Google DeepMind 於 2026 年 9 月 30 日介紹 SynthID Bio，把原本用於數碼內容的 SynthID 思路延伸到合成生物學。它的目標不是替 AI 設計作出真假判斷，而是在蛋白質序列或預測結構中嵌入不易察覺的簽名，讓簽名可以被檢測及用來追蹤設計來源。
Google 表示，生成式 AI 已被用於蛋白質結構預測、全新蛋白質設計及噬菌體研究，但新設計可能繞過傳統 DNA 合成篩查，而錯誤標記的合成 3D 結構亦可能污染公共資料庫。SynthID Bio 因應不同資料類型調整方法：在序列上細微引導氨基酸選擇，在 3D 結構上調整預測原子座標，盡量維持原有功能及結構分佈。
在蛋白質結合劑測試中，Google DeepMind 把 SynthID Bio 與 ProteinMPNN 及 AlphaProteo 工作流結合，針對 VEGF-A、SARS-CoV-2 spike protein RBD 和 PD-L1 三個目標進行濕實驗。官方表示，加上標記的設計在命中率、結合親和力和天然序列多樣性方面，與沒有標記的版本相若，並成功製造出具有生物功能的蛋白質結合劑。這些結果來自 Google 的研究及實驗回報，仍需要社群和獨立研究進一步驗證。
對蛋白質折疊，方法是在 AlphaFold 3 的 diffusion network 一小部分加入可嵌入標記的能力，使預測的 3D 座標本身帶有可檢測訊號。Google 表示，這樣做可以保持 AlphaFold 3 的預測準確度，並在面對數碼噪音或輕微座標改動時維持接近完美的檢測率。標記若要成為實際的來源系統，仍要面對刻意篡改、重新格式化及跨工具鏈傳遞等問題。
SynthID Bio 的實際用途之一是協助 DNA 合成篩查。當一段陌生序列可能是 AI 新造而不是自然界已知序列時，篩查人員需要更多人工審核；如果能驗證設計來自一個有安全控制的模型，供應商便可以更快分流可信設計，將資源集中在需要深入調查的項目。它也可能用於 Protein Data Bank、UniProt 和 GenBank 等資料庫，協助標記或要求覆核合成資料。
Google DeepMind 同時表示，團隊正與 Stanford 及 Arc Institute 的 Hie lab 合作，把 SynthID Bio 用到 Evo 2 設計的噬菌體基因組；早期細胞培養測試顯示標記後的噬菌體仍具功能。公司表示會公開方法論、程式碼、體外數據及模型權重，讓研究社群可以重現和延伸這項工作。
這項技術的意義在於把來源證明放到生物設計本身，而不只依賴檔案名稱、提交者聲明或事後資料庫標籤。不過，Google 也承認沒有單一 biosecurity 措施是萬靈丹。若要建立可靠的生物設計來源鏈，還要配合合成商審查、客戶驗證、可追溯 metadata、標準化檢測及對抗蓄意規避的研究。SynthID Bio 是一層可驗證訊號，不是完整的安全制度。
