Google DeepMind znakuje białka projektowane przez AI za pomocą SynthIDBio

Pracę opisało 30 września Ars Technica. Odpowiada ona na lukę, na którą wskazywano już niemal rok wcześniej. Oprogramowanie sprawdzające sekwencje DNA pod kątem groźnych białek nie rozpoznaje białek zaprojektowanych przez AI, bo nikt ich nie scharakteryzował na tyle dobrze, żeby powiedzieć, które są zagrożeniem.

DeepMind proponuje znakowanie samych projektów. SynthIDBio używa klucza, podobnego do klucza kryptograficznego, razem z informacją o wcześniej wybranych aminokwasach, żeby zasugerować kolejny. ProteinMPNN sprawdza wtedy, czy ta propozycja nadal daje działające białko. Jeśli tak, zostaje przyjęta; jeśli nie, jest odrzucana. Jak podaje Ars Technica, system wprowadza aminokwasy znaku wodnego tylko wtedy, gdy są zgodne z działającym białkiem. Odchylenie rozkłada się na całą sekwencję, więc znaku nie da się usunąć bez wiedzy, jak go zakodowano.

Chemia nie daje tu marginesu. Białka buduje się z zaledwie 20 aminokwasów. Część z nich jest chemicznie podobna, inne mają przeciwne ładunki. Wiele białek ma regiony, w których dopuszczalne są ograniczone podstawienia, i takie, w których nawet niewielkie odchylenie zabija aktywność.

Do tego są małe. Białko o długości 500 aminokwasów uchodzi za spore, podczas gdy typowy obraz ma miliony pikseli. Surowca, w którym można ukryć sygnał, jest więc znacznie mniej. Ars Technica zauważa, że wcale nie było oczywiste, czy podejście SynthID w ogóle się przeniesie. Zespół mógł znaleźć zbyt mało miejsca na znak wodny albo odkryć, że upchanie wystarczającej ilości informacji daje nieaktywne białka.

Dlaczego wybór momentu ma znaczenie

Narzędzia biologiczne działają w obie strony. Te same metody projektowania białek, które dały enzymy trawiące plastik albo blokujące białka jadów, można w zasadzie obrócić przeciw toksynom lub białkom wirusowym. Problemem w praktyce jest luka w screeningu. Znak wodny na zaufanych projektach daje osobom sprawdzającym sekwencje punkt zaczepienia i kieruje wszystko, co nieoznaczone, pod większą kontrolę.

Sam SynthID powstał wcześniej. Dodaje subtelne znaczniki do cyfrowych materiałów wygenerowanych przez AI, wpływając na prawdopodobieństwo pewnych decyzji modelu, dzięki czemu odchylenie rozkłada się systematycznie w całym wyniku. Google stosował go wcześniej do tekstu i obrazów, gdzie wytrzymuje podstawowy eksport i zmianę rozmiaru. Przeniesienie tego samego pomysłu na cząsteczkę to zupełnie inny poziom trudności.

Narzędzie do projektowania białek, wokół którego zbudowano eksperyment, czyli ProteinMPNN, opracowało Baker Lab. David Baker podzielił Nagrodę Nobla z szefem DeepMind, co Ars Technica odnotowuje w swoim opisie rodowodu tych badań.

ProteinMPNN działa dwuetapowo. Najpierw osobne narzędzie opisuje konfigurację szkieletu odpowiednią dla projektu. Potem ProteinMPNN przechodzi wzdłuż tego szkieletu i umieszcza łańcuchy boczne aminokwas po aminokwasie. Każdy wybiera na podstawie tego, czy pasuje do kształtu, oddziałuje z sąsiadami i spełnia inne warunki, takie jak tworzenie kieszeni katalitycznych albo wiązanie innego białka. SynthIDBio włącza się właśnie w trakcie tego przejścia.

Tekst Ars Techniki to najdokładniejszy jak dotąd opis tego mechanizmu. Krótsza pozycja z 30 września, zatytułowana „SynthID Bio Watermarks Secure AI Proteins”, pojawiła się wśród świeżych nagłówków krążących obok materiału Ars, choć pełny tekst nie był dostępny w przeglądanych tu źródłach. Analytics Insight opublikował z kolei 29 września sylwetkę Demisa Hassabisa, szefa DeepMind, przedstawiając szerzej prace firmy nad odkryciami naukowymi. To materiał kontekstowy, a nie dowód w sprawie metody znakowania.

Co pokazuje otaczający materiał

W dossier są też materiały, które z białkami nie mają nic wspólnego, i warto je oddzielić. Fox News podał 30 września, że Tadhg O’Keeffe, profesor archeologii średniowiecza na University College Dublin, ustalił, że od 70 do 80 procent średniowiecznego zamku Roebuck Castle przetrwało pod wiktoriańskim tynkiem wewnątrz budynku kampusu. UCD ogłosiło odkrycie 18 września. O’Keeffe powiedział Fox News Digital, że zaczął badać sprawę po analizie XVIII-wiecznych akwarel artysty Gabriela Berangera. To mocna historia, ale nie historia o bezpieczeństwie biologicznym.

Dwa inne źródła w dossier są techniczne i nie dotyczą projektowania białek. Strona katalogowa w vibecodingdiscover.com z 30 września wymienia otwarte narzędzia AI dla agentów, serwery MCP, umiejętności i potoki RAG, w tym lokalną alternatywę dla ElevenLabs obsługującą 646 języków oraz środowisko sandbox dla autonomicznych agentów. Materialize opublikował 29 września wpis na blogu o trzeciej próbie zrzucania danych na dysk, w której zastąpił linuksowy swap własną pulą buforów. Argumentował to tym, że opóźnienie DRAM wynosi około 100 nanosekund, a odczyt lokalnego NVMe to dziesiątki mikrosekund, kilkaset razy więcej, choć różnica w przepustowości jest bliższa 10 razy.

Te dwa materiały trafiły tu dlatego, że należą do najświeższych w dossier, a nie dlatego, że mają związek z pracą nad białkami. Istotne pytanie w przypadku artykułu DeepMind jest węższe: czy znak wodny przetrwa ograniczenia chemii białek na tyle dobrze, żeby był użyteczny dla ludzi zajmujących się screeningiem.

Relacja Ars Techniki nie mówi, że system przyjęła jakakolwiek instytucja sprawdzająca sekwencje ani że wdrożono go poza badaniami. Praca opisuje potencjalne rozwiązanie, opublikowane w środę, problemu podniesionego niemal rok wcześniej i wciąż nierozwiązanego. Co będzie dalej, zależy od tego, czy laboratoria i bazy danych sprawdzające sekwencje pod kątem zagrożeń przejmą ten schemat znakowania i czy nieoznaczone białka projektowane przez AI staną się domyślnie sygnałem wartym zbadania.

Na razie twierdzenie jest techniczne, nie operacyjne: znak wodny da się osadzić w zaprojektowanym białku, nie psując tego, co to białko robi. Cała reszta pozostaje otwarta.