Un sistem numit SynthID Bio introduce o semnătură statistică invizibilă în secvența și în structura proteinelor proiectate de AI, fără să le strice funcția. Metoda este descrisă într-un articol publicat în Nature și este propusă ca instrument pentru verificarea comenzilor de ADN sintetic.

Proiectarea unor proteine noi a devenit, în ultimii ani, mult mai simplă. Programe de inteligență artificială precum AlphaFold, RFdiffusion sau ProteinMPNN produc secvențe de aminoacizi care se pliază în proteine funcționale, iar volumul lor crește rapid. De aici vin două probleme practice. Prima este că bazele de date biologice amestecă tot mai mult proteine naturale cu proteine proiectate pe calculator, fără ca cineva să le poată separa. A doua ține de securitate: firmele care transformă secvențe digitale în molecule fizice verifică fiecare comandă față de liste de agenți cunoscuți ca periculoși, iar o secvență proiectată de un program nu seamănă neapărat cu nimic din acele liste.

Echipa de la Google DeepMind din Londra propune o soluție împrumutată din altă parte. Compania folosește deja, sub numele SynthID, metode de filigranare pentru imagini, video, sunet și text generate de inteligența artificială. Noua versiune, SynthID Bio, face același lucru pentru proteine.

Cum se ascunde o semnătură într-o proteină

Metoda are două variante. Prima lucrează pe secvență și se integrează în programul ProteinMPNN. În momentul în care programul alege, aminoacid cu aminoacid, din ce va fi făcută proteina, filigranul modifică ușor probabilitățile acestor alegeri, după o cheie criptografică. Rezultatul este un tipar statistic răspândit de-a lungul secvenței, care nu schimbă proprietățile funcționale, dar poate fi detectat de cine cunoaște cheia.

A doua variantă lucrează pe structura tridimensională, folosind o versiune ajustată a modelului AlphaFold 3. Aici semnătura se ascunde în variații minuscule de geometrie, în lungimi de legături și în unghiuri dintre atomi. Autorii arată că detectorul poate funcționa și independent, pentru a identifica structuri filigranate, și că metoda se aplică nu doar proteinelor, ci și ARN-ului și ADN-ului.

Testul din laborator

Partea care contează pentru credibilitatea rezultatului este că proteinele filigranate au ajuns efectiv în eprubetă. Echipa a proiectat molecule care se leagă de trei ținte: VEGF-A, o proteină implicată în formarea vaselor de sânge, domeniul de legare al proteinei spike a virusului SARS-CoV-2 și PD-L1, o proteină relevantă în imunoterapia cancerului. Fragmentele de gene corespunzătoare au fost comandate de la Twist Bioscience, iar proteinele au fost produse și testate.

Comparația cu variantele nefiligranate nu a arătat diferențe notabile nici la proporția de molecule care funcționează, nici la afinitatea de legare, nici la diversitatea secvențelor obținute. Detectarea filigranului a fost, scriu autorii, aproape perfectă. Mai important pentru aplicația propusă, semnătura poate fi verificată și pe proteina fizică, după sinteză, nu doar pe proiectul digital.

Pentru ce ar folosi

Ținta principală este verificarea comenzilor de ADN sintetic. În prezent, o comandă care nu seamănă cu nimic cunoscut trebuie analizată manual, ceea ce întârzie cercetarea legitimă fără să ofere neapărat mai multă siguranță. Un filigran ar da celui care face verificarea un semnal automat că proiectul vine de la un model cu mecanisme de siguranță integrate, permițând concentrarea atenției pe secvențele care chiar au nevoie de o privire mai atentă.

„Filigranarea este un mod rezonabil de a stabili proveniența unei proteine”, spune Haiping Lu, responsabil pentru cercetarea în inginerie AI la Universitatea din Sheffield. Sarah Carter, expertă în politici de biosecuritate la Science Policy Consulting, care a evaluat lucrarea, o descrie ca pe o piesă importantă în urmărirea provenienței proiectelor biologice. DeepMind pune codul la dispoziția cercetătorilor.

Ce nu rezolvă

Autorii și comentatorii sunt destul de expliciți în privința limitelor. Filigranul nu spune nimic despre o proteină în afară de faptul că a fost făcută cu un instrument de inteligență artificială. Nu indică intenția, nu evaluează periculozitatea și nu înlocuiește verificarea propriu-zisă.

Mai serioasă este posibilitatea de a-l șterge. Cine vrea să scape de eticheta „făcut de AI” poate, în multe cazuri, să treacă proteina filigranată printr-un alt program de proiectare și să obțină o secvență nouă, care păstrează structura și funcția, dar pierde urma originii. Cu alte cuvinte, metoda poate ajuta la ordonarea unui domeniu care crește haotic, dar nu oprește pe cineva hotărât să o ocolească. Autorii o prezintă ca pe un strat printre altele, alături de măsurile integrate în modele și de verificarea clienților, fiecare cu propriile lacune. Aplicațiile practice în biosecuritate rămân, deocamdată, o propunere.

Filigranul nu împiedică pe nimeni să proiecteze o proteină periculoasă. Face însă ceva mai modest și mai realizabil: separă, într-o bază de date care crește cu milioane de secvențe, ce a fost desenat de un program de ce a fost găsit în natură. Iar asta, susțin autorii, e condiția ca restul verificărilor să mai însemne ceva.

---

Sursă: Echipa Google DeepMind, Londra (Marea Britanie), împreună cu colaboratori din mediul academic. „Function-preserving watermarking of AI-generated proteins”, Nature, publicat pe 30 septembrie 2026, acceptat pe 29 iulie 2026. DOI: 10.1038/s41586-026-10965-y