Evan Fields

本研究流包含两个大方向的项目,旨在切实支持 SecureBio 当前的检测工作。第一个方向研究 AI 生物工具或通用 AI 工具在大规模宏基因组检测中的实际价值,包括算力成本、测序成本、模型类型与规模,以及工作流程各阶段之间的权衡。第二个方向探索将基因组语言模型用作新颖性检测器,例如使用类似困惑度的指标标记异常序列,并评估这一方法能否以合理成本提供灵敏、可解释的补充,配合传统生物信息学系统使用。

研究小组概览

我尤其关注两个能够直接支持现有检测工作的项目:

​

  • 梳理将 AI 生物工具(或普通 AI 工具)用于大规模宏基因组检测的成本、可行性和前景。包括我在内的许多人直觉上认为,AI 能为基因组数据分析带来新能力。但 SecureBio 生成的宏基因组数据量极大,例如目前每周会生成约 500 亿对测序读段。即使只对每条读段运行一次中等规模模型的前向传播,成本也可能非常高。据我所知,目前还缺少严谨研究,说明哪些 AI 工具适用于病原体宏基因组检测的哪些类型或阶段。

​

如果能绘制一张“阶段图”,刻画算力成本、测序成本和工具类型等因素之间的权衡,将非常有价值。若还能推测未来变化,或分析这些关系如何随模型规模、模型能力和测序成本变化,则更好。这里的数学主要是算术,但这些计算很有用;它们需要深入理解宏基因组病原体检测的工作方式以及不同 AI 工具的特点。

​

难度更高、价值也更大的研究,是建立一套理论框架,判断通用大语言模型、蛋白质折叠模型、基因组语言模型、多轨生物基础模型等工具,原则上分别最适合用于病原体宏基因组检测流程的哪些环节。

​

  • 许多大流行病监测方案本质上都包含新颖性检测:这个基因组序列是否前所未见,或至少在本地环境中未曾出现?SecureBio 已经建立了几种此类系统,但主要使用传统生物信息学方法。也可以用基因组语言模型检测新颖性,例如基于困惑度的指标:某个序列让模型感到多意外?我们尚未深入探索这种检测方式。

​

我设想的项目会先建立这样的检测系统,再对其进行调整和分析:

  • 系统会标记哪些序列?其中是否存在明显的生物学模式?能否发现新的、意料之外的信息?
  • 系统如何处理其他检测系统标记的读段?能否为其他系统的警报提供佐证?
  • 信噪比如何?怎样提高灵敏度和特异度?
  • 系统的成本效益如何?怎样丰富输入数据,同时尽量不损失灵敏度?

​

这是一项探索性项目:我手头没有精确标注每条读段是否应被标记的数据集。我们要探索的是,这种检测方法能否以及如何补充传统方法,带来实际价值。

​

请注意,等到 MATS 项目开始时,其中一个项目可能已由另一项并行奖学金启动。

项目期间的工作地点:

Boston

导师

Evan Fields
SecureBio
,
高级研究科学家
Biosecurity

Evan 是 SecureBio Detection 的研究科学家,负责开发计算流程和检测方法,从深度宏基因组测序数据中发现威胁。转向生物安全领域之前,他曾在 Zoba 担任数据科学与工程副总裁;Zoba 是一家为共享出行行业提供优化服务的初创公司。他拥有运筹学博士学位。闲暇时,他也常花心思钻研酸面团披萨。

阅读更多

我们希望招收的学员

必备条件:

  • 对生物安全本身感兴趣,而不只是把它视为 AI 安全的一个分支。
  • 愿意优先开展直接实践工作,即使项目可能最终没有可发表的研究成果。
  • 有兴趣并有能力负责一项自主度较高的探索性项目,兼任产品经理和学员的角色。
  • 能够以定量、可解释的方式思考 AI 生物模型:不仅关注模型做什么,也要研究它如何运作,以及这对生物监测中的实际用途意味着什么。
  • 能够使用自己熟悉的编程语言编写、评估、调整和调试 AI 工作流程,也就是围绕模型运行的整体流程。

​

优先条件:

  • 有生物安全、公共卫生、生物监测、宏基因组学、病毒学、污水流行病学、核酸测序、基因组语言模型或蛋白质语言模型等相关经验。
  • 能够微调基因组语言模型,或训练模型输出头。
  • 有处理海量数据(生物或其他数据)的经验,熟悉流式算法、减少数据传输成本和提升工作流程效率等问题。

​

不太适合的情况:

  • 最感兴趣的是可解释性研究或发表论文。

项目遴选

我会根据 SecureBio Detection 的需求以及与我匹配的学员情况,决定开展两个大方向中的哪一个。在选定方向内,我会根据自己认为对 SecureBio Detection 有帮助、有趣且相关的内容提供指导;学员则有自主权,也需要主动负责具体工作方向的选择。