为AI设计蛋白质添加可追踪信号
人工智能正在成为蛋白质设计的强大工具：它可以帮助研究人员创造自然界中此前不存在的蛋白质，为新药和其他有用的生物工具开辟路径。但这种能力也提出了一个更棘手的问题：实验室、数据库管理者或安全审查人员如何判断一种设计蛋白质来自何处，以及是否需要进一步审查？
Google DeepMind的研究人员开发了一种旨在部分解决这一问题的技术，即在AI生成的蛋白质中加入水印。这个标记并非传统标签，而是编码在蛋白质结构中，因此在某种意义上是不可见的。目标是在保持蛋白质功能的同时，使其来源更容易被追踪。
这一方案位于快速发展的技术领域与长期存在的生物安全担忧交汇处。蛋白质由氨基酸构成，蛋白质折叠成三维形状的方式决定了它能做什么。如今，AI系统既能帮助理解这些结构，也能设计新的序列。这为有益研究创造了机会，但也意味着能够生成新设计的系统可能与制造有害生物材料的尝试有关。
为什么来源追踪很重要
水印可以为下游使用者提供一种实用信号，表明某种蛋白质是借助AI设计的。爱尔兰Munster Technological University生物学教授Roy Sleator未参与这项工作，他表示，这类系统可以帮助追踪设计来源、标记工程化蛋白质以接受额外生物安全检查，并减少关于蛋白质制造方式的误导性说法。
这在多个环节都可能有用。数据库管理者可能希望区分人工设计与自然存在的序列，避免工程化材料混淆标准参考数据库。评估蛋白质设计的机构可能需要一个提示，以便进一步审查。开展合作的研究人员也可能获得一种更持久的方式，表明候选设计源自某种特定设计过程。
这一基本理念并非要阻止科学工作，而是为越来越能够生成新生物设计的工作流程增加一层问责机制。来源信号可以帮助人们在设计被共享、合成或纳入后续研究前，更容易提出正确的问题。
具有明确局限性的技术进展
据报告，这项技术并非完整的安全保障。专家警告称，目前用于添加水印的同类AI技术也可能将其移除。这一局限至关重要：标记系统只有在有人有意规避时仍能保持可靠，才最有价值。
因此，这项工作应被理解为一种可追溯工具，而不是识别或阻止危险设计的保证。水印可能改善合作性、常规性或受监管研究的处理流程，但在用户蓄意修改或隐藏设计时，保护作用可能较弱。在生物安全领域，这一区分很重要，因为威慑、检测和问责本身未必足以解决蓄意滥用问题。
这也意味着该方法的表现将取决于使用方式。明确的水印检查流程、发现水印后应采取什么行动的规则，以及针对高风险工作的适当防护措施，都会决定这一技术信号能否在实际操作中发挥作用。缺少这些环节，水印可能提供信息，却很少影响现实决策。
蛋白质AI改变了背景
蛋白质AI的快速发展解释了为何这类方案受到关注。AlphaFold于2020年发布，展示了机器学习如何根据蛋白质的氨基酸序列预测其三维结构。蛋白质折叠常被比作折纸，因为最终形状对蛋白质功能至关重要。这项技术帮助确立了AI在结构生物学和蛋白质工程中的重要工具地位。
这一进展使讨论从预测现有蛋白质扩展到创造新蛋白质。其前景十分可观：设计蛋白质可以支持科学和医学应用。但新设计也使归属、数据库质量和安全审查问题更加复杂。一种能在设计完成后仍保持其可识别性的方法，可能帮助机构处理其中部分复杂性。
不过，使水印稳健的技术挑战与决定如何使用其所揭示信息的政策挑战密不可分。新方法提供了一种编码来源的方式，按照研究人员的目标，不以牺牲功能为代价。真正的考验在于，在设计系统广泛存在且用户可能试图绕过防护措施的世界里，这个标记能否继续具有意义。
下一步是什么
目前，AI蛋白质水印最好被视为更广泛安全体系的一部分。它们可以帮助整理数据库，并为审查提供早期提示；但其已知的可移除性意味着不应把水印视为独立防线。这项工作强调了负责任蛋白质设计的一个实际方向：在输出中加入可追溯性，再将其与能够据此采取行动的流程结合起来。
随着AI扩大研究人员能够创造的蛋白质范围，区分、追踪并适当评估这些设计的能力将越来越重要。水印无法消除双重用途挑战，但确实提供了一种具体尝试，使AI设计蛋白质的来源不再那么不透明。
本文根据Live Science报道编写。阅读原文。
Originally published on livescience.com