Els models que dissenyen proteïnes des de zero poden servir per fabricar fàrmacs, però també poden ser un risc si algú en fa un ús malintencionat. Per això hi ha cada vegada més interès a poder demostrar que una proteïna ha sortit d'un model d'IA, sobretot perquè els proveïdors de síntesi d'ADN, que fabriquen les seqüències que els encarreguen, necessiten criteris per decidir quines peticions revisen amb més cura.
Un equip de Google DeepMind ha publicat a *Nature*, una revista revisada per parells, un treball titulat «Function-preserving watermarking of AI-generated proteins». Descriu SynthID Bio, una família de mètodes que incrusta una signatura estadística a la seqüència d'aminoàcids d'una proteïna i a les coordenades atòmiques de la seva estructura predita. Els investigadors van provar-ho amb el seu mètode de disseny AlphaProteo, combinat amb una versió de ProteinMPNN amb marca, sobre tres dianes: el VEGF-A, el domini de la proteïna de l'espiga del SARS-CoV-2 que s'uneix al receptor cel·lular i el PD-L1. En els tres casos, els dissenys marcats van igualar els no marcats en taxa d'èxit, afinitat d'unió i diversitat natural de seqüències.
La marca resisteix el soroll digital i els canvis estructurals petits. DeepMind ha alliberat el codi, les dades *in vitro* i els pesos dels models per a la comunitat científica. La idea és que, quan un proveïdor d'ADN rebi una seqüència estranya, pugui comprovar si prové d'un model amb salvaguardes i no d'una font més preocupant.
El mateix equip admet el límit principal: la resistència a una manipulació deliberada és un repte encara per resoldre. Si algú redissenya la proteïna amb una altra eina d'IA, la marca pot desaparèixer, i només serveix per als models que decideixin adoptar-la. Els autors proposen per això combinar-la amb el seguiment de l'origen de les proteïnes i amb repositoris centralitzats.