AI可以设计蛋白,但“它从哪里来”越来越难回答
蛋白设计正在迅速进入生成式AI时代。
AlphaFold 3可以预测复杂的生物分子结构与相互作用,ProteinMPNN、RFdiffusion、AlphaProteo等模型则进一步把AI推向蛋白序列与功能设计。AI输出不再只是论文中的一张结构图,而可能变成一段可以被合成的DNA、一条可以表达的蛋白序列,最终进入实验体系甚至产业流程。
问题也随之改变。
传统的来源追踪主要依赖数据库记录和元数据(metadata)。但元数据可以被删除,中心化数据库需要持续维护,而且在大规模应用时还涉及隐私、知识产权和误判问题。研究团队因此提出另一种思路:不要把来源信息放在蛋白“旁边”,而是直接放进蛋白本身。
但蛋白质水印比图片水印困难得多。
改变图片中极少量像素,人眼可能完全看不出来;改变蛋白中的一个氨基酸,却可能改变折叠、稳定性、亲和力甚至整个功能。
|
因此,对生物学水印而言,最关键的问题不是“水印能不能被检测”,而是: 加入水印之后,这个蛋白还能不能正常工作? |
SynthIDBio-sequence:把统计偏好写进氨基酸序列
SynthIDBio的第一部分叫做 SynthIDBio-sequence,目标是在AI设计蛋白的氨基酸序列中留下可检测的统计特征。
研究团队将此前用于AI文本水印的SynthID-text思想整合进ProteinMPNN。
ProteinMPNN生成序列时,并不是机械地选择唯一一个“正确”的氨基酸,而是根据概率分布从多个可能的氨基酸中进行采样。SynthIDBio利用的正是这种选择空间。
在每一个序列位置上,候选氨基酸会根据一个秘密密钥(secret key)和前面的序列上下文,被赋予一个0或1的评分,即 g-value。随后通过所谓的锦标赛采样(tournament sampling),倾向选择评分更高的候选氨基酸。
单独看某一个位置,这种偏移可能很小;但当几十个位置累积起来,整条序列便形成统计信号。
如果知道密钥,就可以重新计算整条序列的平均g-value。普通非水印序列通常接近理论期望值0.5,而经过水印采样的序列会系统性偏高,从而实现识别。
|
水印并不是固定的一段氨基酸序列,也不是人为插入一个额外标签, |
为了留下水印,能不能随便改氨基酸?答案当然是否定的
蛋白设计通常采用较低的采样温度(sampling temperature),因为低温度意味着模型倾向选择概率更高、更稳妥的氨基酸。
但这同时制造了一个问题:可供水印利用的“自由度”减少了。
因此研究团队比较了两种策略。
一种是非失真水印(non-distortionary watermarking),尽量保证从整体统计分布来看,加入水印不会系统性改变模型输出;另一种是失真水印(distortionary watermarking),允许更强地偏向某些候选氨基酸,以提高检测能力。
实验中重点比较了采样温度0.5的非失真方案和采样温度0.1的失真方案。这里的0.5和0.1指的是ProteinMPNN的采样温度,并不是水印强度本身。
于是,整项研究最重要的验证开始了。
最关键的一关:加了水印,蛋白还会结合靶标吗?
