Google DeepMind เปิดตัว SynthID Bio ฝังลายน้ำดิจิทัลลงในโปรตีน ที่ AI ออกแบบ ตรวจสอบที่มาได้แม้สังเคราะห์ออกมาเป็นโมเลกุลจริง

Google DeepMind เปิดตัว SynthID Bio ชุดวิธีการฝังลายน้ำดิจิทัล (Watermark) สำหรับงานชีววิทยาสังเคราะห์ (Synthetic Biology) จุดที่ต่างจากลายน้ำบนภาพหรือข้อความที่ AI สร้าง คือสัญญาณนี้ไม่ได้อยู่แค่ในไฟล์ดิจิทัล แต่ติดไปกับโปรตีนที่สังเคราะห์ออกมาเป็นโมเลกุลจริงด้วย และจากการทดสอบในห้องแล็บ โปรตีนที่ฝังลายน้ำแล้วยังทำงานได้เหมือนเดิม

วิธีการคือ SynthID Bio จะแทรกสัญญาณไว้ในจุดที่สังเกตไม่ได้ โดยปรับวิธีตามชนิดของข้อมูล ถ้าเป็นลำดับโปรตีน (Sequence) จะค่อย ๆ ชี้นำการเลือกกรดอะมิโนแต่ละตัว ส่วนถ้าเป็นโครงสร้างสามมิติที่ AI ทำนายออกมา จะขยับพิกัดของอะตอมเล็กน้อย การปรับทั้งสองแบบทิ้งร่องรอยไว้มากพอให้ตรวจจับได้ภายหลัง แต่น้อยพอที่จะไม่กระทบการทำงานของโปรตีน

เหตุผลที่ต้องมีลายน้ำแบบนี้มาจากความสามารถของ AI ที่ไปไกลขึ้นมาก ทุกวันนักวิทยาศาสตร์ใช้ AI ตั้งแต่ทำนายโครงสร้างโปรตีนด้วย AlphaFold ไปจนถึงออกแบบโปรตีนชนิดใหม่ทั้งตัวด้วย AlphaProteo และ ProteinMPNN รวมถึงออกแบบแบคเทอริโอฟาจ (Bacteriophage) หรือไวรัสที่เข้าไปเพิ่มจำนวนในแบคทีเรีย ความสามารถนี้เปิดโจทย์ใหม่สองข้อ ข้อแรกคือลำดับที่ AI ออกแบบขึ้นใหม่ทั้งหมดอาจหลุดรอดการคัดกรองของผู้ให้บริการสังเคราะห์ DNA ที่ใช้วิธีเทียบกับฐานข้อมูลเดิม ข้อที่สองคือโครงสร้างสามมิติที่สร้างด้วย AI แล้วติดป้ายผิด อาจปนเข้าไปในฐานข้อมูลสาธารณะและทำให้งานวิจัยที่นำไปใช้ต่อคลาดเคลื่อน

ทดสอบในหลอดทดลองกับ 3 เป้าหมาย ผลไม่ต่างจากโปรตีนที่ไม่ได้ฝังลายน้ำ

ทีมวิจัยพิสูจน์แนวคิดนี้กับโปรตีนจับเป้า (Protein Binder) ซึ่งเป็นโมเลกุลที่ออกแบบมาให้เกาะกับโปรตีนเป้าหมายอย่างเจาะจง โดยใช้ AlphaProteo เครื่องมือออกแบบโปรตีนจับเป้าของ Google DeepMind ทำงานร่วมกับ ProteinMPNN วิธีสร้างลำดับโปรตีนที่วงการใช้กันทั่วไป ในเวอร์ชันที่ติดตั้ง SynthID Bio เข้าไป

จากนั้นนำผลที่ได้ไปทดสอบในหลอดทดลองจริงกับโปรตีนเป้าหมาย 3 ชนิด ได้แก่ VEGF-A, ส่วนที่ใช้จับกับเซลล์ (Receptor Binding Domain หรือ RBD) ของโปรตีนหนามไวรัส SARS-CoV-2 และ PD-L1 ผลออกมาว่าโปรตีนที่ฝังลายน้ำทำได้เท่าของเดิมทั้งสามด้าน คืออัตราการออกแบบสำเร็จ ความแน่นในการจับกับเป้าหมาย (Binding Affinity) และความหลากหลายของลำดับตามธรรมชาติ นับเป็นโปรตีนจับเป้าชุดแรกที่ทั้งฝังลายน้ำและยังทำงานทางชีวภาพได้

