Une protéine conçue par intelligence artificielle peut-elle porter la trace de son origine jusque dans un tube de laboratoire ? C’est l’idée de SynthID Bio, présenté le 30 septembre 2026 par Google DeepMind. Le laboratoire propose d’inscrire une signature détectable dans les séquences ou les structures produites par certains modèles, tout en préservant leur utilité biologique. Les premiers essais sont encourageants, mais ils ne transforment pas encore ce marquage en passeport universel pour la biologie de synthèse.
L’enjeu dépasse la curiosité technique. À mesure que les modèles génèrent des protéines inédites, les fournisseurs de synthèse et les bases de données scientifiques doivent mieux distinguer ce qui a été conçu par un outil, observé dans la nature ou mesuré expérimentalement. Cette provenance peut aider à orienter les contrôles. Elle ne dit pas, à elle seule, si une molécule est sûre.
Un filigrane inscrit dans la conception de la protéine
Une protéine est une chaîne d’acides aminés qui se replie en trois dimensions. Son activité dépend de cette séquence et de sa forme. Y ajouter une « marque » n’a donc rien d’aussi simple que placer un logo dans un coin d’image : une modification mal choisie peut dégrader l’affinité d’une protéine pour sa cible, voire lui faire perdre sa fonction.
Google DeepMind décrit une famille de méthodes, adaptée au type de résultat généré. Pour les séquences, le système infléchit subtilement le choix des acides aminés pendant la conception. Pour les structures tridimensionnelles prédites, il module les coordonnées atomiques de façon à créer un signal détectable. Le filigrane est intégré au processus de génération ; il ne s’agit pas d’une étiquette collée après coup sur le fichier.
Cette distinction compte pour l’usage le plus concret envisagé : une séquence protéique commandée à un fournisseur de synthèse peut être transformée en molécule physique. Si le marquage résiste à ce passage du fichier à l’échantillon, le laboratoire peut rechercher la signature dans la protéine fabriquée. Le signal renvoie alors à une méthode de conception compatible avec le marqueur, sous réserve de disposer du dispositif de vérification approprié.
Ce que montrent les essais biologiques
Pour tester l’équilibre entre traçabilité et fonction, l’équipe a produit des protéines capables de se lier à trois cibles : VEGF-A, PD-L1 et une partie de la protéine Spike du SARS-CoV-2. Selon les résultats présentés par DeepMind, les versions marquées ont conservé, dans ces essais en laboratoire, des taux de réussite, une affinité de liaison et une diversité de séquences comparables à ceux des versions non marquées. Ce sont des mesures sur des protéines de liaison et des cibles précises, pas une validation de toutes les familles de protéines.
L’équipe indique aussi avoir intégré un marquage à la prédiction de structures par AlphaFold 3, en ajustant une petite partie du réseau du modèle. Elle rapporte une détection presque parfaite dans ses tests, sans perte notable de précision de prédiction et malgré de petites perturbations numériques des coordonnées. Là encore, il s’agit d’évaluations de la méthode décrite, non d’une garantie face à toutes les transformations ou à un acteur décidé à effacer la marque.
Pourquoi la provenance intéresse la biosécurité
Les entreprises qui synthétisent de l’ADN examinent déjà les commandes pour repérer certains risques. Les outils de conception par IA compliquent ce travail : une séquence nouvelle peut être très différente des séquences connues, ce qui rend la comparaison avec des listes de référence moins informative. Une signature vérifiable pourrait fournir un indice supplémentaire sur l’outil à l’origine d’une conception et aider à réserver l’examen approfondi aux cas qui le justifient.
Il faut toutefois éviter un raccourci : « issu d’un modèle marqué » ne signifie pas « sans danger ». Le contrôle d’une commande dépend aussi de la séquence elle-même, du contexte d’utilisation, du client et des autres mesures du fournisseur. Inversement, l’absence de marque ne démontre ni une origine naturelle ni une intention suspecte. Le filigrane est un élément de traçabilité, pas un test de sécurité biologique.
Un autre usage concerne les dépôts scientifiques. Des bases comme Protein Data Bank, UniProt ou GenBank sont devenues des infrastructures essentielles pour la recherche. Une structure calculée, une séquence synthétique et une observation expérimentale n’ont pas le même statut. Si leurs origines sont mal indiquées, des chercheurs peuvent bâtir de nouvelles analyses sur une information trompeuse. Le marquage pourrait aider à signaler certains contenus générés, à condition que les outils et les procédures de dépôt l’adoptent.
Une avancée de laboratoire, plusieurs questions ouvertes
La présentation de DeepMind associe une publication méthodologique dans Nature à du code, des données expérimentales et des poids annoncés pour la communauté de recherche. Cette ouverture devrait permettre de reproduire les essais et d’évaluer la méthode sur d’autres protéines. Elle ne signifie pas que tous les modèles de conception biologique marquent désormais leurs sorties, ni que tous les laboratoires disposent d’un détecteur.
La résistance aux modifications intentionnelles reste un chantier reconnu par l’équipe. Un utilisateur peut modifier une séquence ou une structure après génération ; il faudra mesurer à partir de quel niveau de changement la signature disparaît, et si sa conservation reste compatible avec la fonction recherchée. La fiabilité du détecteur en conditions réelles, les faux positifs et la gouvernance des clés de vérification seront tout aussi déterminants pour un déploiement utile.
L’idée d’un filigrane protéique n’est d’ailleurs pas née aujourd’hui : des chercheurs avaient déjà proposé FoldMark, avec des essais de marquage de structures et de fonction biologique. L’apport revendiqué par SynthID Bio tient à sa combinaison de méthodes pour séquences et structures et à la démonstration d’une signature dans des protéines de liaison physiquement synthétisées. Les comparaisons entre approches demanderont des protocoles communs.
Le vrai test sera l’adoption hors du laboratoire
Le travail de Google DeepMind ouvre une voie intéressante pour documenter l’origine des objets biologiques créés avec l’IA. Sa valeur pratique dépendra moins d’un seul bon résultat de détection que d’une chaîne complète : modèles compatibles, vérificateurs accessibles, fournisseurs de synthèse volontaires et règles claires pour interpréter le signal. Pour l’instant, SynthID Bio est une preuve de concept solide sur les cas étudiés, dont la robustesse et l’utilité à grande échelle restent à démontrer.
Références
- Google DeepMind, « Introducing SynthID Bio », 30 septembre 2026.
- Article méthodologique associé, Nature.
- Prépublication antérieure FoldMark sur le marquage de protéines, bioRxiv.
