Google DeepMind wnosi znak wodny do białek projektowanych przez AI

Pracę opisało 30 września Ars Technica. Tekst nawiązuje do luki, na którą wskazywano niemal rok wcześniej. Oprogramowanie skanujące sekwencje DNA pod kątem groźnych białek nie rozpoznaje tych zaprojektowanych przez AI. Nikt nie scharakteryzował ich wystarczająco dobrze, by wskazać, które stanowią zagrożenie.

DeepMind proponuje znakowanie samych projektów. SynthIDBio używa klucza, podobnego do kryptograficznego, oraz informacji o wcześniej wybranych aminokwasach, by zasugerować kolejny. ProteinMPNN sprawdza, czy taka propozycja nadal daje działające białko. Jeśli tak, zostaje przyjęta; jeśli nie, odrzucona. Jak podaje Ars Technica, system wprowadza aminokwasy znaku tylko wtedy, gdy są zgodne z funkcjonalnym białkiem. Odchylenie rozkłada się na całą sekwencję, więc znaku nie da się usunąć bez znajomości kodowania.

Chemia nie daje tu marginesu. Białka buduje się zaledwie z 20 aminokwasów. Część jest chemicznie podobna, inne mają przeciwne ładunki. Wiele białek ma regiony, w których dopuszcza się ograniczone podstawienia, oraz 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 do ukrycia sygnału jest więc znacznie mniej. Ars Technica zauważa, że nie było oczywiste, czy podejście SynthID w ogóle da się przenieść. 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 lub blokujące jad, można w zasadzie skierować przeciw toksynom czy białkom wirusowym. Problemem w praktyce jest luka w screeningu. Znak wodny na zaufanych projektach daje osobom sprawdzającym sekwencje punkt zaczepienia i kieruje wszystko nieoznaczone pod większą kontrolę.

Sam SynthID powstał wcześniej. Dodaje subtelne znaczniki do cyfrowych materiałów generowanych przez AI, wpływając na prawdopodobieństwo pewnych decyzji modelu. Dzięki temu odchylenie rozkłada się systematycznie w całym wyniku. Google stosował go wcześniej do tekstu i obrazów, gdzie wytrzymuje podstawowy eksport i zmianę rozmiaru. Przeniesienie tego 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 opisie rodowodu badań.

ProteinMPNN działa dwuetapowo. Najpierw osobne narzędzie opisuje konfigurację szkieletu odpowiednią dla projektu. Potem ProteinMPNN przechodzi wzdłuż tego szkieletu, umieszczając łańcuchy boczne aminokwas po aminokwasie. Każdy wybiera się na podstawie dopasowania do kształtu, oddziaływania z sąsiadami oraz spełnienia innych warunków, takich jak tworzenie kieszeni katalitycznych czy wiązanie innego białka. SynthIDBio włącza się właśnie w trakcie tego przejścia.

Tekst Ars Techniki to najdokładniejszy jak dotąd opis 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 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 Gabriela Berangera. To mocna historia, ale nie 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, czyli 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, by 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 jego funkcji. Cała reszta pozostaje otwarta.