Algoritmo de selección clonal
Se ha propuesto el algoritmo de selección clonal atribuido a Burnet para explicar el comportamiento y las capacidades de los anticuerpos en el sistema inmunitario adquirido. Basándose en los principios de la teoría de la evolución de la selección natural darwiniana, la teoría propone que los antígenos seleccionan linfocitos (tanto células B como células T).
Cuando se selecciona un linfocito y se une a un determinante antigénico, la célula prolifera haciendo varios miles de copias adicionales de sí misma y se diferencia en diferentes tipos de células (células plasmáticas y de memoria). Las células plasmáticas tienen una vida corta y producen grandes cantidades de moléculas de anticuerpos, mientras que las células de memoria viven durante un período prolongado en el huésped, anticipando el reconocimiento futuro del mismo determinante.
Cuando se selecciona una célula y prolifera, 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 de anticuerpos subsiguientes unidos a la superficie celular de los linfocitos y los anticuerpos que las células plasmáticas producir.
La teoría de la selección clonal sugiere que a partir de un repertorio inicial de células inmunitarias generales, el sistema es capaz de modificarse 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 inmunitario adquirido puede adquirir la información necesaria para proteger al organismo huésped contra peligros patógenos específicos en el medio ambiente. También sugiere que el sistema debe anticipar (adivinar) el patógeno al que estará expuesto y requiere la 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 adaptativa (cada una representando un problema-solución o componente) sujetas a procesos de selección competitivos que, con la duplicación y variación resultante, finalmente mejoran la adaptación de las unidades de 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 al azar. La variación de reconocimiento de patrones del algoritmo incluye el mantenimiento de un conjunto de soluciones en la memoria que, en conjunto, representa una solución al problema. Se utiliza 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 viajante de comercio (TSP).
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 utiliza una función de afinidad proporcional basada en rangos para determinar el número de clones creados para miembros seleccionados de la población para instancias 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 del componente individual para una solución candidata dada, donde f es la afinidad candidata (valor de costo maximizado normalizado) y p es el parámetro de usuario Mutation_rate.
