Une équipe de Google DeepMind a présenté dans la revue Nature, le 30 septembre 2026, SynthIDBio : un ensemble de méthodes permettant d’identifier a posteriori les protéines conçues par intelligence artificielle. Deux versions existent, l’une pour les séquences de protéines créées de toutes pièces, l’autre pour les structures prédites par AlphaFold 3. Ce qui est nouveau n’est pas l’idée du filigrane numérique, déjà utilisée pour les textes et les images générés par IA, mais sa validation expérimentale : les essais rapportés n’ont pas détecté de différence statistiquement significative de liaison sur les cibles étudiées.
Pourquoi cela compte : identifier l’origine IA d’une séquence biologique pourrait compléter le contrôle des commandes d’ADN de synthèse. Le filigrane ne démontre pas, à lui seul, l’innocuité d’une protéine.
Comment on marque une protéine sans l’abîmer
Les modèles d’IA qui conçoivent des protéines les écrivent position par position : à chaque étape, le modèle évalue quels acides aminés conviendraient et en choisit un.
C’est cette marge de manœuvre que le filigrane exploite. À plusieurs positions, le modèle a le choix entre deux acides aminés également satisfaisants : le résultat fonctionnera dans les deux cas. Le procédé consiste alors à privilégier systématiquement l’un d’eux selon une règle dérivée d’une clé secrète. Pris isolément, aucun choix n’a rien de suspect. Mais à l’échelle de la séquence entière, une régularité statistique apparaît : qui détient la clé peut la mesurer et conclure que la protéine a été produite par cet outil. Qui ne la détient pas ne voit rien.
Pour les structures en trois dimensions, le principe diffère. Là, le marquage n’est pas appliqué au moment de la génération : il est intégré directement dans le modèle lui-même, par un réentraînement partiel. Le signal se loge dans d’infimes variations de distances entre atomes, invisibles aux indicateurs de qualité habituels et comparables aux erreurs que le modèle commet naturellement.
Les deux méthodes ne marquent pas le même objet : la première une séquence, la seconde une structure prédite. Le scénario de contrôle des commandes d’ADN présenté ci-dessous concerne les séquences.
Ce que l’expérience en laboratoire a vérifié
L’objection opposée jusqu’ici à cette idée était simple : si l’on contraint le choix des acides aminés, la protéine risque de moins bien faire son travail. Les auteurs l’ont testée directement.
Ils ont travaillé sur des protéines de liaison, c’est-à-dire des molécules conçues pour s’accrocher à une cible précise, mécanisme à la base de nombreux médicaments. Trois cibles ont été retenues : une protéine du SARS-CoV-2, le facteur de croissance VEGF-A et la protéine PD-L1, bien connue en immuno-oncologie. Pour chacune, les chercheurs sont partis de quinze protéines déjà validées, puis en ont régénéré les séquences avec et sans filigrane. La qualité de l’accrochage a ensuite été mesurée en laboratoire, par une technique de référence appelée résonance plasmonique de surface.
Résultat : aucune différence statistiquement significative entre protéines marquées et non marquées. Les contrôles négatifs, eux, ne se lient à rien, ce qui confirme que la mesure est fiable.
Deux nuances. L’expérience ne part pas de protéines inventées de zéro, mais de molécules dont on savait déjà qu’elles fonctionnaient, choix assumé, destiné à obtenir assez de données exploitables. Surtout, le marquage a un coût : pour garantir que le signal reste détectable, il faut écarter les candidats dont la marque est trop faible. Dans l’un des réglages testés, cela élimine 41,7 % des candidats, qu’il faut donc produire en plus grand nombre, au prix de calculs et de dépenses supplémentaires.
Pourquoi les fournisseurs d’ADN pourraient s’y intéresser
L’intérêt stratégique de ces travaux tient moins à la biologie qu’au modèle économique esquissé par les auteurs.
Concevoir une protéine sur ordinateur ne suffit pas : pour la fabriquer, il faut commander l’ADN correspondant à un fournisseur spécialisé. Ce passage obligé est aujourd’hui le principal point de contrôle du secteur. Les fournisseurs comparent chaque commande à des bases de séquences dangereuses connues et refusent celles qui correspondent. Cette vérification coûte cher, et elle devient incertaine quand la séquence commandée ne ressemble à rien de répertorié, ce qui est précisément le cas des protéines conçues par IA.
Le filigrane propose une autre voie. Une marque intacte signale deux choses : la séquence provient d’un outil identifié, et son auteur n’a pas cherché à en masquer l’origine. Les auteurs imaginent donc que les fournisseurs réservent les analyses les plus lourdes aux commandes non marquées, et répercutent l’économie sur le prix ou le délai. La traçabilité deviendrait alors un avantage commercial plutôt qu’une contrainte. Cet équilibre reste fragile : si le surcoût de calcul imposé au concepteur dépasse le gain obtenu chez le fournisseur, personne n’a intérêt à adopter le dispositif.
Un calendrier réglementaire qui se resserre
Une technologie de traçabilité ne vaut que s’il existe un contrôle obligatoire auquel l’adosser. Or ce contrôle se formalise.
Aux États-Unis, un cadre fédéral publié en septembre 2024 abaisserait au 13 octobre 2026 le seuil à partir duquel les commandes doivent être vérifiées, et étendrait les obligations aux fabricants d’appareils de synthèse. En Europe, une proposition de Biotech Act présentée par la Commission européenne en décembre 2025 prévoirait des obligations contraignantes de vérification et un signalement des commandes suspectes. La source rappelle d’ailleurs ce qui a déclenché cette accélération : une étude récente a montré que réécrire une séquence dangereuse à l’aide d’outils d’IA suffisait à la rendre méconnaissable pour les systèmes de contrôle en place.
Pour qui ? Une preuve de laboratoire, pas encore un standard industriel
Ces travaux intéressent les concepteurs de protéines par IA et les fournisseurs d’ADN de synthèse. Maturité : signal émergent, avec validation expérimentale en laboratoire. L’article ne documente ni adoption industrielle ni bilan économique en production ; le surcoût de génération reste un point à évaluer.
Source : Nature, « Function-preserving watermarking of AI-generated proteins » (30 septembre 2026) – fiabilité : publication évaluée par les pairs.
