И

Искусственная иммунная система

Искусственные иммунные системы (англ. АИС — Artificial immune system) относятся к классу вычислительных интеллектуальных систем, использующих принципы иммунной системы позвоночных. Для решения задач эти алгоритмы используют свойства иммунной системы к обучению и памяти.

Определение

Искусственная иммунная система (ШИС) — это адаптивная вычислительная система, использующая модели, принципы, механизмы и функции, описанные в теоретической иммунологии, которые применяются для решения прикладных задач.

Несмотря на то, что природные иммунные системы изучены далеко не полностью, на сегодня существуют как минимум три теории, объясняющие функционирование иммунной системы и описывают взаимодействие ее элементов, а именно: теория отрицательного отбора, теория клональной селекции и теория иммунной сети. Они легли в основу создания трех алгоритмов функционирования ШИС. Сфера применения ШИС включая такие области (но не ограничивается ими):

  • методы вычислений
  • когнитивные модели
  • выявления аномалий и неполадок
  • мультиагентные системы
  • модели самоорганизации
  • модели коллективного интеллекта
  • системы поиска и оптимизации
  • модели автономных распределенных систем
  • модели искусственной жизни
  • системы компьютерной безопасности
  • методы получения информации
  • обработка сигналов и изображений

История

ШИС начало свое существование в середине 1980-х годов по исследованиям Фармера, Пакарда и Перелсона в 1986, а также работой Варела (1990). Форрест и Кепхарт опубликовали свои первые работы о ШИС в 1994 году. Дасгупта выполнил исследования Negative Selection Algorithm. Хант и Кук начали работы по моделированию иммунной сети в 1995 году; Тиммис и Нил продолжили эту работу и сделали несколько улучшений. Де Кастро и фон Зубен, а также Никосии и Cutello в 2002 году выполнили исследование на тему: clonal selection. Первая книга по ШИС была издана под редакцией Дасгупта в 1999 году. В настоящее время изучаются новые идеи, такие как danger theory и алгоритмы, которые происходят от иммунной системы. Однако существуют некоторые сомнения, что они еще не будут предлагать ничего более существующих алгоритмов ШИС.

Другие недавние события, связанные с исследованием вырождения в моделях ШИС. Сначала ШИС было направлено на поиски эффективных абстракций процессов, протекающих в иммунной системе, но в последнее время переориентируется на моделирование биологических процессов и применения иммунных алгоритмов для решения проблем биоинформатики. В 2008 году Дасгупта и Нино опубликовали учебник по иммунологических вычислений, который представляет собой сборник современным работ, связанных с иммунитетом на основе методов ШИС.

Методы

Методы ШИС используют специфические иммунологические теории, объясняющие функции и поведение адаптивной иммунной системы млекопитающих.

  • Клональный алгоритм выбора — класс алгоритмов, использующих методы клоновой селекции и теорию приобретенного иммунитета, который объясняет, как Б и Т-лимфоциты улучшают реакцию на антигены, называют affinity maturation. Эти алгоритмы основаны на некоторых атрибутах теории Дарвину, в которой выбор продиктован взаимодействием антигенов с антителами, и репродукции по принципу деления или методом соматической гипермутация. Клональные алгоритмы отбора наиболее часто применяется для оптимизации и распознавания доменов, некоторые из которых напоминают алгоритмы восхождение на вершину и генетический алгоритм без оператора рекомбинации.
  • Негативный алгоритм выбора пользуется процессами положительной и отрицательной селекции, которые происходят во время созревания Т-лимфоцитов в вилочковой железе. Негативный отбор относится к идентификации и удаления негативно реагирующих клеток. Этим занимаются Т-клетки, которые могут осуществить выбор и провести атаку ткани. Этот класс алгоритмов, как правило, используется для классификации и распознавания проблемных областей, где пространство проблемы моделируется на основе имеющихся знаний. Например, в случае обнаружения аномалий домена алгоритм на обычных (нормальных) образцах этой модели и осуществляет выявление невидимых или аномальных образцов.
  • Иммунные сетевые алгоритмы — алгоритмы, которые пользуются теорией идеотипичних сетей, предложен Нильсом Кай Джерни, описывающей регуляции иммунной системы с помощью идеотипичних антител (антител, которые выбирают для других антител). Этот класс алгоритмов сфокусировано на сетевом графе структур, где антитела (или антитела, продуцируемые клетки) является узлы и алгоритм обучения предполагает рост или сокращение расстояний между узлами на основе близости (сходства в пространстве представления проблемы). Иммунные сетевые алгоритмы были использованы в кластеризации, визуализации данных, контроля и оптимизации областей, а некоторые — для разработки искусственных нейронных сетей.
  • Дендритные алгоритмы. Эти алгоритмы основаны на абстрактной модели дендритной клетки (ДК).

