Présentation de SynthID Bio : Google DeepMind intègre des filigranes dans des protéines conçues par IA

Google DeepMind présente SynthID Bio après que des tests en laboratoire ont produit les premiers liants protéiques filigranés conservant leur fonction biologique prévue.

L’annonce du 30 septembre étend le filigranage par IA au-delà des images, du texte, de l’audio et de la vidéo. Sa signature peut rester détectable dans une protéine physique synthétisée, et pas seulement dans un fichier de conception numérique. Cela rend ces travaux plus importants qu’une simple expérimentation d’étiquetage de contenu.

Le conflit central oppose la traçabilité au contrôle. SynthID Bio peut identifier les résultats issus de modèles participants, mais il ne peut pas établir que chaque protéine non filigranée est naturelle ou sûre. Les chercheurs ont également constaté que des utilisateurs déterminés peuvent supprimer son filigrane de séquence en reconcevant la protéine.

Le résultat est une preuve de concept crédible, mais dont le déploiement s’annonce exigeant. Il pousse les développeurs de modèles, les bases de données biologiques et les fournisseurs de synthèse d’ADN à décider si des normes de traçabilité partagées doivent faire partie de l’infrastructure de la biologie assistée par IA.

Présentation de SynthID Bio comme test de traçabilité physique

Google DeepMind a montré qu’une protéine générée par IA peut porter une signature détectable sans perdre la fonction que les chercheurs lui ont conçue.

SynthID Bio désigne une famille de méthodes permettant de filigraner des séquences protéiques et des structures biomoléculaires prédites. Un filigrane est un signal statistique caché que des logiciels autorisés peuvent détecter ultérieurement. Il indique qu’un résultat provient d’un système d’IA compatible.

Le projet comprend deux composantes distinctes. SynthIDBio-sequence influence les acides aminés sélectionnés par un modèle de génération de séquences. SynthIDBio-structure introduit de petits motifs détectables dans les coordonnées atomiques prédites par un modèle de repliement.

Cette distinction compte, car une séquence protéique et une structure prédite représentent des choses différentes. La séquence spécifie une chaîne ordonnée d’acides aminés. La structure décrit comment les atomes de cette chaîne sont organisés en trois dimensions.

Pour le test de séquence, les chercheurs ont combiné des structures de base conçues par AlphaProteo avec une version modifiée de ProteinMPNN. ProteinMPNN génère des séquences d’acides aminés censées se replier selon une structure protéique fournie.

L’équipe a évalué des liants contre trois cibles : VEGF-A, PD-L1 et le domaine de liaison au récepteur de la protéine Spike du SARS-CoV-2. Les liants protéiques sont des molécules conçues pour se fixer sélectivement à des cibles biologiques particulières.

Les chercheurs sont partis de 15 structures de base déjà validées pour chaque cible. Pour chaque structure, ils ont testé une conception parente, cinq séquences non filigranées et deux ensembles de six séquences filigranées.

L’évaluation en laboratoire qui en a résulté a couvert 222 conceptions non filigranées et 267 conceptions sous chaque paramètre de filigrane, hors contrôles. Des mesures de résonance plasmonique de surface ont vérifié si ces molécules se liaient toujours à leurs cibles.

Selon l’étude évaluée par les pairs sur le filigranage des protéines, les chercheurs n’ont constaté aucune différence significative, à l’échelle de la population, dans l’affinité de liaison entre les groupes filigranés et non filigranés. Les taux de réussite et la diversité des séquences sont également restés comparables.

Ces résultats ne démontrent pas que chaque classe de protéines peut accepter un filigrane sans risque. Ils établissent toutefois que le filigranage a résisté au contact de la biologie physique dans une expérience contrôlée de conception de liants.

L’annonce de SynthID Bio formule donc une affirmation plus étroite que ne le laisse entendre son principe saisissant. Google DeepMind qualifie le système de preuve de concept, et non de service universel de traçabilité prêt pour la production.

Cette prudence est essentielle. L’expérience commence avec des structures de base de liants connues et les reséquence afin de recueillir des données utiles sur l’affinité. Elle ne teste pas un ensemble non restreint d’enzymes, de récepteurs, d’anticorps ou d’organismes complets.

