Contenido
PalancaRed inmune artificial
El algoritmo de la red inmunitaria artificial está inspirado en la teoría de la red inmunitaria del sistema inmunitario adquirido. la teoria de selección clonal de la inmunidad adquirida tiene en cuenta el comportamiento adaptativo del sistema inmunitario, incluida la selección y proliferación continuas de células que seleccionan material potencialmente dañino (y generalmente extraño) en el cuerpo. Una preocupación de la teoría de la selección clonal es que asume que el repertorio de células reactivas permanece inactivo cuando no hay un patógeno al que responder. Jerne propuso una teoría de la red inmunitaria (redes idiotípicas) en la que las células inmunitarias no están inactivas en ausencia de un patógeno, pero los anticuerpos y las células inmunitarias se reconocen y responden entre sí.
La teoría de la red inmunitaria propone que los anticuerpos (que flotan libremente y se unen a la superficie) tienen idiotopos (características de la superficie) a los que se pueden unir los receptores de otros anticuerpos. Como resultado de las interacciones con los receptores, el repertorio se vuelve dinámico, donde los receptores se inhiben y excitan continuamente en redes reguladoras complejas (cadenas de receptores). La teoría sugiere que el proceso de selección clonal puede ser desencadenado por los idiotopos de otras células y moléculas inmunes además de las características superficiales del patógeno, y que el proceso de maduración se aplica tanto a los receptores mismos como a los receptores mismos. .
La teoría de la red inmune tiene interesantes propiedades de mantenimiento de recursos y procesamiento de información de señalización. Los paradigmas clásicos de selección clonal y selección negativa incorporan el aprendizaje acumulativo y filtrado del sistema inmunitario adquirido, mientras que la teoría de la red inmunitaria propone un orden de complejidad adicional entre células y moléculas seleccionadas. Además de las células que interactúan directamente con el patógeno, existen células que interactúan con estas células reactivas y con el patógeno indirectamente, en capas sucesivas como redes de actividad para estructuras de orden superior como las imágenes internas del patógeno (promoción) y redes reguladoras ( llamados anti-idiotopos y anti-idiotopos).
El objetivo del proceso de la red inmunitaria es preparar un repertorio de detectores de patrones discretos para un área problemática determinada, donde las células con mejor rendimiento suprimen las células de baja afinidad (similares) en la red. Este principio se logra mediante un proceso interactivo de exposición de la población a información externa a la que responde tanto con una respuesta de selección clonal como con una metadinámica interna de respuestas intrapoblacionales que estabiliza las respuestas de la población a estímulos externos.
El siguiente algoritmo proporciona una pseudocódigo del algoritmo de optimización de red inmune artificial (opt-aiNet) para minimizar una función de costo.
aiNet está diseñado para la agrupamiento sin supervisión, mientras que la extensión optaiNet fue diseñada para el reconocimiento y optimización de patrones, en particular la optimización de funciones multimodales.
La cantidad de mutación de los clones es proporcional a la afinidad de la célula madre con la función de costo (mejor aptitud, menor mutación). Agregar celdas aleatorias a cada iteración agrega capacidad de reinicio aleatorio a los algoritmos. La eliminación basada en la similitud de la celda proporciona un mecanismo para reducir la redundancia. El tamaño de la población es dinámico y, si continúa creciendo, esto puede ser una indicación de un problema con muchos óptimos locales o que puede ser necesario aumentar el umbral de afinidad.
La mutación de afinidad proporcional se realiza usando c '= c + A * N (1; 0) donde A = 1 / B * exp (-f), donde N es un número aleatorio gaussiano yf es la aptitud del padre, B controla la caída de la función y se puede establecer en 100. El umbral de afinidad es específico del problema y la representación, por ejemplo, un umbral de afinidad se puede establecer en un valor arbitrario como 0,1 en un dominio de función continua, o se puede calcular como un porcentaje del tamaño del espacio problemático. El número de celdas aleatorias insertadas puede representar 40% del tamaño de la población. La cantidad de clones creados para una célula puede ser pequeña, como 10.