DeepMind erstellt unsichtbare Wasserzeichen für KI-Proteine

Google DeepMind hat mit SynthIDBio ein neues Verfahren vorgestellt, das KI-designte Proteine und Biomoleküle durch unsichtbare digitale Wasserzeichen schützt. Die Technologie zielt darauf ab, die Authentizität wissenschaftlicher Daten zu gewährleisten, Urheberrechte in der synthetischen Biologie zu wahren und Sicherheitsrisiken durch nachweisbaren Ursprung zu mindern. Die Details der Methode wurden kürzlich im Fachjournal Nature publiziert. SynthIDBio arbeitet auf zwei Ebenen, abhängig vom KI-Generierungsmodus. Bei der Erstellung von Proteinsequenzen wird ein geheimer Code in die Aminosäureabfolge eingebettet. Wird stattdessen die dreidimensionale Struktur eines Biomoleküls vorhergesagt, lässt sich das Wasserzeichen als unsichtbares Muster in den Atommkoordinaten verbergen. Beide Ansätze greifen nicht in die biologische Funktion der Moleküle ein. In Labortests bestätigten die Forschenden die Praxistauglichkeit des Ansatzes. Mit synthetisierten, wassergezeichneten Proteinbindern wurden drei spezifische Zielmoleküle angesprochen: ein Teil des Coronavirus-Spikeproteins, ein humanes Protein zur Blutgefäßregulation sowie ein weiterer Akteur der Immunantwort. Die wassergezeichneten Varianten wiesen eine Bindungsstärke auf, die der nichtmodifizierten Proteine entsprach. Der integrierte Detektor identifizierte alle getesteten Proteinsequenzen mit hundertprozentiger Trefferquote und erkannte zudem mehr als 99,8 Prozent der wassergezeichneten 3D-Strukturen korrekt. Somit bleibt die Funktionalität und strukturelle Genauigkeit der KI-Modelle gewahrt. Trotz der vielversprechenden Ergebnisse bestehen technische Grenzen. Das Wasserzeichen für 3D-Strukturen ist anfällig für sogenannte Relaxationsprozesse, bei denen Standardoptimierungen an der Molekülgeometrie vorgenommen werden und das digitale Muster dabei verloren gehen kann. Die Entwickler rechnen damit, diese Robustheit künftige Trainingszyklen von SynthIDBio-Structure explizit zu berücksichtigen. Das Verfahren stellt einen technischen Beweis dafür dar, dass sich biologische Muster ohne Qualitäts- oder Funktionsverlust markieren lassen. Für die wissenschaftliche Gemeinschaft steht der Quellcode zu SynthIDBio-sequence auf GitHub zur Verfügung. Die Integration solcher Nachweismechanismen könnte künftig die Forschungssicherheit stärken, die Verbreitung manipulierter biologischer Daten eindämmen und neue Standards im Umgang mit KI-generierter Biotechnologie etablieren.