研究人员选择了三个蛋白靶标:
SARS-CoV-2受体结合域(SC2RBD)、血管内皮生长因子A(VEGF-A)和程序性死亡配体1(PD-L1)。
每个靶标选择15个已经具有实验结合数据的AlphaProteo骨架,共45个骨架。随后利用ProteinMPNN重新设计序列。
每个骨架设置18个设计,包括原始parent sequence、5条非水印序列、6条非失真水印序列和6条失真水印序列。扣除替换为阴性对照的序列后,实验包含222条非水印序列,以及每种水印方案各267条水印序列。
随后利用表面等离子体共振(surface plasmon resonance, SPR)检测这些蛋白对靶标的结合能力,并用解离常数 KD 评价亲和力。
|
结果非常关键:在群体水平上,非水印蛋白与两种水印蛋白之间的结合亲和力没有观察到显著差异。 |
在 KD≤10−7 M这一亲和力阈值下,各组的命中率(hit rate)同样没有显著差异。
研究也并非所有比较都“完全相同”。例如在SC2RBD中,两种水印方案之间的中位 KD 出现显著差异;在较宽松的 KD≤10−6 M阈值下,非水印组与非失真0.5组的命中率也存在显著差异。
这类结果反而很重要,因为它提醒我们:“功能保留”并不意味着任何指标在任何条件下都绝对不发生改变。
而在将假阳性率(false positive rate, FPR)校准为0.1%后,这批体外验证序列的水印检测真阳性率(true positive rate, TPR)达到100%。
100%的检测率并不是免费获得的
如果仅仅要求“尽可能多地检测出水印”,事情相对容易;困难的是同时控制假阳性。
研究人员因此对23个不同蛋白靶标分别生成10,000个设计进行计算分析,也就是超过23万个候选序列。
结果显示,提高采样温度或者采用失真水印,都可以明显提高水印的可检测性。
但如果希望通过额外的g-value筛选,把TPR保证到100%,就必须淘汰一部分水印信号不够强的设计。
|
例如,在FPR设为0.1%、采用非失真温度0.5方案时,通过率下降约41.7%。如果希望最终得到同样数量的合格候选,需要生成的初始候选数量增加到原来的约171.5%。 |
乍看之下,算力成本似乎大幅增加。
但蛋白设计流程中成本较高的步骤之一是AlphaFold 3结构验证,而没有通过g-value筛选的候选不需要继续进行AF3计算。因此研究团队估计,SynthIDBio-sequence在实际流程中增加的总计算成本仍然很小。
这揭示了一个很有价值的设计原则:把廉价筛选放在昂贵计算之前,可以把“高检测率”的成本压缩在可接受范围内。
水印能不能被“洗掉”?可以
任何讨论水印技术的文章,如果只谈检测率而不谈攻击,都不完整。
研究团队使用ProteinMPNN重新设计水印蛋白序列,对38,396个binder进行了resequencing attack。结果很明确:重新设计序列可以有效去除SynthIDBio-sequence水印。
但去除水印并不一定没有代价。
假设攻击者已经知道原始水印蛋白能够结合靶标,在重新设计之后继续进行结构筛选,估计仍能保持结合的比例分别为:
|
SC2RBD 约97% |
PD-L1 约70% |
VEGF-A 约66% |
如果不使用结构筛选,这些比例下降到约33%、20%和3%。
所以SynthIDBio-sequence显然不是一道无法突破的“锁”。
它更适合被理解为一种来源信号(provenance signal):可以显著提高追踪能力,也可以提高主动去除来源信息的成本,但不能保证信息永远无法被删除。
SynthIDBio-structure:连三维坐标也可以携带水印
序列只是AI生物设计的一部分。AlphaFold 3这样的模型直接产生的是原子级三维坐标。
因此研究团队开发了第二套方法:SynthIDBio-structure。
这一次,水印不再通过ProteinMPNN采样产生,而是直接写进AlphaFold 3兼容模型的参数中。
研究人员微调AF3的扩散模块(diffusion module),同时训练一个受PointNet启发的水印检测器。检测器主要读取残基内部的原子间距离、扭转角(torsion angle)等几何特征。
为了让水印能够经受坐标保存时的数值舍入和轻微扰动,训练时还向原子坐标加入0.001、0.01或0.1 Å级别的噪声。
结果相当突出。
|
在FPR设为0.1%时,三个结构水印模型的TPR均超过99.8%。 即使把FPR进一步降低到0.01%,s=0.001模型的TPR仍达到98.99%。 |
尤其是在研究团队推荐的 s=0.001 Å 模型中,水印结构与原始AF3相比,局部距离差异检验(local distance difference test, LDDT)和模板建模评分(template modelling score, TM score)没有出现下降。
水印检测还可以用于蛋白质、RNA和DNA结构。
这意味着,模型可以在几乎不改变常用结构准确性指标的情况下,让生成结构具有高度可识别的统计特征。
但结构水印同样不是不可破坏
SynthIDBio-structure对刚体旋转、平移以及轻微噪声具有较强稳定性。
加入标准差0.01 Å的高斯噪声后,TPR仅轻微下降;但噪声进一步增加时,部分模型的水印会受到明显破坏。
更重要的是,研究人员利用OpenMM和Amber99sb力场对结构进行受约束弛豫(constrained relaxation)后,可以成功破坏结构水印。
因此,无论序列水印还是结构水印,目前都不能被理解为防篡改机制。
|
研究本身也非常明确地把SynthIDBio定位为技术概念验证(technical proof-of-concept),而不是已经成熟的生物安全基础设施。 |
这项研究更值得关注的,其实是“生物来源证明”
为什么需要知道一个蛋白是不是AI设计的?