Néanmoins, la validation physique change le statut de l’idée. Les précédentes propositions de filigranage biologique se concentraient souvent sur des métriques de qualité computationnelles. SynthID Bio vérifie si une signature au niveau de la séquence peut coexister avec une activité biologique mesurée.

Pourquoi la traçabilité des protéines est devenue un problème d’infrastructure

La conception de protéines par IA crée des séquences biologiques inédites plus rapidement que les systèmes de traçabilité existants n’ont été conçus pour les classer.

Les modèles génératifs peuvent proposer des séquences protéiques qui diffèrent fortement des exemples naturels connus. Cette capacité soutient la découverte de médicaments et la recherche biologique, mais elle complique le contrôle à l’interface entre le numérique et le physique.

Un chercheur envoie normalement une séquence d’ADN à un fournisseur de synthèse avant de produire une protéine conçue. Les fournisseurs examinent les commandes à l’aide de bases de données contenant des risques biologiques connus. Le contrôle traditionnel dépend souvent en partie de la similarité entre une séquence commandée et du matériel dangereux connu.

Les conceptions inédites fragilisent cette hypothèse. Une séquence inconnue peut représenter une recherche légitime, un organisme naturel non découvert ou un objet conçu nécessitant un examen plus approfondi. Une faible similarité ne permet pas automatiquement de déterminer quelle explication est correcte.

Google DeepMind soutient qu’un filigrane détectable peut fournir un contexte supplémentaire. Un fournisseur de synthèse pourrait déterminer qu’une séquence provient d’un modèle participant doté de garanties définies et de contrôles client.

Ce signal ne certifierait pas la sécurité. Il pourrait aider les équipes de contrôle à répartir leur attention en distinguant les résultats de modèles reconnus des séquences inexpliquées. James Diggans, vice-président chargé des politiques et de la biosécurité chez Twist Bioscience, a décrit le filigranage comme un outil supplémentaire pour concentrer les ressources de contrôle.

La pression n’est pas purement hypothétique, même si les estimations du danger immédiat restent contestées. Des travaux computationnels antérieurs ont montré qu’une reconception assistée par IA pouvait produire des séquences destinées à contourner les contrôles fondés sur la similarité.

Une évaluation ultérieure du NIST a apporté une importante réserve. Ses chercheurs ont constaté que les systèmes contemporains pouvaient générer des homologues synthétiques structurellement similaires sans préserver de manière fiable l’activité biologique.

Le NIST a conclu que les outils actuels ne pouvaient pas encore, de manière constante, réécrire une protéine tout en conservant son activité et en évitant les contrôles. Il a également constaté que la validation expérimentale exige beaucoup de temps, d’expertise et de ressources.

SynthID Bio doit donc être compris comme une infrastructure anticipative. Il traite un problème de traçabilité qui devient plus pressant à mesure que les modèles de conception s’améliorent, et non comme la preuve d’une crise biologique incontrôlée aujourd’hui.

Les bases de données scientifiques font face à une autre version du même problème. Les enregistrements de Protein Data Bank, UniProt et GenBank alimentent les outils de recherche, les pipelines de bioinformatique et les générations ultérieures de modèles d’apprentissage automatique.

La soumission publique favorise une large participation scientifique. Elle crée aussi des occasions pour que des entrées synthétiques soient étiquetées à tort comme des observations naturelles ou étayées par de fausses métadonnées.

Des enregistrements incorrects peuvent contaminer les résultats de recherche et les corpus d’entraînement. Ils peuvent également fausser l’analyse de sécurité lorsque les outils de contrôle s’appuient sur les mêmes collections de référence partagées.

Un filigrane pourrait inciter les conservateurs de bases de données à demander des preuves à l’appui ou à étiqueter une entrée comme générée par IA. Cela préserverait des données synthétiques utiles sans les présenter comme une séquence observée dans la nature.

Les enjeux dépassent un seul système Google. La traçabilité ne devient une infrastructure que lorsque des développeurs de modèles indépendants, des entreprises de synthèse, des référentiels et des chercheurs peuvent interpréter des signaux compatibles selon des règles convenues.

Sans cette coordination, SynthID Bio reste un marqueur techniquement intéressant au sein d’un système d’information biologique fragmenté.

Comment Google DeepMind filigrane les séquences et les structures

SynthID Bio dissimule la traçabilité dans les choix que fait déjà un modèle, mais le filigranage des séquences et des structures exige des compromis différents.

