Google mette una filigrana nelle proteine progettate dall'AI per segnalare le sequenze sintetiche
Mercoledì 30 settembre il team DeepMind di Google ha pubblicato un metodo che applica una filigrana alle sequenze proteiche generate dall'AI senza cambiarne il ripiegamento, ha riferito Ars Technica lo stesso giorno.

Mercoledì 30 settembre il team DeepMind di Google ha pubblicato un articolo di ricerca che descrive un sistema capace di inserire una firma nascosta direttamente nelle sequenze proteiche progettate dall'AI, secondo Ars Technica.
La filigrana deriva dalla tecnologia SynthID di Google, che già contrassegna immagini e testi generati dall'AI. Serve a far distinguere ai laboratori le proteine uscite da pipeline di progettazione affidabili da quelle che non lo sono. Gli autori hanno dovuto verificare se l'approccio SynthID potesse reggere: le proteine sono fatte di appena 20 amminoacidi, e molti di questi contano.
Perché una filigrana in una proteina è difficile
Ars Technica osserva che alcuni amminoacidi sono chimicamente simili, come leucina e isoleucina, mentre altri hanno cariche opposte e rompono il ripiegamento se scambiati. Una proteina di 500 amminoacidi è considerata piuttosto grande in questo campo, quindi c'è molto meno materiale grezzo per nascondere un segnale rispetto a un'immagine con milioni di pixel. Il team è partito da ProteinMPNN, uno strumento di progettazione diffuso del Baker Lab, e ha eseguito SynthIDBio in parallelo. Mentre il progettista colloca gli amminoacidi uno per uno lungo lo scheletro della proteina, SynthIDBio usa una chiave e l'identità delle scelte precedenti per suggerire il residuo successivo. ProteinMPNN accetta o rifiuta il suggerimento a seconda che la proteina funzioni ancora.
Ars Technica non cita nessun ricercatore per nome, ma descrive il processo in modo semplice: i residui della filigrana entrano solo quando sono compatibili con una proteina funzionante.
Il vuoto di biosicurezza che il metodo vuole colmare
Ars Technica presenta il lavoro come risposta a un problema di screening noto. I software che controllano le sequenze di DNA alla ricerca di proteine pericolose non riconoscono quelle progettate dall'AI, perché nessuno le ha caratterizzate abbastanza da sapere cosa cercare. Gli stessi strumenti che hanno prodotto enzimi capaci di digerire la plastica o bloccare proteine velenose potrebbero, in altre mani, essere puntati su tossine o proteine virali. Il rischio era stato segnalato quasi un anno prima della pubblicazione dell'articolo e finora non c'era un rimedio chiaro.
La tempistica rientra in una spinta più ampia del settore. Analytics Insight ha riferito il 29 settembre che Demis Hassabis, amministratore delegato di Google DeepMind, presenta l'AI come strumento per la scoperta scientifica. Un altro articolo, datato 1 ottobre, descriveva la filigrana di DeepMind sulle proteine per consentire la verifica in laboratorio. Hansa Biopharma ha annunciato il 1 ottobre una partnership con Cradle per portare avanti la progettazione e l'ingegnerizzazione di proteine con l'AI, mentre un altro servizio del 29 settembre trattava la previsione della struttura con l'AI che accelera la ricerca di colle molecolari. Nessuno di questi articoli fornisce una verifica indipendente del metodo di filigrana.
Cosa resta aperto
L'articolo, come riassunto da Ars Technica, non dice se SynthIDBio sia stato adottato da altri gruppi di progettazione di proteine o integrato nelle pipeline di screening. Non stabilisce nemmeno come una filigrana sopravviva se una sequenza viene alterata dopo la generazione. Sono domande che contano, perché l'obiettivo dichiarato è aprire tutto il resto a un esame più attento, e questo presuppone una distinzione funzionante tra progetti marcati e non marcati. Lo stesso SynthID di Google ha resistito a modifiche di base delle immagini come ridimensionamento ed esportazione, ma una proteina non ha un equivalente del ridimensionamento.
Per ora il risultato è una prova di concetto su uno strumento di progettazione molto usato. Il prossimo test è capire se funzioni anche con altri generatori, o con i laboratori più a rischio di uso improprio.
Fonti
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
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.