Sistema de reconocimiento inmunológico artificial

Sistema de reconocimiento inmunológico artificial

El sistema de reconocimiento inmunológico artificial se inspira en la teoría de la selección clonal de la inmunidad adquirida. La teoría de la selección clonal atribuida 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. 

La característica importante de la teoría es que cuando una célula se selecciona y prolifera, está sujeta a pequeños errores de copia (cambios en el genoma llamados hipermutación somática) que cambian la forma de los receptores expresados. También afecta la capacidad de reconocimiento de los determinantes posteriores tanto de los anticuerpos unidos a la superficie celular de los linfocitos como de los anticuerpos producidos por las células plasmáticas.

La teoría sugiere que a partir de un repertorio inicial de células inmunitarias 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 obtenida del medio ambiente. 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 requiere la exposición a un patógeno que puede dañar al huésped antes de que pueda adquirir la información necesaria para proporcionar una defensa.

El objetivo de la técnica es preparar un conjunto de vectores de valor real para clasificar los modelos. El sistema de reconocimiento inmunológico artificial mantiene un conjunto de células de memoria que se preparan al exponer el sistema a una sola iteración de datos de entrenamiento. Las células de memoria candidatas se preparan para el caso de que las células de memoria no estén suficientemente estimuladas para un modelo de entrada dado. Se produce un proceso de clonación y mutación celular para la célula de memoria más estimulada. 

Los clones compiten entre sí para ingresar al grupo de memoria según la estimulación y la cantidad de recursos utilizados por cada célula. Este concepto de recursos proviene de trabajos previos sobre redes inmunes artificiales, donde una sola célula (una bola de reconocimiento artificial o ARB) representa un conjunto de células similares. Aquí, los recursos de una célula están en función de su estimulación a un modelo de entrada dado y del número de clones que puede crear.

El siguiente algoritmo proporciona un pseudocódigo para preparar vectores de células de memoria utilizando el sistema de reconocimiento inmunológico artificial, en particular el canónico AIRS2 (sistema de reconocimiento inmunológico artificial 2 en francés). Debe definirse una medida de afinidad (distancia) entre los modelos de entrada. Para los vectores de valor real, esta suele ser la distancia euclidiana:

sistema de reconocimiento inmunológico artificial

donde n es el número de atributos, x es el vector de entrada y c es un vector de celda dado. La variación de las células durante la clonación (hipermutación somática) se produce de forma inversamente proporcional a la estimulación de una célula determinada en un patrón de entrada.

sistema de reconocimiento inmunológico artificial

los sistema de reconocimiento inmunológico artificial fue diseñado como un algoritmo supervisado para áreas con problemas de clasificación. los sistema de reconocimiento inmunológico artificial no es paramétrico, lo que significa que no se basa en suposiciones sobre la estructura de la función que es aproximada.

Los valores reales en los vectores de entrada deben normalizarse de manera que x esté en [0; 1]. La distancia euclidiana se usa comúnmente para medir la distancia entre vectores de valor real (un cálculo de afinidad), aunque se pueden usar otras medidas de distancia (como el producto escalar) y medidas de distancia específicas de datos.Puede ser necesario para atributos no escalares . Las celdas se pueden inicializar con pequeños valores aleatorios o, más comúnmente, con valores de instancias en el conjunto de entrenamiento. La afinidad de una célula típicamente se minimiza, mientras que como célula la estimulación se maximiza y típicamente en [0; 1].

Compartir, repartir
es_ESES
A los bloggers de %d les gusta esto: