维度	结果
靶点	SARS-CoV-2 刺突 RBD、VEGF-A、PD-L1 三个靶点，每靶点 15 个来自既往 AlphaProteo 工作的骨架
样本量	每个水印设置：222 条非水印序列 + 267 条水印序列
检测方法	表面等离子共振（SPR）
结合亲和力	水印组与非水印组无显著群体水平差异；水印组中包含针对刺突 RBD 的低纳摩尔结合物、针对 VEGF-A 与 PD-L1 的亚纳摩尔结合物
序列检出	因按 0.1% 误报率阈值过滤设计，所有受试水印设计均可检出
结构检出	0.1% 误报率下三个训练模型真阳率 > 99.8%；推荐模型在 0.01% 误报率下为 98.99%
结构精度	推荐模型的 LDDT 与 TM-score 不低于 AlphaFold 3
鲁棒性	经受住刚性变换；基本经受住 0.01 Å 坐标噪声；力场弛豫会抹除水印
扩展	与斯坦福 Hie 实验室、Arc Institute 合作，把方法用于 Evo 2 为一个设计噬菌体基因组加水印，早期细菌培养测试显示基因组保持功能（手稿待发）

开放范围：序列代码与体外数据以 Apache 2.0 发布；推荐的 SynthIDBio-structure 权重按 AlphaFold 3 权重条款提供；检测器保持秘密。s-AIDeepTh证ink.cn

五、湿实验室全流程验证结果

为了证明水印不会影响蛋白质的实际功能，DeepMind团队选取了VEGF-A（肿瘤血管生成核心靶点）、新冠刺突蛋白RBD（病毒入侵人体关键位点）、PD-L1（肿瘤免疫治疗核心靶点）三个高难度药物靶点开展完整的合成湿实验：s-AIDeepTh证ink.cn

带水印的蛋白质和无水印版本相比，靶点结合成功率、结合亲和力、天然序列多样性三类核心指标表现完全持平，最终成功得到针对新冠RBD的低纳摩尔级结合蛋白，以及针对VEGF-A、PD-L1的亚纳摩尔级高活性结合蛋白。
水印检测在低假阳性率的设置下可实现近乎完美的识别率，仅当追求极致100%检测率时，才会小幅减少最终可以通过功能筛选的合格蛋白数量，整体对研发流程的影响极低。
结构水印方案在添加水印后，完全维持AlphaFold 3的预测准确性，同时对常规数字噪声、微小的原子坐标改动具备强鲁棒性，不会因为文件格式转换、常规编辑操作丢失水印信号。

六、跨生物场景的拓展能力

SynthID Bio没有局限于单个蛋白质的水印嵌入，目前已经完成跨尺度、跨模型、跨物理形态的多场景验证：

跨尺度延伸：DeepMind与斯坦福大学Hie实验室、Arc研究所合作，将该技术适配到基因组大模型Evo 2中，成功为Evo 2设计的完整噬菌体基因组嵌入水印，湿实验验证带水印的噬菌体可以在细菌培养环境中正常存活、发挥功能，首次实现了完整生命体级别的水印嵌入。
跨模型适配：水印机制不绑定单一AI工具，目前已经完成对ProteinMPNN序列生成模型、AlphaFold 3结构预测模型、Evo 2基因组大模型三类不同层级AI生物设计工具的适配，覆盖了当前主流的AI生物设计全工具链。s-AIDeepTh证ink.cn
跨形态识别：水印信号不局限于数字设计文件，在合成后的实体蛋白质、活的噬菌体这类真实存在的生物分子和生命体中，依然可以被有效检测，彻底突破了纯数字水印的应用边界。

七、相关研究/实践横向对比

维度	SynthID Bio	数字媒体水印（SynthID 图像/音频）
载体	物理分子 / 3D 坐标	像素 / 采样点
硬约束	必须不破坏生物功能	只要求感知无损
检出方	仅可信第三方（持密钥）	部分可公开检测（Detector 门户）
主要失效模式	力场弛豫、短蛋白水印位不足、与自然蛋白融合稀释信号、密钥分发	重编码、裁剪、压缩

八、应用价值与明确技术边界

1. 核心落地价值

SynthID Bio被定位为生物安全“瑞士奶酪模型”中的关键一层，作为多层防御体系里的溯源验证层，和模型层面的风险缓解、客户资质审核流程配合，大幅降低AI生成危险序列绕过安全防线的概率。同时它可以为公共科研数据库提供自动化的AI生成内容标记能力，守护多年积累的公共科学数据生态，避免后续科研工作被错误标注的AI数据误导。目前已有合成生物行业企业公开表示，该技术是生物安全工具箱中极具前景的新成员。

2. 当前明确的能力边界

鲁棒性层面：当前版本仅能抵御常规的非恶意干扰，官方公开承认其无法抵御人为高强度的恶意篡改，攻击者通过针对性的序列重排、大范围坐标扰动可以抹除水印信号，因此它不能作为独立的生物安全防线使用，必须和元数据溯源、人工审核体系配合才能发挥完整作用。
跨生物场景层面：目前仅完成了噬菌体这类简单生命体的基因组水印验证，尚未覆盖真核生物基因组、复杂多细胞生物的基因编辑场景，复杂生物体系下的适配能力仍处于早期探索阶段。
生产落地层面：水印检测的密钥体系尚未向全行业开放，第三方DNA合成服务商、公共数据库目前无法独立部署检测工具，仅能由DeepMind官方完成水印校验，还没有形成全行业通用的溯源标准，大规模工业级应用的稳定性也尚未经过充分验证。s-AIDeepTh证ink.cn

DeepMind团队表示，未来将持续优化水印的抗篡改能力，推动该技术和来源元数据登记体系、AI生成生物数据公共存储库深度结合，逐步构建覆盖全合成生物行业的可信溯源标准。