Algorithme de sélection clonale

Algorithme de sélection clonale

L’algorithme de sélection clonale attribuée à Burnet a été proposée pour tenir compte du comportement et des capacités des anticorps dans le système immunitaire acquis. S’inspirant des principes de la théorie de l’évolution de la sélection naturelle darwinienne, la théorie propose que les antigènes sélectionnent les lymphocytes (à la fois les cellules B et les cellules T).

Lorsqu’un lymphocyte est sélectionné et se lie à un déterminant antigénique, la cellule prolifère en faisant plusieurs milliers de copies supplémentaires d’elle-même et se différencie en différents types de cellules (plasma et cellules de mémoire). Les cellules plasmatiques ont une courte durée de vie et produisent de grandes quantités de molécules d’anticorps, tandis que les cellules de mémoire vivent pendant une période prolongée dans l’hôte, anticipant la reconnaissance future du même déterminant. 

Lorsqu’une cellule est sélectionnée et prolifère, elle est soumise à de petites erreurs de copie (modifications du génome appelées hypermutation somatique) qui modifient la forme des récepteurs et les capacités de reconnaissance des déterminants ultérieurs des anticorps liés à la surface des cellules des lymphocytes et des anticorps que les plasmocytes produisent.

La théorie de la sélection clonale suggère qu’à partir d’un répertoire initial de cellules immunitaires générales, le système est capable de changer lui-même (les compositions et les densités des cellules et de leurs récepteurs) en réponse à l’expérience de l’environnement. Grâce à un processus aveugle de sélection et de variation accumulée à grande échelle de plusieurs milliards de cellules, le système immunitaire acquis est capable d’acquérir les informations nécessaires pour protéger l’organisme hôte contre les dangers pathogènes spécifiques de l’environnement. Cela suggère également que le système doit anticiper (deviner) le pathogène auquel il sera exposé et nécessite une exposition à un pathogène qui peut nuire à l’hôte avant qu’il ne puisse acquérir les informations nécessaires pour fournir une défense.

Les principes de traitement de l’information de la théorie de la sélection clonale décrivent une stratégie d’apprentissage générale. Cette stratégie implique une population d’unités d’information adaptatives (représentant chacune un problème-solution ou un composant) soumises à des processus de sélection compétitifs qui, avec la duplication et la variation qui en résulte, améliorent finalement l’adaptation des unités d’information à leur environnement.

L’algorithme suivant fournit un pseudocode de l’algorithme de sélection clonale (CLONALG) pour minimiser une fonction de coût. Le modèle CLONALG général implique la sélection d’anticorps (solutions candidates) sur la base de l’affinité, soit en les comparant à un modèle d’antigène, soit via l’évaluation d’un modèle par une fonction de coût. Les anticorps sélectionnés sont soumis à un clonage proportionnel à l’affinité et à l’hypermutation des clones inversement proportionnels à l’affinité du clone. L’ensemble de la sélection clonale résultant entre en compétition avec la population d’anticorps existante pour l’adhésion à la prochaine génération. 

De plus, dans la sélection clonale, les membres de la population à faible affinité sont remplacés par des anticorps générés aléatoirement. La variation de reconnaissance de formes de l’algorithme comprend la maintenance d’un ensemble de solutions de mémoire qui dans son ensemble représente une solution au problème. Un schéma de codage binaire est utilisé pour les exemples de reconnaissance de modèle binaire et d’optimisation de fonction continue, et un schéma de permutation d’entier est utilisé pour le problème du voyageur de commerce (TSP).

Le nombre de clones créés pour chaque membre sélectionné est calculé en fonction de la taille du répertoire N_c = round (B * N), où B est le paramètre utilisateur Clone_rate.

Une fonction proportionnelle d’affinité basée sur le rang est utilisée pour déterminer le nombre de clones créés pour des membres sélectionnés de la population pour les instances de problème de reconnaissance de formes. Le nombre d’anticorps aléatoires insérés à chaque itération est généralement très faible (1-2). Des mutations ponctuelles (bit-flips) sont utilisées dans l’opération d’hypermutation.

La fonction exp (-p * f) est utilisée pour déterminer la probabilité de mutation de composant individuel pour une solution candidate donnée, où f est l’affinité des candidats (valeur de coût maximisée normalisée), et p est le paramètre utilisateur Mutation_rate.