Google DeepMind 9 月 30 日發布 SynthID Bio，把浮水印直接寫進 AI 設計的蛋白質胺基酸序列裡。方法論文同步刊登在《自然》上，程式碼、體外實驗數據與模型權重都已開放給研究社群。
這套工具要回答的問題相當具體：一段蛋白質序列擺在眼前，能否驗證它出自某個可信的 AI 設計流程。DeepMind 把它定位成來源驗證手段，它無法判斷一個蛋白質是否危險。
浮水印怎麼寫進去
SynthID Bio 接在蛋白質設計工具 ProteinMPNN 上運作。ProteinMPNN 的運作方式是沿著蛋白質骨架一個位置一個位置地放入胺基酸，每一步都有多個化學性質相近的候選，比方說白胺酸、異白胺酸與纈胺酸在很多位置上可以互換。
SynthID Bio 在這一步介入：它根據一把浮水印金鑰與前面已選定的胺基酸，給出一個建議。只有在不影響蛋白質功能的前提下，設計流程才會採納這個建議。單看任何一個位置都看不出異狀，整條序列讀下來，符合金鑰偏好的胺基酸會比隨機情況多出一截。
檢測同樣靠統計。持有金鑰的一方掃描整條序列，計算有多少位置落在金鑰建議上，再跟門檻值比較。Ars Technica 的報導提醒，門檻值怎麼設定會直接改變誤判與漏判的比例，結果終究是一個機率性判斷。
實驗結果
團隊用帶浮水印的流程設計了針對三個靶點的結合蛋白：血管內皮生長因子 VEGF-A、新冠病毒棘蛋白的受體結合域、免疫檢查點蛋白 PD-L1。體外測試顯示，帶浮水印的設計在命中率與結合親和力上與無浮水印版本持平，序列多樣性也沒有下降。DeepMind 稱這是首批帶浮水印、且具備生物功能的蛋白質結合物。
他們還把同樣的思路用在 AlphaFold 3 的結構預測輸出上，檢測效果接近完美，對數值噪訊與小幅座標變動也扛得住。
DNA 合成公司 Twist Bioscience 負責政策與生物安全的副總裁 James Diggans 給出了這樣的評價：
"AI is expanding what scientists can design, and DNA synthesis companies have an important role in helping that innovation scale responsibly."（AI 正在擴大科學家能設計的範圍，DNA 合成公司在幫助這類創新負責任地擴張上扮演重要角色。）
和文字浮水印放在一起看
SynthID 最早用在圖片上，後來擴展到文字、音訊與影片，文字浮水印在 2024 年開源。本站之前寫過 OpenAI 把 Google 浮水印裝進 ChatGPT，也寫過 Anthropic 替 Claude 輸出埋入隱形浮水印。這些方案共同的弱點是改寫：把一段文字換個說法，統計訊號就會被稀釋。
蛋白質這邊也有對應的「改寫」。報導列了幾種：很短的蛋白質容納不下足夠多的浮水印位點；在帶浮水印的序列後面接上一段天然序列（比方融合一個螢光蛋白），訊號會被沖淡；不少蛋白質設計工具並非基於 ProteinMPNN，也不是逐個放置胺基酸的路線，浮水印就接不進去。DeepMind 自己也承認，面對蓄意篡改的穩健性仍是難題。
還有一層是金鑰管理。整套體系的可信度取決於誰持有金鑰、怎麼分發、一旦外洩該怎麼辦，這部分目前還沒有成形的產業規範。
放在生物安全鏈的哪一環
現有的生物安全防線主要壓在 DNA 合成環節：合成公司拿訂單序列去比對已知的危險序列資料庫。AI 設計出來的新蛋白質可能跟任何已知序列都不像，比對就會漏掉。浮水印提供的是另一條線索，告訴合成公司這條序列來自一個登記過的設計流程。
它補的是來源這一塊，對危害判斷幫不上忙。一個沒有浮水印的序列，可能只是用了別的工具；一個帶浮水印的序列，也不代表它無害。DeepMind 在公告裡寫明，沒有哪一項生物安全措施能單獨解決問題。目前 DeepMind 透過 synthidbio@google.com 接洽合作夥伴，有多少合成公司、設計工具會接入，還要看後續進展。
參考來源：Google DeepMind 官方部落格、《自然》方法論文、CocoLoop、Ars Technica；靶點、命中率與親和力比較以論文與官方部落格口徑為準，侷限部分參考 Ars Technica 對方法的解讀。