Algoritmo de selección clonal

Algoritmo de selección clonal

El algoritmo de selección clonal atribuido a Burnet se propuso para tener en cuenta el comportamiento y las capacidades de los anticuerpos en el sistema inmunológico adquirido. Basándose en los principios de la teoría de la evolución de la selección natural darwiniana, la teoría propone que los antígenos seleccionan los linfocitos (tanto células B como células T).

Cuando se selecciona un linfocito y se une a un determinante antigénico, la célula prolifera creando varios miles de copias más de sí misma y se diferencia en diferentes tipos de células (células plasmáticas y de memoria). Las células plasmáticas tienen una vida útil corta y producen grandes cantidades de moléculas de anticuerpos, mientras que las células de memoria viven durante un período prolongado de tiempo en el huésped, anticipando el reconocimiento futuro del mismo determinante. 

Cuando una célula es seleccionada y proliferada, está sujeta a pequeños errores de copia (cambios en el genoma llamados hipermutación somática) que alteran la forma de los receptores y la capacidad de reconocimiento de los determinantes posteriores de los anticuerpos unidos a la superficie celular de los linfocitos. Y anticuerpos que producen las células plasmáticas.

La teoría de la selección clonal sugiere que a partir de un repertorio inicial de células inmunes generales, el sistema es capaz de cambiarse a sí mismo (las composiciones y densidades de las células y sus receptores) en respuesta a la experiencia del entorno. A través de un proceso ciego de selección y variación acumulada a gran escala de varios miles de millones de células, el sistema inmunológico adquirido puede adquirir la información necesaria para proteger al organismo huésped contra peligros patógenos específicos del medio ambiente. También sugiere que el sistema debe anticipar (adivinar) el patógeno al que estará expuesto y requerir exposición a un patógeno que pueda dañar al huésped antes de que pueda adquirir la información necesaria para proporcionar una defensa.

Los principios de procesamiento de información de la teoría de la selección clonal describen una estrategia general de aprendizaje. Esta estrategia involucra una población de unidades de información adaptativas (cada una representando un problema-solución o componente) sometidas a procesos de selección competitiva que, con la duplicación y variación resultante, finalmente mejoran la adaptación de las unidades d.información a su entorno.

El siguiente algoritmo proporciona una pseudocódigo del algoritmo de selección clonal (CLONALG) para minimizar una función de coste. El modelo CLONALG general implica la selección de anticuerpos (soluciones candidatas) sobre la base de la afinidad, ya sea comparándolos con un antígeno modelo o mediante la evaluación de un modelo mediante una función de costo. Los anticuerpos seleccionados se someten a una clonación proporcional a la afinidad ya una hipermutación de los clones inversamente proporcional a la afinidad del clon. El conjunto de selección clonal resultante compite con la población de anticuerpos existente por la pertenencia a la siguiente generación. 

Además, en la selección clonal, los miembros de la población de baja afinidad se reemplazan por anticuerpos generados aleatoriamente. La variación de reconocimiento de patrones del algoritmo incluye el mantenimiento de un conjunto de soluciones de memoria que, en su conjunto, representan una solución al problema. Se usa un esquema de codificación binaria para los ejemplos de reconocimiento de patrones binarios y optimización de funciones continuas, y se usa un esquema de permutación de enteros para el problema del vendedor ambulante (TSP).

algoritmo de selección clonal

El número de clones creados para cada miembro seleccionado se calcula en función del tamaño del directorio N_c = round (B * N), donde B es la configuración de usuario de Clone_rate.

Se usa una función proporcional de afinidad basada en rango para determinar el número de clones creados para miembros seleccionados de la población para casos de problemas de reconocimiento de patrones. El número de anticuerpos aleatorios insertados en cada iteración es generalmente muy bajo (1-2). Las mutaciones puntuales (bit-flips) se utilizan en la operación de hipermutación.

La función exp (-p * f) se usa para determinar la probabilidad de mutación de un componente individual para una solución candidata dada, donde f es la afinidad candidata (valor de costo maximizado normalizado) yp es el parámetro de usuario Mutation_rate.

Compartir, repartir