La génération de séquences protéiques est probabiliste. À chaque position, un modèle peut souvent choisir parmi plusieurs acides aminés plausibles tout en préservant le repliement visé. Cette flexibilité laisse de la place à un filigrane statistique.

SynthIDBio-sequence adapte l’échantillonnage par tournoi de la technologie de texte SynthID. Le processus d’échantillonnage favorise légèrement certains choix d’acides aminés en fonction d’une clé secrète de filigranage.

Un détecteur vérifie ensuite si ces choix favorisés apparaissent plus souvent que ne le prédirait le hasard. La séquence ne porte ni étiquette visible ni tag ajouté. Son motif est réparti dans l’ensemble de la conception générée.

Google DeepMind a testé des paramètres distorsifs et non distorsifs. L’échantillonnage distorsif modifie la distribution de sortie afin de renforcer le signal. L’échantillonnage non distorsif vise à préserver la distribution originale du modèle sur de nombreuses générations.

Le système filtre également les candidats générés à l’aide d’un score de filigrane. Les conceptions en dessous d’un seuil de détectabilité choisi peuvent être rejetées avant le début d’une validation structurelle plus coûteuse.

Cela crée un compromis direct en matière de coût. Dans une configuration testée, garantir une détection complète à un taux de faux positifs de 0,1 % a réduit de 41,7 % le taux de passage des candidats.

Cette réduction exige environ 71,5 % de candidats initiaux supplémentaires pour produire le même nombre de candidats franchissant le filtre de filigrane. Les chercheurs indiquent que la surcharge pratique est restée négligeable, car les candidats rejetés évitaient l’étape de validation AlphaFold 3, plus coûteuse.

Le filigranage de structures suit une autre approche. AlphaFold 3 prédit des coordonnées atomiques tridimensionnelles grâce à un processus de diffusion, qui transforme itérativement le bruit en un modèle moléculaire structuré.

Les chercheurs ont affiné une partie de ce réseau de diffusion en y ajoutant un objectif de filigranage. Un détecteur distinct a appris à distinguer les structures filigranées des prédictions ordinaires et des structures de référence expérimentales.

L’intégration de ce comportement dans les poids du modèle offre un avantage important. Une personne exécutant le modèle modifié obtient des prédictions filigranées sans appliquer d’étape distincte de post-traitement.

Google DeepMind rapporte des taux de détection supérieurs à 99,8 % à un taux de faux positifs de 0,1 % sur trois modèles testés. Avec le paramètre recommandé, les principales mesures de précision structurelle n’ont pas diminué par rapport à la référence AlphaFold 3.

Le détecteur utilise des caractéristiques géométriques telles que les distances entre atomes et les angles de torsion. Ces caractéristiques rendent la signature naturellement résistante à la rotation ou à la translation de la structure complète.

Elle est également restée détectable après l’ajout d’un faible bruit dans les coordonnées. C’est important, car les formats de fichiers courants arrondissent les coordonnées atomiques et les pipelines scientifiques transforment fréquemment les fichiers structuraux.

Les deux méthodes répartissent donc le contrôle différemment.

Filigranage de séquences

• S’intègre au processus d’échantillonnage de ProteinMPNN.

• Ne nécessite aucune modification des poids du modèle sous-jacent.

• Peut se généraliser à des générateurs de séquences autorégressifs similaires.

• Peut aussi être désactivé ou supprimé plus facilement.

Filigranage de structures

• Nécessite l’affinage d’une partie d’un modèle de diffusion.

• Intègre le comportement de filigranage dans les poids du modèle.

• Reste actif lorsque ces poids modifiés sont partagés.

• Dépend plus étroitement de l’architecture du modèle et du processus d’entraînement.

Le mécanisme s’appuie sur des recherches antérieures, mais il ne constitue pas la première proposition de tatouage numérique des protéines. Le projet FoldMark de 2024 a testé des filigranes structurels sur plusieurs modèles de prédiction et de conception.

FoldMark a signalé des taux de récupération élevés pour de courts codes intégrés et une résistance à plusieurs modifications simulées. Il restait toutefois une étude computationnelle et présentait des performances plus faibles en cas de changements structurels majeurs.

La contribution la plus claire de SynthID Bio réside dans le lien entre provenance et fonction expérimentale. Les tests de liaison en laboratoire apportent à l’approche par séquence des preuves que les seuls scores structurels ne peuvent fournir.