一个直接应用是核酸合成筛查(nucleic acid synthesis screening)。
传统筛查往往需要把客户提交的序列与已知风险序列数据库进行比较。但AI可以设计与现有序列同源性很低的新蛋白,这会降低单纯依赖序列相似性的筛查能力。
如果一个序列带有可信模型产生的水印,至少可以额外提供一条信息:它经过了某个已知设计系统。
另一个潜在场景是公共数据库。
PDB、UniProt、GenBank等数据库既是大量AI模型的训练数据来源,也是生物信息分析的重要基础。如果未来大量AI生成序列进入这些数据库,却被错误标注为天然序列,数据本身就可能逐渐受到污染。
水印因此可能成为数据库质量控制的一种辅助信号。
|
不过必须强调:水印只能回答“可能来自哪里”,不能回答“是否安全”。 检测到水印,不代表该蛋白无害;检测不到水印,也不能证明它一定来自自然界,更不能排除它经过AI设计后又被重新编辑。 |
这一区分非常重要。
“功能保留”这个结论,也需要准确理解
论文标题中最醒目的词之一是 function-preserving。
但从证据层级来看,这个表述需要放在具体实验范围内理解。
对于序列水印,实验验证的是三个靶标的蛋白binder,主要终点是结合亲和力和命中率;而且研究使用的是已经具有结合能力的AlphaProteo骨架,再进行重新设计,并不是从完全随机起点开展完整de novo设计。
|
因此,现有结果能够支持的是:在这类蛋白binder设计任务中,SynthIDBio-sequence可以在保持主要结合功能的同时实现高水平水印检测。 |
它并不能直接推导出“任何蛋白、任何功能、任何设计任务都可以无代价加入水印”。
对于SynthIDBio-structure同样如此。研究证明的是结构准确性指标基本保持,而不是对所有后续实验功能逐一进行了验证。
这是理解这项研究时很值得保留的一层审慎。
当AI开始生成生物对象,“可追溯性”可能变成新的基础设施
SynthIDBio目前仍有明显局限。
两套方法都属于零比特水印(zero-bit watermarking):只能判断“有没有水印”,无法像二维码一样携带模型名称、用户身份或生成时间等额外信息。
序列水印容易受到重新设计攻击;结构水印则会被结构弛豫破坏。不同平台之间如何安全共享检测密钥、如何支持公开检测、如何区分多个模型提供商,也都没有解决。
但这项工作的价值恰恰在于,它证明了一个此前并不确定的问题:
|
生物学对象可以在基本保持功能和结构质量的情况下,被加入高度可检测的AI来源信息。 |
过去,我们讨论AI生成内容的水印,主要想到文字、图片和视频。
现在,这个问题已经进入蛋白质、DNA、RNA和三维分子结构。
当AI的输出从“信息”逐渐变成可以被合成、表达并发挥功能的实体时,未来生命科学需要管理的,或许不仅是“这个设计好不好”,还包括另一个越来越重要的问题:
这个设计究竟从哪里来,我们能否证明它的生成过程?
SynthIDBio给出的还不是最终答案,但它让这个问题从治理设想变成了可以实验验证的技术问题。
参考文献