Google DeepMind presentó SynthID Bio, un método experimental para insertar una marca detectable en proteínas diseñadas con inteligencia artificial sin destruir la función buscada. El trabajo, publicado en *Nature* el 30 de septiembre de 2026, abre una vía para rastrear ciertos diseños, pero todavía está lejos de identificar cualquier proteína creada por IA.
Una marca dentro de la secuencia biológica
La idea parte de un problema creciente. Los modelos generativos ya pueden proponer secuencias y estructuras de proteínas, lo que acelera investigación en medicamentos, materiales y biología sintética. A medida que esas herramientas se extienden, también aumenta el interés por saber de dónde salió un diseño y si fue generado con un sistema determinado.
SynthID Bio adapta a la biología el concepto de marca de agua que Google ya aplica a imágenes, audio, video y texto generados por IA. En vez de añadir una etiqueta externa, modifica decisiones durante el proceso de diseño para dejar un patrón estadístico en la proteína resultante. Un detector puede buscar después esa señal.
El estudio describe dos variantes. Una trabaja con secuencias generadas mediante ProteinMPNN, un modelo que diseña cadenas de aminoácidos compatibles con una estructura. La otra se apoya en una versión ajustada de AlphaFold 3 para el diseño condicionado por estructura. En ambos casos, la marca debe convivir con una exigencia central: la proteína tiene que conservar su forma y su actividad.
Los autores evaluaron diseños relacionados con VEGF-A, el dominio de unión al receptor de SARS-CoV-2 y PD-L1. Esos objetivos representan interacciones biológicas distintas y permitieron comparar versiones marcadas y no marcadas. Según el artículo, los resultados del conjunto probado mostraron funciones comparables, una señal importante para demostrar viabilidad.
Qué demuestra el estudio y qué no
La publicación aporta tres tipos de evidencia. Primero, simulaciones computacionales para medir si las secuencias marcadas mantienen características de diseño. Segundo, análisis estructurales para comparar las formas esperadas. Tercero, experimentos de laboratorio —el llamado *wet lab*— sobre proteínas producidas físicamente.
Ese recorrido hace que el trabajo sea más que una demostración puramente informática. Sin embargo, sigue siendo una prueba de concepto sobre objetivos concretos, no una garantía general. “Resultados comparables” en este conjunto no significa que cualquier proteína pueda modificarse sin perder estabilidad, rendimiento o actividad. Cada familia proteica puede imponer restricciones diferentes.
Tampoco se trata de un detector universal de proteínas creadas por IA. SynthID Bio puede reconocer marcas insertadas por un proceso compatible con el método. No identifica necesariamente diseños hechos por otros modelos, secuencias generadas sin la marca ni proteínas naturales. El estudio no propone usarlo para marcar genomas completos y no convierte una muestra biológica cualquiera en una evidencia automática de procedencia.
Otro límite es la persistencia. La marca está diseñada para tolerar algunas modificaciones, pero puede debilitarse o eliminarse si alguien rediseña suficientemente la secuencia. El propio concepto enfrenta una tensión: cuanto más resistente sea la marca, más puede restringir el espacio de diseño; cuanto más flexible sea, más fácil puede resultar borrarla.
Transparencia y conflicto de interés
El artículo está disponible con licencia abierta CC BY 4.0 y el equipo publicó código en GitHub, lo que facilita examinar y reproducir partes del método. Esa apertura no es total. Algunos detalles del detector estructural permanecen reservados para dificultar la eliminación deliberada de la señal.
La decisión crea un equilibrio discutible. Ocultar el detector puede proteger la marca contra ataques, pero limita la capacidad de terceros para auditar todo el sistema. Para que SynthID Bio llegue a funcionar como mecanismo compartido de procedencia, instituciones independientes necesitarían evaluar tasas de falsos positivos, falsos negativos, resistencia a transformaciones y comportamiento en familias de proteínas que no participaron en el estudio.
También conviene leer el trabajo con su contexto institucional. Google DeepMind desarrolló la tecnología; la investigación fue financiada por Alphabet y varios autores son empleados de la compañía. Eso no invalida el estudio revisado por pares, pero hace especialmente importante distinguir los resultados publicados de las proyecciones comerciales o regulatorias que puedan construirse alrededor de ellos.
Por qué una marca no reemplaza la bioseguridad
Una marca de procedencia puede ayudar en auditorías, intercambio de diseños y trazabilidad entre laboratorios. Por ejemplo, una plataforma podría indicar que una secuencia fue propuesta por un modelo específico y permitir que un receptor verifique esa señal antes de incorporarla a un experimento. También podría complementar registros sobre quién creó, modificó y aprobó un diseño.
Pero no determina si una proteína es segura. Una secuencia marcada puede ser riesgosa y una no marcada puede ser legítima. El método tampoco evalúa toxicidad, potencial patógeno, impacto ambiental ni uso dual. Esos riesgos requieren controles de acceso, revisión de secuencias, evaluación experimental, documentación y supervisión especializada.
La trazabilidad también depende de la adopción. Si cada laboratorio o proveedor utiliza un esquema incompatible, detectar una marca no ofrecerá una respuesta común. Si solo algunos modelos la incorporan, la ausencia de señal no permitirá concluir que una proteína no fue generada por IA. En términos prácticos, SynthID Bio funciona mejor como evidencia positiva —se encontró una marca concreta— que como prueba de exclusión.
Para universidades, empresas biotecnológicas y reguladores de América Latina, el tema todavía es más estratégico que operativo. No existe un producto listo para desplegar ni un estándar que deban adoptar de inmediato. Sí aparece una pregunta útil para los procesos de compra y colaboración: qué registros de procedencia conserva una herramienta de diseño y qué controles acompañan a sus resultados.
Qué tendría que pasar para que se vuelva infraestructura
El siguiente paso es ampliar la evaluación. Harían falta más familias de proteínas, condiciones experimentales diversas y equipos independientes que intenten conservar, detectar y eliminar las marcas. También se necesitarían métricas públicas sobre cuánto cambia el rendimiento del diseño y bajo qué transformaciones falla la detección.
La gobernanza será tan importante como la ingeniería. Un sistema de procedencia necesita reglas sobre acceso al detector, gestión de claves o versiones, resolución de resultados ambiguos y protección de información científica sensible. También debe evitar una falsa sensación de seguridad: encontrar una marca no certifica la calidad ni la intención del diseño.
SynthID Bio muestra que la procedencia de contenido generado por IA empieza a trasladarse del mundo digital al biológico. Es una demostración técnicamente relevante, respaldada por experimentos, pero su alcance sigue acotado. El avance está en probar que una marca puede coexistir con la función en varios casos; el desafío pendiente es demostrar que puede resistir, escalar y convivir con un sistema real de bioseguridad.
Opciones de título consideradas
1. DeepMind lleva SynthID a proteínas diseñadas por IA, con una prueba que aún no equivale a un estándar — elegido por expresar el avance y su límite principal. 2. SynthID Bio inserta marcas en proteínas creadas con IA y abre un debate sobre trazabilidad. 3. Un estudio de DeepMind prueba marcas de agua biológicas, pero no detecta cualquier proteína generada por IA.