Le véritable adversaire est une provenance amovible

Le test central n’est pas de savoir si SynthID Bio peut marquer une protéine, mais si la marque résiste à des utilisateurs ayant des raisons de la supprimer.

Les chercheurs ont directement testé une attaque de reséquençage avec ProteinMPNN. Un attaquant part de la structure d’une protéine tatouée et génère une nouvelle séquence d’acides aminés censée préserver cette structure.

Sur 38 396 liants, le reséquençage a largement supprimé le filigrane de séquence. Il ne s’agit pas d’une limitation périphérique. Les versions de ProteinMPNN accessibles via navigateur réduisent l’expertise nécessaire pour réaliser cette transformation.

L’attaque entraîne aussi un coût biologique, ce qui confère au filigrane une certaine valeur défensive. Selon des estimations dérivées des expériences de laboratoire, le reséquençage réduisait les taux de réussite attendus des liants.

Avec des filtres structurels, les taux de détection estimés tombaient à 97 % pour la cible SARS-CoV-2, 70 % pour PD-L1 et 66 % pour VEGF-A. Sans ces filtres, ils tombaient à 33, 20 et 3 %.

Ces chiffres décrivent des liants sélectionnés et une chaîne d’attaque évaluée. Ils ne doivent pas être généralisés à toutes les protéines, toutes les cibles ou toutes les stratégies adverses.

Ils illustrent néanmoins l’argument de sécurité de Google DeepMind. Un filigrane n’a pas besoin d’être impossible à supprimer si sa suppression impose un coût utile, de l’incertitude ou une dégradation fonctionnelle.

Cette logique rappelle le modèle de sécurité plus large du secteur de la synthèse génétique. Le filtrage élève les obstacles et augmente les chances de détection. Il ne garantit pas que toute tentative nuisible échouera.

Cependant, la provenance fonctionne différemment du contrôle d’accès. Un utilisateur malveillant peut choisir un modèle non tatoué, désactiver le tatouage de séquence ou régénérer une conception existante. L’absence de signal ne dit alors presque rien.

Cette asymétrie crée le problème d’adoption. Les développeurs coopératifs peuvent étiqueter leurs résultats, tandis que les acteurs délibérément non coopératifs restent en dehors du système.

Le filigrane structurel présente aussi des modes de défaillance. Un léger bruit sur les coordonnées a préservé une grande partie de son signal, mais une relaxation moléculaire contrainte a détruit le filigrane testé.

La relaxation ajuste les coordonnées atomiques vers un arrangement physique localement favorable. C’est une opération scientifique normale, qui ne constitue pas nécessairement une preuve d’altération malveillante.

Google DeepMind affirme que de futurs entraînements pourraient intégrer la relaxation afin d’améliorer la résilience. D’ici là, un traitement en aval de routine peut effacer le signal structurel dans certaines conditions.

Les deux méthodes actuelles sont des filigranes à zéro bit. Elles indiquent la présence d’une signature, mais n’encodent pas d’informations détaillées telles qu’une identité d’utilisateur, une heure de génération ou un dossier de projet.

La détection repose également sur des clés secrètes partagées avec des parties de confiance. Une vérification publique nécessiterait de nouvelles méthodes de clé publique et des normes permettant de distinguer les filigranes de différents fournisseurs.

Les faux résultats ont des conséquences opérationnelles. Un faux négatif peut permettre à des données mal étiquetées d’entrer dans un dépôt. Un faux positif peut déclencher un examen supplémentaire ou suggérer à tort que des chercheurs ont utilisé l’IA.

Dans un flux de travail de biosécurité, les conséquences peuvent s’inverser. Traiter une marque détectée comme une preuve de confiance pourrait réduire la vigilance accordée à une séquence qui mérite une inspection plus approfondie.

L’article de recherche aborde explicitement ces choix de seuils. Des garanties de détection élevées peuvent exiger le rejet d’un plus grand nombre de candidats générés, augmentant les besoins de calcul et ralentissant les travaux légitimes.

SynthID Bio n’est donc pas un certificat de sécurité. Il ne détermine pas si une protéine est nuisible, efficace, produite de manière éthique ou étayée par des preuves expérimentales valides.

Il répond à une question plus restreinte : cette séquence ou cette structure porte-t-elle la signature statistique associée à une chaîne de génération participante ?

