保持功能的AI生成蛋白质水印技术

【按】：这两天，AI生物技术领域又发生了一件不算小的事情：谷歌团队开发出蛋白质水印技术，在人工设计的序列中嵌入可识别标记，并在所测试的结合分子中保持了功能。

往好处看，它有助于追溯来源、保护知识产权。

往深处想，也引出了垄断隐忧。试想，若谷歌或其他巨头凭借算力和模型优势，围绕所有已知蛋白大规模设计结合分子、激动剂、拮抗剂、抗体等，并提前布局专利，其利益版图可能延伸至医药、农业和工业生物技术等领域。届时，中小企业面对的可能是覆盖关键靶点与应用的专利壁垒。

Google DeepMind 团队于 2026年9月30日在《Nature》发表的：

Function-preserving watermarking of AI-generated proteins中文可译为：《保持功能的AI生成蛋白质水印技术》作者：David Stutz、Alexander I. Cowen-Rivers 等。DOI：10.1038/s41586-026-10965-y。Nature

研究者开发了 SynthIDBio，为AI生成的生物数据嵌入可检测的“水印”。其中包含两种不同技术：

序列水印不是在蛋白末端加一段标签。 它在 ProteinMPNN 选择氨基酸时，用密钥对候选选择施加偏好，使信号分散在序列中。官方已公开相关代码：SynthIDBio代码库。Nature

图1：水印怎样加入蛋白设计流程

这里的“标签”是分散的统计信号，并非额外接上一段标签肽。

作者用三个靶点的已知结合蛋白骨架重新设计序列，比较有水印和无水印的蛋白：

• 新冠病毒受体结合域（RBD）；
• VEGF-A；
• PD-L1。

SPR测定显示，两组整体结合亲和力相近。不过，这证明的是这些结合分子的结合性能可以保持，不能直接推广为所有酶、抗体或激动剂的全部功能均不受影响。

图2：加水印后，结合性能仍可保持

结果支持测试结合分子的性能总体保持，不能推广为所有蛋白功能都不受影响

图3：水印检测的代价与局限

a、b： 提高检出率、降低误报率，会使更多候选被筛掉。这里的“温度”是模型采样参数。

因此，论文中提出的水印并非不可移除的分子身份证。

图4：结构水印能否保持预测准确度？

论文中标记的是预测结构数据，还不能据此认定实际合成蛋白会保留同样的几何水印。