La tecnología de marca de agua SynthID de Google DeepMind, desarrollada originalmente para identificar texto, imágenes, audio y video generados por IA, se ha extendido a un nuevo ámbito: la biología. Investigadores de la Universidad de Maryland adaptaron el sistema para insertar marcas de agua invisibles directamente en secuencias de proteínas diseñadas por IA, estableciendo un posible mecanismo de rastreo para la biología sintética que deja intactas las proteínas.

Marcas de agua a nivel de aminoácidos

El método se basa en SynthID-Text, que opera ajustando sutilmente la distribución de probabilidad de los tokens durante la generación; en este caso, aminoácidos en lugar de palabras. Mediante un enfoque de muestreo Gumbel imparcial, los investigadores insertaron una marca de agua derivada de una clave privada en la distribución de probabilidad de aminoácidos de modelos de diseño de proteínas, incluido ProteinMPNN.

ProteinMPNN, lanzado en 2022, es uno de los modelos de IA más destacados para diseñar secuencias de proteínas novedosas. Toma una estructura proteica tridimensional deseada y trabaja de forma inversa para producir secuencias de aminoácidos que se espera se plieguen en esa forma. El campo al que pertenece ha avanzado rápidamente hacia la corriente principal: el Premio Nobel de Química 2024 reconoció el diseño computacional de proteínas, otorgado a David Baker, junto con la predicción de estructuras proteicas impulsada por IA, compartida por Demis Hassabis y John Jumper de Google DeepMind por AlphaFold2. La capa de marca de agua se superpone a este flujo de trabajo, influyendo en qué aminoácidos específicos se seleccionan sin alterar las propiedades estadísticas generales del resultado.

Las pruebas de validación mostraron que los puntajes pLDDT, una métrica estándar de la calidad predicha del plegamiento de proteínas, permanecieron sin cambios después de aplicar la marca de agua. Estructuralmente, las proteínas se veían tan sólidas con la marca de agua como sin ella.

El caso de la bioseguridad

A medida que las herramientas de diseño de proteínas con IA se vuelven más potentes y accesibles, la capacidad de generar secuencias biológicas novedosas plantea preocupaciones seguridad legítimas. Los métodos de procedencia convencionales, como los registros de metadatos adjuntos a los archivos, pueden eliminarse con la misma facilidad que los datos EXIF de una fotografía, sin ofrecer una cadena de custodia duradera.

Una marca de agua estadística incrustada funciona de manera distinta. Reside dentro de la propia secuencia y sobrevive a operaciones de copiar y pegar, conversiones de formato de archivo y distribución entre sistemas. Cualquiera con acceso a la clave privada correspondiente puede detectar posteriormente la marca de agua, lo que permite a las organizaciones determinar si una determinada secuencia de proteínas fue producida por un modelo de IA específico.

Esta capacidad también se integra directamente en la infraestructura existente de bioseguridad. El Consorcio Internacional de Síntesis de Genes (IGSC) ya mantiene marcos para examinar los pedidos de síntesis de ADN contra bases de datos de secuencias peligrosas conocidas. Dado que ese examen se basa en comparar los pedidos con catálogos de riesgos conocidos, una secuencia genuinamente novedosa generada por IA puede no parecerse a nada en esas bases de datos de referencia, dejando un vacío documental que la procedencia incrustada en la secuencia podría ayudar a cubrir. Las secuencias de proteínas con marca de agua podrían rastrearse a través de estos mismos canales, añadiendo una capa de procedencia específica de IA al proceso de examen.

Situación actual

No existe ningún producto comercial llamado "SynthID Bio" disponible para compra o despliegue; la investigación se sitúa plenamente en el terreno de la prueba de concepto. La tecnología SynthID subyacente de Google DeepMind es real y se despliega activamente para marcar texto, imágenes, audio y video generados por IA. La aplicación a proteínas extiende esos principios, pero hasta ahora solo se ha demostrado en un entorno de investigación y aún no se ha convertido en producto. Si el método se transfiere a otros modelos de diseño de proteínas y encuentra adopción en flujos de trabajo reales de examen de síntesis son preguntas abiertas para el campo.

El estudio también destaca una ventaja estructural de la marca de agua estadística frente a enfoques alternativos. Como la marca de agua se incrusta en el propio proceso de generación en lugar de añadirse después, crea una forma de procedencia inherentemente vinculada al modelo de IA. Una secuencia de proteínas no puede marcarse después con este método; debe ocurrir en el momento de la generación, lo que significa que rastrea naturalmente el punto de origen y no algún paso de procesamiento posterior.