ฝังความสามารถนี้ไว้ในตัวโมเดล AlphaFold 3 เลย

อีกด้านที่ทีมวิจัยทำคือฝั่งการทำนายการพับตัวของโปรตีน (Protein Folding) ซึ่งเลือกใช้วิธีต่างออกไป แทนที่จะฝังลายน้ำตอนสร้างผลลัพธ์ SynthID Bio ใช้การปรับจูนเครือข่ายส่วนเล็ก ๆ ของ AlphaFold 3 แล้วเขียนความสามารถในการฝังลายน้ำลงไปในค่าน้ำหนักของโมเดล (Weights) โดยตรง ผลคือพิกัดสามมิติที่โมเดลทำนายออกมาจะมีลายน้ำติดมาเองเสมอ ไม่ว่าใครจะเป็นคนรันโมเดล

ข้อดีคือความแม่นยำของ AlphaFold 3 ยังเท่าเดิม ขณะที่อัตราการตรวจจับลายน้ำเกือบสมบูรณ์แบบ การกระจายตัวของลักษณะโครงสร้างสำคัญยังอยู่ครบ และลายน้ำยังทนต่อสัญญาณรบกวนทางดิจิทัลหรือการขยับพิกัดเพียงเล็กน้อย

ด่านคัดกรองคำสั่งซื้อ DNA คือจุดที่ลายน้ำช่วยได้มากที่สุด

ที่ต้องทำถึงระดับฝังในตัวโมเดล เพราะงานด้านความปลอดภัยทางชีวภาพ (Biosecurity) ทำงานแบบป้องกันหลายชั้นซ้อนกัน เทียบได้กับแบบจำลองเนยแข็งสวิส (Swiss Cheese Model) ที่แต่ละชั้นมีรูโหว่ของตัวเอง แต่เมื่อวางซ้อนกันหลายชั้น รูเหล่านั้นจะไม่ตรงกันพอดีจนทะลุได้ มาตรการที่มีอยู่เดิมอย่างการใส่กลไกป้องกันในตัวโมเดลและการตรวจสอบตัวตนลูกค้าต่างก็เป็นชั้นหนึ่ง และต่างก็มีช่องว่าง SynthID Bio จึงเข้ามาเป็นอีกชั้นที่ฝังการตรวจสอบไว้ในตัวงานออกแบบเอง

Sarah Carter ผู้เชี่ยวชาญนโยบายด้านความปลอดภัยทางชีวภาพและ Principal ที่ Science Policy Consulting ซึ่งร่วมตรวจทานงานวิจัยชิ้นนี้ บอกว่า 

'SynthID Bio เป็นชิ้นส่วนสำคัญของการติดตามที่มาของงานออกแบบทางชีวภาพ การเชื่อมงานออกแบบเข้ากับผู้พัฒนาโมเดลทำให้ผู้พัฒนาเป็นผู้นำด้านความปลอดภัยได้ และช่วยให้ผู้ให้บริการสังเคราะห์คัดกรองลูกค้าที่ใช้โมเดลเหล่านั้นได้คล่องขึ้น'

ชั้นนี้สำคัญเป็นพิเศษกับการคัดกรองคำสั่งซื้อ DNA ซึ่งเป็นด่านหน้าของงานด้านนี้ เพราะการเปลี่ยนงานออกแบบโปรตีนในคอมพิวเตอร์ให้เป็นโมเลกุลจริงต้องสั่งผ่านผู้ให้บริการสังเคราะห์ DNA ที่จะนำคำสั่งซื้อไปเทียบกับฐานข้อมูลสิ่งที่รู้แล้วว่าอันตราย

วิธีนี้เคยใช้ได้ดีเพราะในอดีต ลำดับแปลกหน้าที่ไม่ตรงกับฐานข้อมูลมักสันนิษฐานได้ว่าเป็นสิ่งมีชีวิตตามธรรมชาติที่ยังไม่มีใครค้นพบ แต่เมื่อ AI สร้างลำดับใหม่ที่ไม่เหมือนของเดิมเลยได้ ข้อสันนิษฐานนั้นก็ใช้ไม่ได้อีก การยืนยันคำสั่งซื้อที่ไม่คุ้นเคยจึงต้องให้คนไล่ตรวจเองทั้งหมด ซึ่งกินเวลาจนงานวิจัยที่จำเป็นต้องหยุดรอ ลายน้ำของ SynthID Bio เข้ามาแก้ตรงนี้ด้วยการเป็นสัญญาณยืนยันอัตโนมัติว่าคำสั่งซื้อนั้นมาจากโมเดลที่เชื่อถือได้และมีกลไกป้องกันในตัว

