Google marque les protéines conçues par IA pour signaler les séquences synthétiques
L'équipe DeepMind de Google a publié mercredi 30 septembre une méthode de filigrane pour les séquences de protéines générées par IA. Elle les marque sans modifier leur repliement, rapporte Ars Technica le même jour.

Mercredi 30 septembre, l'équipe DeepMind de Google a publié un article de recherche décrivant un système qui inscrit une signature cachée directement dans les séquences de protéines conçues par IA, selon Ars Technica.
Le filigrane dérive de SynthID, la technologie de Google qui marque déjà les images et les textes générés par IA. Il doit permettre aux laboratoires de distinguer les protéines issues de chaînes de conception fiables de celles qui ne le sont pas. Les auteurs ont d'abord dû vérifier que l'approche SynthID pouvait survivre. Une protéine n'est faite que de 20 acides aminés, et beaucoup d'entre eux comptent.
Pourquoi un filigrane dans une protéine est difficile
Ars Technica rappelle que certains acides aminés se ressemblent chimiquement, comme la leucine et l'isoleucine, tandis que d'autres portent des charges opposées et cassent le repliement si on les échange. Une protéine de 500 acides aminés passe pour assez grande dans ce domaine. Il y a donc bien moins de matière première pour cacher un signal que dans une image à millions de pixels. L'équipe est partie de ProteinMPNN, un outil de conception répandu du Baker Lab, et a fait tourner SynthIDBio en parallèle. À mesure que le concepteur place les acides aminés un par un le long du squelette de la protéine, SynthIDBio s'appuie sur une clé et sur l'identité des choix précédents pour proposer le résidu suivant. ProteinMPNN accepte ou rejette ensuite la proposition selon que la protéine fonctionne encore.
Ars Technica ne cite aucun chercheur nommé dans l'article, mais décrit le processus simplement : les résidus du filigrane n'entrent que s'ils restent compatibles avec une protéine fonctionnelle.
La faille de biosécurité visée par la méthode
Ars Technica présente ce travail comme une réponse à un problème de criblage connu. Les logiciels qui vérifient les séquences d'ADN à la recherche de protéines dangereuses ne reconnaissent pas les protéines conçues par IA. Personne ne les a assez caractérisées pour savoir quoi chercher. Les mêmes outils de conception qui ont produit des enzymes capables de digérer les plastiques ou de bloquer des protéines de venin pourraient, entre d'autres mains, viser des toxines ou des protéines virales. Le risque avait été signalé près d'un an avant la parution de l'article, et il n'existait jusqu'ici aucun remède clair.
Le calendrier s'inscrit dans une dynamique plus large. Analytics Insight rapportait le 29 septembre que Demis Hassabis, directeur général de Google DeepMind, positionne l'IA comme un outil de découverte scientifique. Un autre article daté du 1er octobre décrivait le filigrane de protéines de DeepMind destiné à permettre la vérification en laboratoire. Hansa Biopharma a annoncé le 1er octobre un partenariat avec Cradle pour faire avancer la conception et l'ingénierie de protéines assistées par IA, tandis qu'un autre rapport du 29 septembre portait sur la prédiction de structure par IA, qui accélère la recherche de colles moléculaires. Aucun de ces articles ne fournit de vérification indépendante de la méthode de filigrane.
Ce qui reste en suspens
L'article, tel que le résume Ars Technica, ne dit pas si SynthIDBio a été adopté par d'autres groupes de conception de protéines ou intégré à des chaînes de criblage. Il n'établit pas non plus comment un filigrane survit si une séquence est modifiée après sa génération. Ces questions comptent, car l'objectif annoncé est d'ouvrir tout le reste à un examen plus attentif. Cela suppose une distinction opérationnelle entre conceptions marquées et non marquées. Le SynthID de Google résiste à des retouches d'image de base comme le redimensionnement et l'export, mais une protéine n'a pas d'équivalent du redimensionnement.
Pour l'instant, le résultat est une preuve de concept sur un outil de conception largement utilisé. Reste à savoir si elle passe à l'échelle sur d'autres générateurs, ou sur les laboratoires les plus susceptibles d'en faire mauvais usage.
Sources
4- 01Google figures out how to watermark AI-designed proteinsEN
- 02Professor discovered lost medieval castle hiding inside a Victorian-era buildingEN
- 03Vibe Coding Discover - A Catalog of AI OSS for Agents, MCP, Skills, RAGEN
- 04Materialize, Out-of-Core: Replacing Swap with a Buffer PoolEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.