AI-vandmærker sikrer tilliden til biologiske data

DeepMind har testet kunstige proteiner med skjult markering mod tre mål i laboratoriet uden at de mistede virkningen. Det er vigtigt fordi umærkede AI-design kan omgå kontrol og forurene fælles databaser med forkerte data. Fremover kan markeringen spores både i digitale modeller og i færdige fysiske proteiner.

Kan man sætte et hemmeligt stempel på livets små dele, uden at de holder op med at virke? Det har forskere fra DeepMind undersøgt i laboratoriet. De arbejdede med proteinbindere, altså små molekyler bygget til at låse sig fast på andre proteiner, lidt som en magnet der kun klikker på ét bogstav. Her havde de lagt et vandmærke ind, altså et skjult mønster der viser hvor designet kommer fra, ligesom et vandmærke i en pengeseddel. De vandmærkede design ramte lige så ofte som dem uden mærke. De bandt lige så stærkt fast. De lignede også naturlige sekvenser, altså rækkefølger af byggesten fundet i naturen, i samme grad. Ifølge DeepMind er der tale om de første vandmærkede proteinbindere, der stadig virker biologisk.

Hvordan kan et mærke gemmes i selve den biologiske kode? Metoden styrer valget af aminosyrer i sekvenser. Aminosyrer er små klodser som proteiner er bygget af. Sekvenser er rækkefølgen af klodserne. Tænk på det som at vælge mellem næsten ens ord i en opskrift, så smagen er den samme, men der er et hemmeligt signal i valgene. I forudsagte tredimensionale (3D) strukturer flytter metoden i stedet atomernes koordinater en smule. Atomer er de helt små dele alt er lavet af. Koordinater er tal for hvor hver del sidder, lidt som at flytte en stol få millimeter i stuen. Signalet kan påvises både i den digitale model, altså computerens tegning, og i det færdige, fysiske protein.

Hvilke værktøjer brugte de til testen? Testen bygger på AlphaProteo og en vandmærket udgave af ProteinMPNN. AlphaProteo designer bindere. ProteinMPNN er en udbredt metode til at lave proteinsekvenser. Forsøgene dækkede tre mål, lidt som tre forskellige låse som designede nøgler skulle passe til. Det var vaskulær endotelial vækstfaktor A (VEGF-A), det receptorbindende domæne (RBD)-delen af spikeproteinet, altså den takkede del, fra svært akut respiratorisk syndrom coronavirus 2 (SARS-CoV-2) og programmeret død-ligand 1 (PD-L1).

Hvorfor er det interessant? Baggrunden er sikkerhed og tillid til data. Kunstig intelligens (AI) hjælper i dag med at forudsige proteinstrukturer, altså formen på proteiner, med AlphaFold og med at designe nye proteiner. Men kan nye designs fra AI omgå traditionel screening ved syntese af deoxyribonukleinsyre (DNA)? Screening er et sikkerhedstjek. Syntese er produktion i laboratoriet, lidt som at bestille en tekst fra et trykkeri. Fejlmærkede syntetiske strukturer, altså menneskeskabte former med forkert label, kan forurene offentlige databaser, altså fælles samlinger af data, og vildlede senere forskning. Kan et lille skjult signal være med til at holde samlingerne rene?