James Diggans รองประธานฝ่ายนโยบายและความปลอดภัยทางชีวภาพของ Twist Bioscience ซึ่งให้ความเห็นกับงานวิจัยนี้ในช่วงต้น บอกว่า 

'AI กำลังขยายขอบเขตสิ่งที่นักวิทยาศาสตร์ออกแบบได้ และบริษัทสังเคราะห์ DNA มีบทบาทสำคัญในการทำให้นวัตกรรมนั้นขยายตัวอย่างรับผิดชอบ สำหรับ Twist ลายน้ำเป็นของใหม่ที่น่าสนใจในกล่องเครื่องมือด้านความปลอดภัยทางชีวภาพ ซึ่งจะช่วยให้การคัดกรองแข็งแรงขึ้น ทุ่มทรัพยากรไปที่ลำดับที่ควรตรวจละเอียดจริง ๆ และทำให้งานด้านนี้มีประสิทธิภาพขึ้นตามการเติบโตของชีววิทยาที่ออกแบบด้วย AI'

อีกงานที่ช่วยได้คือกันข้อมูลติดป้ายผิดหลุดเข้าฐานข้อมูลสาธารณะ

นอกจากด่านคัดกรอง SynthID Bio ยังช่วยรักษาความถูกต้องของฐานข้อมูลอย่าง Protein Data Bank, UniProt และ GenBank ได้ ฐานข้อมูลเหล่านี้หลายแห่งเปิดให้ใครก็ได้ส่งข้อมูลเข้ามา และเป็นรากฐานของความก้าวหน้าทางวิทยาศาสตร์ แต่ข้อมูลที่ติดป้ายผิดเพียงไม่กี่รายการก็ส่งผลเสียเกินตัวต่อการตัดสินใจด้านความปลอดภัยทางชีวภาพ และปัญหานี้มีแนวโน้มใหญ่ขึ้นเมื่อข้อมูลที่ AI สร้างไหลเข้ามามากขึ้น ทางออกคือใส่ขั้นตอนตรวจลายน้ำไว้ตอนรับข้อมูล เพื่อให้ระบบติดป้ายรายการที่สังเคราะห์ขึ้นได้ถูกต้อง หรือส่งต่อให้ตรวจสอบเพิ่ม

ก้าวต่อไปคือทำให้ลายน้ำลบไม่ออก และขยายไปถึงระดับจีโนม

Google DeepMind ย้ำว่าไม่มีมาตรการใดแก้ปัญหาได้ทั้งหมดในตัวเดียว SynthID Bio เป็นก้าวแรกของการระบุและติดตามลำดับกับโครงสร้างทางชีวภาพที่ AI สร้างขึ้นให้ได้อย่างน่าเชื่อถือ

โจทย์ใหญ่ที่เหลืออยู่คือทำให้ลายน้ำทนทานขึ้นเมื่อมีคนตั้งใจลบมันออก อีกแนวทางที่ทำควบคู่กันได้คือจับคู่ SynthID Bio กับการแนบข้อมูลที่มา (Provenance Metadata) แบบเดียวกับมาตรฐาน Coalition for Content Provenance and Authenticity (C2PA) ที่ใช้กับสื่อดิจิทัล หรือกับคลังข้อมูลกลางที่เก็บข้อมูลชีวภาพซึ่ง AI สร้างขึ้น เพื่อให้ติดตามได้แม่นยำขึ้น

ส่วนการขยายไปสู่สิ่งที่ซับซ้อนกว่าโปรตีน ตอนนี้ทีมวิจัยร่วมกับห้องปฏิบัติการ Hie Lab แห่ง Stanford University และ Arc Institute นำ SynthID Bio ไปรวมกับ Evo 2 โมเดลด้านจีโนม เพื่อฝังลายน้ำลงในจีโนมของแบคเทอริโอฟาจที่ Evo 2 ออกแบบ ผลทดสอบช่วงต้นในการเพาะเลี้ยงแบคทีเรียยืนยันแล้วว่าแบคเทอริโอฟาจที่ฝังลายน้ำยังทำงานได้ตามปกติ โดยจะเผยแพร่รายละเอียดในเอกสารทางเทคนิคเร็ว ๆ นี้

เพื่อให้งานนี้ต่อยอดได้ Google DeepMind เผยแพร่เอกสารวิธีการ เปิดซอร์สโค้ดพร้อมข้อมูลการทดลองในหลอดทดลอง และปล่อยค่าน้ำหนักโมเดลให้ชุมชนนักวิจัย พร้อมเปิดรับข้อเสนอความร่วมมือจากฝั่งนโยบายและผู้ให้บริการสังเคราะห์ DNA ทางอีเมล [email protected]

ที่มา: Google DeepMind