Cette réponse peut étayer une décision de sécurité, mais elle ne peut la remplacer.

La détection des protéines générées par l’IA exige des règles partagées

Un filigrane ne devient utile que lorsque les institutions s’accordent sur qui peut le détecter, ce que signifie cette détection et quelle action doit suivre.

Google DeepMind présente SynthID Bio comme une couche d’un système de défense plus large. Les autres couches comprennent les garde-fous des modèles, la vérification des clients, le filtrage des séquences, les contrôles d’accès et l’examen expérimental.

Cette approche en couches est appropriée, car chaque intervention a ses angles morts. Un filigrane suit l’objet conçu, tandis que les enregistrements de compte restent auprès du service qui l’a généré.

Les métadonnées peuvent fournir un contexte plus riche, notamment les versions de modèles et les horodatages. Pourtant, les métadonnées ordinaires peuvent être supprimées, modifiées ou séparées de la séquence sous-jacente.

Les registres centralisés offrent une autre possibilité. Les développeurs pourraient enregistrer les hachages ou les séquences complètes de conceptions générées par IA dans un dépôt contrôlé. Les services de filtrage pourraient interroger cet enregistrement lors de l’examen d’une commande.

Les registres soulèvent des préoccupations liées à la confidentialité et à la propriété intellectuelle. Ils exigent également un opérateur de confiance et une mise en correspondance fiable à très grande échelle. Des séquences légèrement modifiées peuvent compliquer la recherche exacte.

Les filigranes échangent des dossiers détaillés contre des preuves intégrées. Ils peuvent survivre à la copie, car le signal réside dans la séquence ou les coordonnées prédites. Leur utilité dépend toujours de l’accès à un détecteur valide.

La gouvernance devient ainsi aussi importante que la précision de détection. Les responsables de bases de données ont besoin de procédures pour les résultats contestés. Les fournisseurs de synthèse ont besoin de règles empêchant qu’un filigrane ne devienne une approbation automatique.

Les développeurs de modèles ont besoin de schémas compatibles qui n’interfèrent pas les uns avec les autres. Les chercheurs ont besoin de politiques de divulgation distinguant une provenance utile d’une surveillance punitive.

Le domaine ne dispose pas non plus d’une répartition établie entre provenance de séquence et provenance structurelle. Un modèle peut générer une structure, un autre outil peut concevoir sa séquence, et un troisième système peut optimiser ses propriétés de laboratoire.

Chaque transformation peut introduire un nouveau créateur et supprimer des éléments de preuve d’une étape antérieure. Une signature binaire unique ne peut représenter l’ensemble de cette chaîne.

Un système futur pourrait combiner des filigranes, des métadonnées signées, des journaux d’audit et des enregistrements de dépôt. Chaque couche pourrait documenter une partie différente de l’historique de l’objet.

Cette approche rappelle les travaux sur la provenance des médias numériques, mais la biologie soulève des questions plus difficiles. Un fichier multimédia demeure de l’information, tandis qu’une séquence protéique peut devenir une molécule physique et se reproduire par l’intermédiaire de matériel génétique encodé.

Google DeepMind teste déjà cette frontière. L’entreprise affirme que des travaux en cours avec le laboratoire Hie de Stanford et Arc Institute ont ajouté SynthID Bio à Evo 2.

L’équipe l’a utilisé pour tatouer le génome d’un bactériophage conçu par IA, un virus qui infecte les bactéries. Les premiers tests de culture auraient montré que les phages tatoués restaient fonctionnels.

Ce résultat n’a pas encore établi une méthode générale de provenance génomique. Un génome contient des gènes en interaction, des régions régulatrices et des pressions évolutives qui vont bien au-delà d’un seul liant conçu.

Il montre toutefois la direction prise par la recherche. L’objectif n’est pas seulement une étiquette pour des fichiers protéiques isolés. Il s’agit d’une provenance persistante pour des systèmes biologiques conçus par IA de plus en plus complexes.

Des efforts techniques indépendants façonneront également toute norme éventuelle. FoldMark explore des codes structurels spécifiques à l’utilisateur, tandis que d’autres chercheurs proposent des bases de données de séquences, des enregistrements signés et des garde-fous au niveau des modèles.

