产品简介
SynthID Bio 是 Google DeepMind 于 2026 年 9 月 30 日发布的一族面向合成生物学的溯源水印方法。它把不可感知、但能被专用检测器读取的标记直接嵌进 AI 设计的蛋白序列与三维结构预测里，同时让蛋白保留原本的生物学功能。
它要应对的是两类问题：AI 设计的生物序列可能绕过现有的 DNA 合成筛选流程，以及被错误标记的合成长结构进入公共科学数据库之后影响后续研究。同一天，团队在 Nature 发表了论文《Function-preserving watermarking of AI-generated proteins》，代码与体外验证数据同步放到 GitHub。官方与论文都把这项工作定位为概念验证，而不是已经落地的治理系统。
核心功能
- 序列水印 SynthIDBio-sequence：在蛋白序列设计阶段与 ProteinMPNN 配合工作，对氨基酸的选择做细微引导，从而生成可靠的检测信号；持有密钥的检测器可以从成品候选中把标记读回来
- 结构水印 SynthIDBio-structure：对 AlphaFold 3 扩散网络的一小部分做微调，把水印能力直接构建进模型权重，使预测出的三维原子坐标自带可检测特征，同时保持 AlphaFold 3 的预测准确性与关键结构特征分布
- 湿实验室验证：针对 VEGF-A、SARS-CoV-2 刺突蛋白受体结合域与 PD-L1 三个靶点开展实验，222 个未加水印序列与 267 个加水印序列在命中率、结合亲和力与自然序列多样性上表现一致，据此得到首个带水印且具备生物学功能的蛋白结合剂
- 检测性能：在 0.1% 误报率的设置下，检测器标记出了所有受测的加水印设计；结构侧检测率超过 99.8%，对结构准确性的影响可忽略，并能抵御数字噪声或微小的坐标变化
- DNA 合成筛选信号：为筛选方提供自动验证依据，证明订单来自带有内置安全措施的可信模型。当前 AI 能生成与已知危害差异很大的全新序列，筛选方难以继续沿用旧假设
- 公共数据库完整性：用于维护 UniProt、GenBank 等公共库的条目标记，让合成条目在进入后续研究之前得到正确标注，供人工进一步审查
适合谁用
以下类型的用户会特别受益于 SynthID Bio：
- 用蛋白设计模型产出候选分子的研究团队，需要为输出附上可追溯的来源标记
- DNA 合成服务商与生物安全筛查流程，需要把 AI 生成的设计与人工设计区分开
- 公共生物数据库的运营方，需要识别并标注 AI 生成的序列与结构条目
- 制药、农业与生命科学机构里评估 AI 生物设计溯源方案的合规与治理团队
优点亮点
- 水印嵌在设计本身，从数字模型一路带到合成出的物理蛋白都能验证
- 湿实验显示水印没有损害蛋白的结合能力与序列多样性
- 结构路线把能力构建进模型权重，无论谁运行模型，输出都带可检测特征
- 代码、模型参数获取方式与体外验证数据一并公开，结果可复现
- 检出率高，误报率可以压到 0.1% 这样的低位
- 定位清晰，官方明确说明这是概念验证而非成品治理系统
价格与方案
SynthID Bio 以开源研究项目的形式发布。代码与体外验证数据放在 GitHub 的 google-deepmind/synthidbio 仓库，软件采用 Apache 2.0 许可；ProteinMPNN 模型参数沿用 MIT 许可并随仓库提供；AlphaFold 3 模型参数遵循 AlphaFold 3 Model Parameters Terms of Use，仓库内给出了获取说明。使用本身不涉及订阅费用，用于研究时请按仓库给出的 Nature 论文信息标注引用。
总结与建议
SynthID Bio 把 Google DeepMind 已经在图像、音频、视频与文本上验证过的水印思路，带进了合成生物学这个更难处理的对象：设计一旦从软件变成实体分子，来源就很难再追溯。它给出的是一个嵌在设计内部的信号，而不是依赖外部登记。
需要留意的是它的自我定位。官方与 Nature 论文都把它称作概念验证：序列水印可以通过把设计再过一遍序列生成步骤来去除，只是去除后被预估仍能结合靶点的蛋白数量下降；要把它用在生物安全筛查或数据库核验上，还需要进一步研究、跨行业协调与标准。论文报告的是团队自己的系统与实验，目前还没有独立的第三方评估。
如果你在做蛋白设计并需要为输出附上来源证明，或者你在筛查侧、数据库侧需要识别 AI 生成的条目，这套方法与配套数据是现阶段少有的公开可复现材料。
版本演进
- SynthID Bio 发布 （2026-09-30）：Google DeepMind 发布面向合成生物学的溯源水印方法族，含 SynthIDBio-sequence（配合 ProteinMPNN 做序列水印）与 SynthIDBio-structure（微调 AlphaFold 3 扩散网络做结构水印）；Nature 论文《Function-preserving watermarking of AI-generated proteins》同期发表，代码与体外验证数据以 Apache 2.0 许可在 GitHub 开源