Algorithme de réseau immunitaire

Réseau immunitaire artificiel

L’algorithme du réseau immunitaire artificiel est inspiré de la théorie du réseau immunitaire du système immunitaire acquis. La théorie de la sélection clonale de l’immunité acquise tient compte du comportement adaptatif du système immunitaire, y compris la sélection et la prolifération continues de cellules qui sélectionnent le matériel potentiellement nocif (et généralement étranger) dans le corps. Une préoccupation de la théorie de la sélection clonale est qu’elle suppose que le répertoire des cellules réactives reste inactif lorsqu’il n’y a pas d’agent pathogène auquel répondre. Jerne a proposé une théorie du réseau immunitaire (réseaux idiotypiques) où les cellules immunitaires ne sont pas au repos en l’absence d’agent pathogène, mais les anticorps et les cellules immunitaires se reconnaissent et se répondent.

La théorie du réseau immunitaire propose que les anticorps (flottant librement et liés à la surface) possèdent des idiotopes (caractéristiques de surface) auxquels les récepteurs d’autres anticorps peuvent se lier. À la suite des interactions avec les récepteurs, le répertoire devient dynamique, où les récepteurs s’inhibent et s’excitent continuellement dans des réseaux de régulation complexes (chaînes de récepteurs). La théorie suggère que le processus de sélection clonale peut être déclenché par les idiotopes d’autres cellules et molécules immunitaires en plus des caractéristiques de surface du pathogène, et que le processus de maturation s’applique à la fois aux récepteurs eux-mêmes et aux idiotopes qu’ils exposent.

La théorie du réseau immunitaire a des propriétés intéressantes de maintenance des ressources et de traitement de l’information de signalisation. Les paradigmes classiques de sélection clonale et de sélection négative intègrent l’apprentissage cumulatif et filtré du système immunitaire acquis, tandis que la théorie du réseau immunitaire propose un ordre de complexité supplémentaire entre les cellules et les molécules sélectionnées. En plus des cellules qui interagissent directement avec l’agent pathogène, il existe des cellules qui interagissent avec ces cellules réactives et avec l’agent pathogène indirectement, dans des couches successives telles que les réseaux d’activité pour les structures d’ordre supérieur telles que les images internes de l’agent pathogène (promotion) et les réseaux réglementaires (appelés anti-idiotopes et antianti-idiotopes).

L’objectif du processus de réseau immunitaire est de préparer un répertoire de détecteurs de motifs discrets pour un domaine de problème donné, où les cellules les plus performantes suppriment les cellules de faible affinité (similaires) dans le réseau. Ce principe est atteint grâce à un processus interactif d’exposition de la population à des informations externes auxquelles elle répond à la fois avec une réponse de sélection clonale et une méta-dynamique interne des réponses intra-population qui stabilise les réponses de la population aux stimuli externes.

L’algorithme suivant fournit un pseudocode de l’algorithme d’optimisation du réseau immunitaire artificiel (opt-aiNet) pour minimiser une fonction de coût.

aiNet est conçu pour le clustering non supervisé, alors que l’extension optaiNet a été conçue pour la reconnaissance et l’optimisation des formes, en particulier l’optimisation des fonctions multimodales.

La quantité de mutation des clones est proportionnelle à l’affinité de la cellule mère avec la fonction de coût (meilleure fitness, mutation plus faible). L’ajout de cellules aléatoires à chaque itération ajoute une capacité de redémarrage aléatoire aux algorithmes. La suppression basée sur la similitude des cellules fournit un mécanisme pour réduire la redondance. La taille de la population est dynamique, et si elle continue de croître, cela peut être une indication d’un problème avec de nombreux optima locaux ou qu’il peut être nécessaire d’augmenter le seuil d’affinité.

La mutation proportionnelle de l’affinité est effectuée en utilisant c’=c+A*N(1;0) où A=1/B*exp(-f), où N est un nombre aléatoire gaussien et f est la fitness du parent , B contrôle la décroissance de la fonction et peut être définie sur 100. Le seuil d’affinité est spécifique au problème et à la représentation, par exemple un seuil d’affinité peut être défini sur une valeur arbitraire telle que 0,1 sur un domaine de fonction continue, ou calculé en pourcentage de la taille de l’espace de problème. Le nombre de cellules aléatoires insérées peut représenter 40% de la taille de la population. Le nombre de clones créés pour une cellule peut être petit, comme 10.