Aucune entreprise ne devrait définir seule la provenance biologique. Un système crédible exige la participation de dépôts scientifiques, de fournisseurs de synthèse, de laboratoires indépendants, d’organismes de normalisation et de multiples développeurs de modèles.

L’introduction de SynthID Bio ouvre cette négociation avec des preuves physiques. Elle n’achève pas le travail institutionnel nécessaire pour rendre le signal fiable.

Ce qui suivra l’introduction de SynthID Bio

Trois signaux détermineront si cette preuve de concept devient une infrastructure utile ou reste un résultat de laboratoire.

Le premier signal sera une réplication indépendante sur des classes de protéines plus larges. Les chercheurs doivent tester des enzymes, des candidats thérapeutiques, des anticorps et des complexes plus grands dans le cadre de flux d’optimisation réalistes.

Le succès renforcerait l’affirmation selon laquelle le tatouage numérique peut préserver la fonction au-delà de liants sélectionnés. Des échecs concentrés dans certaines familles de protéines définiraient les cas où la provenance doit recourir à d’autres méthodes.

Le deuxième signal sera une meilleure résistance aux transformations de routine. Les marques de séquence doivent mieux survivre au reséquençage partiel, tandis que les marques structurelles doivent résister à la relaxation et aux autres traitements scientifiques standards.

La résistance ne peut être obtenue à n’importe quel prix. Des marques plus fortes qui réduiraient la liaison, la stabilité, la diversité ou la précision des modèles compromettraient les recherches qu’elles sont censées protéger.

Le troisième signal sera l’adoption institutionnelle. Les fournisseurs de synthèse d’ADN et les dépôts biologiques doivent publier des politiques claires de détection des filigranes et de réponse aux résultats.

Cette adoption doit inclure des garde-fous contre un excès de confiance. Une signature reconnue devrait contribuer à établir l’origine, sans dispenser d’un examen de sécurité. Une signature absente ne devrait pas être traitée comme une preuve d’intention malveillante.

La détection par clé publique changerait également sensiblement les perspectives d’adoption. Elle pourrait permettre à davantage d’institutions de vérifier les marques sans recevoir la clé secrète d’un développeur de modèles.

Pourtant, une vérification plus large introduit de nouveaux risques. Les attaquants pourraient obtenir davantage d’informations sur le comportement des détecteurs, et des fournisseurs incompatibles pourraient générer des signaux qui se chevauchent ou prêtent à confusion.

La communauté de recherche aura besoin de références couvrant la détectabilité, la préservation fonctionnelle, le coût de suppression et le comportement des faux positifs. Les essais en laboratoire humide doivent rester centraux, car les scores de qualité computationnelle ne peuvent garantir l’activité biologique.

Il faut également distinguer les capacités actuelles du risque projeté. L’étude sur les risques liés aux protéines générées par IA à l’origine de l’évaluation du NIST a soulevé de sérieuses questions de filtrage, mais les résultats expérimentaux ont montré d’importantes limites des systèmes actuels.

Ces éléments soutiennent une préparation mesurée. Une meilleure provenance peut arriver avant que les outils de conception ne surmontent de manière fiable toutes les contraintes biologiques.

Pour les développeurs et les organismes de recherche, la leçon immédiate est pratique. Enregistrez les versions des modèles, les étapes de conception, les filtres et la validation expérimentale en parallèle des séquences générées. N’attendez pas d’un seul filigrane qu’il porte tout l’historique.

Pour les responsables de bases de données, la priorité consiste à définir comment les entrées générées par IA doivent être étiquetées et examinées. Le problème de provenance existe même lorsqu’aucune attaque délibérée ne se produit.

Pour les fournisseurs de synthèse, SynthID Bio offre un signal potentiel de triage. Sa valeur dépendra de son intégration au filtrage de séquences et aux vérifications des clients, et non du remplacement de l’une ou l’autre de ces couches.

L’introduction de SynthID Bio rend visible une hypothèse implicite : la biologie conçue par IA a besoin d’une mémoire fiable de la manière dont chaque objet a été créé. La question ouverte est de savoir si le domaine construira cette mémoire collectivement.

Au cours des prochains mois, surveillez les réplications indépendantes en laboratoire humide, une résistance accrue aux altérations et les plans d’adoption publiés par des dépôts ou des entreprises de synthèse. Ces évolutions montreront si le filigrane peut passer d’un modèle Google DeepMind à une pratique scientifique partagée.