利用机器学习来实现不可知生物检测
Sarah H Sandholtz1, Camilo Valdes1, Nisha Mulakken1
1Sarah H. Sandholtz, PhD, is a Staff Scientist; Camilo Valdes, PhD, is a Postdoctoral Researcher; Jeffrey A. Drocco, PhD, is Group Leader, Advanced Biotechnologies Integration Group; Crystal Jaing, PhD, is Group Leader, Genomics Group; and Nicholas A. Be, PhD, is Group Leader, Microbiology/Immunology Group; all in the Biosciences and Biotechnology Division, Physical and Life Sciences Directorate. Nisha Mulakken, MA, is Deputy Division Leader; Marisa W. Torres, MS, is Bioinformatics Lead; Aram Avila-Herrera, PhD, is Group Leader, Biomolecular Design and Development Group; Jose Manuel Martí, PhD, is a Staff Scientist; and Jonathan E. Allen, PhD, is a Senior Technical Staff Member; all in the Global Security Computing Applications Division, Computing Directorate. Uttara Tipnis, PhD, is a Staff Scientist, Computational Engineering Division, Engineering Directorate. All of the authors are at Lawrence Livermore National Laboratory, Livermore, CA.
美国的生物防御战略需要一种无代理的方法来检测新的威胁. 机器学习 (ML) 为可适应的环境生物检测系统提供了一个有希望的解决方案.
科学领域:
- 生物防御和环境监测
- 计算生物学和机器学习
背景情况:
- 目前美国的生物防御依赖于识别已知的生物制剂,限制其对新威胁的有效性.
- 使用签名的无代理方法为不断变化的生物威胁提供了更大的适应性.
- 机器学习 (ML) 在不同数据的模式识别方面表现出色,显示出生物检测的潜力.
研究的目的:
- 审查当前用于环境生物检测的机器学习 (ML) 平台.
- 为了确定开发需要的ML-enabled,无源生物检测.
- 支持从基于列表的生物防御战略过渡到基于签名的生物防御战略.
主要方法:
- 对现有的适用于生物检测的ML平台进行系统的文献审查.
- 分析机器学习能力,以从多式联络数据中识别复杂模式.
- 对环境生物检测中的ML技术要求的讨论.
主要成果:
- 确定了当前的ML平台及其生物检测应用的潜力.
- 强调了现有ML系统的关键技术能力和局限性.
- 概述了有效的ML驱动的不可知生物检测所需的进展.
结论:
- 过渡到支持ML的无毒生物检测对于加强国家安全至关重要.
- 需要进一步开发,以充分利用ML用于适应性环境威胁检测.
- 对机器学习能力的系统理解对于未来的生物防御创新至关重要.
