Amerykańska agencja zajmująca się zaawansowanymi technologicznie projektami dla celów wywiadu - IARPA (Intelligence Advanced Research Projects Activity) pokazała technologie służące wykrywaniu organizmów zmodyfikowanych genetycznie. Projekt FELIX rozpoczęto w odpowiedzi na zwiększone zagrożenie biologiczne. Dzięki pokazanym rozwiązaniom można sprawnie zbierać próbki, nawet z bardzo małą ilością podejrzanych organizmów i sprawnie je analizować. Poniżej film z wczorajszej konferencji, na której zaprezentowano te technologie.

Program FELIX ma na celu rozszerzenie i poprawę obecnych możliwości biodetekcji i bionadzoru poprzez opracowanie nowych narzędzi obliczeniowych i eksperymentalnych do wykrywania zmodyfikowanych systemów biologicznych.

Nowe technologie umożliwiły rozwój różnorodnych, potencjalnie korzystnych, systemów biologicznych, od nowych szczepionek po ulepszone uprawy. Narzędzia do edycji genomu uczyniły inżynierię biologiczną bardziej dostępną, wygodną i ekonomiczną. Jednak narzędzia te mogą być niewłaściwie używane – przypadkowo lub celowo – w celu negatywnego wpływu na zdrowie publiczne, gospodarkę i bezpieczeństwo narodowe.

Obecne metody wykrywania oznak inżynierii biologicznej są zazwyczaj kosztowne, powolne i zdolne do wykrywania tylko części wszystkich możliwych modyfikacji genetycznych. W ramach programu FELIX opracowywane są nowe narzędzia i metody obliczeniowe i eksperymentalne w celu poprawy i rozszerzenia istniejących możliwości wykrywania. Zaprojektowane do pracy z szeregiem organizmów biologicznych, które można znaleźć w złożonych, wielogatunkowych środowiskach, narzędzia i metody FELIX mogą ostrzegać na wczesnym etapie o obecności zmodyfikowanych organizmów i przyspieszać odpowiednie decyzje, pozwalając uniknąć w ten sposób negatywnych konsekwencji. Jako osiągnięcia tego programu od początku jego powstania w czerwcu 2018 roku można wymienić:

Żywe bioczujniki weryfikujące koncepcję do wykrywania markerów inżynieryjnych

Wykrywanie sygnatur inżynierskich na poziomie pojedynczej komórki

Wykrywanie znanych sygnatur w stosunku 1:100 000

Obszerne zestawy danych szkoleniowych dla algorytmów uczenia maszynowego