AI设计蛋白质的能力越强，一个新问题就越紧迫：拿到一条陌生的蛋白质序列，我们怎么知道它来自自然界，还是出自某个AI模型？9月底，Google DeepMind团队在《自然》杂志发表了名为SynthID Bio的水印技术，给AI生成的蛋白质序列与结构嵌入肉眼不可见、机器可检测的隐藏信号，并且用真实实验证实了水印几乎不影响蛋白质的正常功能。
给图片或音频加水印，改的是像素或频谱里人感知不到的成分，改坏了最多影响观感。蛋白质不一样，它的功能由氨基酸序列折叠出的三维结构决定，序列上一个位置的改动，都可能让整条链折叠成完全不同的形状，轻则失去活性，重则变成完全不同的分子。水印不能像贴标签一样后补，必须长在设计过程本身里。
DeepMind为此设计了两种路径。第一种针对序列，整合进常用的蛋白质序列设计模型ProteinMPNN。模型原本的工作逻辑是给定骨架后，在每个位置从多种合适的氨基酸里挑选。SynthID Bio在挑选环节加入一套由密钥控制的倾向调整，单独看任何一个位置都察觉不出规律，但整条序列累积起来会形成一个可用密钥检测的统计模式。
第二种针对结构，作用在AlphaFold3的结构预测上。研究团队没有在预测完成后挪动原子坐标，而是对模型的部分网络做了微调，让预测出的三维结构在原子间距离与角度等几何关系里自然携带水印信号。正常的结构使用者完全看不出差异，专门训练的检测器却能识别出来，且平移、旋转与小幅坐标噪声都不会破坏水印。
水印技术最大的疑问是会不会把蛋白改坏。团队选择了一类叫蛋白质结合物的分子做真刀真枪的验证。这类小型蛋白被设计用来识别并结合目标蛋白，是药物研发里的常用元件。研究者在相同的蛋白骨架上，分别用普通版与带水印版的ProteinMPNN生成序列，然后真实合成出来做实验。
测试覆盖三个靶点：与血管生成相关的VEGF-A、新冠病毒刺突蛋白的受体结合域，以及肿瘤免疫里的重要靶点PD-L1。结果显示，带水印的蛋白质在结合成功率、结合亲和力与序列多样性上与不带水印的版本整体相当，团队拿到了针对新冠受体结合域的低纳摩尔级结合蛋白，以及针对另外两个靶点的亚纳摩尔级结合蛋白。功能没受影响的结论，是建立在这些湿实验之上的。
水印的可检测性也存在权衡。论文指出，提高检测灵敏度需要更严格地筛选候选蛋白，可能减少最终通过筛选的设计数量。此外，水印并非无法破解，对结构做进一步计算优化或对序列重新设计，都可能削弱甚至移除水印。论文把提升抗篡改能力列为后续工作。
这项技术瞄准的第一个应用场景是DNA合成行业。AI设计的蛋白质要变成现实中的分子，通常需要先获得编码它的DNA，再由细胞表达出来。合成企业因此处在数字设计进入现实世界的一道闸口上，它们目前的安全筛查主要依赖与已知病原体、毒素序列的比对。
这种比对机制在生成式AI面前出现了盲区。AI可以设计出自然界从未存在的新蛋白，序列上与已知危险分子看不出关联，结构上却可能实现相似功能。传统比对对这类陌生序列无能为力。SynthID Bio提供的补充信息是
参与论文早期反馈的行业人士给出了务实的定位：水印不能直接证明一个蛋白安全或危险，没有水印也不等于有风险，它的价值在于把具体设计与模型开发者关联起来，让多层防线各覆盖一段盲区。DeepMind同时希望把这套机制用于维护公共蛋白库的信息完整性，防止AI生成的数据被误标为天然序列，并已开始与高校合作把水印延伸到基因组生成模型。生物安全的技术工具箱里，由此多了一件来源追溯的新工具。
SynthID Bio不是孤立的产品，而是DeepMind水印体系的最新延伸。这套体系最早用于AI生成的图片，随后扩展到视频、音频与文本，此次进入蛋白质领域，覆盖的场景从数字内容跨到了物理世界。每一次扩展的技术难点都在升级：像素可以无损微调，氨基酸的改动却牵动折叠与功能，生物水印对不可见性与无害性的要求，比此前任何一类载体都苛刻。
路线图的下一步已经铺开。DeepMind披露正在与斯坦福大学相关实验室及Arc研究所合作，把水印延伸到基因组生成模型，尝试给AI设计的噬菌体基因组加入水印，早期实验显示带水印的基因组仍能发挥功能，完整研究尚未发表。如果这条路走得通，来源追溯的覆盖面将从蛋白质扩大到整个合成生物学链条。
更深层的意义在于行业规范的先例效应。水印单独存在时可以被绕开，但当主流设计模型普遍内置水印、合成企业普遍检查水印时，来源追溯就会从可选项变成事实标准。公共数据库同样受益，蛋白结构库与序列库若能在入库环节检测水印，AI生成数据混入天然数据的污染问题就有了技术抓手。AI在生物领域的能力扩张与治理工具的建设，第一次出现了同步推进的迹象，这或许是这项研究比水印本身更长远的贡献。