Принцип работы

Иммунная система имеет все главные особенности искусственного интеллекта: память, способность учиться, умение распознавать и принимать решение о том, как рассматривать чужеродный белок (антиген), попавший в организм, даже если последний никогда не существовал на Земле. Подобно искусственных нейронных сетей, ШИС могут накапливать новую информацию и, используя предварительно изученную информацию, осуществлять распознавание образов децентрализованным способом.

Иммунная система выполняет несколько функций. Вместе с другими системами организма она поддерживает устойчивое состояние жизненных функций, названный гомеостазом. Однако самой значительной ее ролью является защита организма от заболеваний, обусловленных проникновением в организм инфекционных агентов или чужеродных веществ, несущих чужеродную генетическую информацию, а также уничтожение поврежденных клеток. Микроорганизмы, подобные вирусов, бактерий, грибков и паразитов, классифицируются как болезнетворные, поскольку они могут вызвать заболевания после вторжения в наш организм. Первоочередной задачей, с которой сталкивается иммунная система, является распознавание этих болезнетворных организмов. Иммунная система не распознает все болезнетворный организм целиком. Распознавание происходит на уровне отдельных молекул микроба, которые называют антигенами. Основным элементом, обеспечивающим функционирование иммунитета, В — и Т-клетки (лимфоциты). Они содержат на своей поверхности специальные молекулы (рецепторы) — антитела. Антитела являются непосредственными исполнителями процесса распознавания чужеродных антигенов. С точки зрения химии процесс распознавания антигенов антителами сводится к межмолекулярного взаимодействия, при которой антитела «химически» связываются с активными (рецепторами) участками антигенов и таким образом нейтрализует их. При этом чем лучше антитело распознает антиген, тем сильнее получается связь. Рассматривая вычислительные аспекты парадигмы иммунных систем, можно выделить следующие элементы иммунных алгоритмов:

  • — Множество способов представления компонентов системы;
  • — Множество механизмов, позволяющих оценить взаимодействие индивидуумов с окружающей средой и друг с другом;
  • — Процедуры адаптации, которые управляют динамикой системы, то есть изменением ее состояния во времени.

Способы представления позволяют создавать абстрактные модели иммунных органов, клеток или молекул; механизмы оценивания, которые называют также функциями аффинности, позволяют количественно оценить взаимодействия этих «искусственных иммунных органов», а процедуры адаптации, выраженные в виде множества общих алгоритмов достижения цели, управляют динамикой ШИС.

Основные понятия ШИС

Развитие популяции, в частности для алгоритма клональной селекции, можно теоретически рассматривать как движение в дискретном пространстве состояний, происходит в соответствии с определенными вероятностных правил. Поскольку вероятности перехода в новое состояние зависят только от текущего состояния системы (а не от ее предыдущих состояний), можно сказать, что поведение ШИС может быть описано с помощью свойств марковских цепей.

Аффинностью называют мере взаимодействия (или силу связи) соответствующих комплементарных участков антигена и антитела или двух антител. Сродство может быть формально представлена ​​в виде одной из метрик (например, Евклидовой расстояния); эта мера указывает на степень сходства или различия между соответствующими атрибутами строк такую, что SP × SP → ℜ +.

Многомерным пространством форм P называют множество стереохимических взаимодействий или множество свойств антител, определяющие их межмолекулярные сродство.

Кросс-реактивным порогом называют область в многомерном пространстве форм, охватывает антитело, внутри которой проявляется его активность относительно антигенов или других антител.

Уровнем гипермутация называют численное значение, которое используется для определения количества клонов подверженной мутации клетки памяти, которые можно ввести в популяцию клетки.

Проектирование ШИС

Для проектирования структуры ШИС чаще применяют методы, которые активно используют в других биологических вычислительных парадигмах — таких как, например, нейронные сети и эволюционные алгоритмы. Набор функций оценки, взятых из данных вычислительных парадигм, вполне может быть использовано для оценки взаимодействия индивидуумов ШИС. Вместе с тем эволюционные алгоритмы хорошо подходят для управления изменением во времени состояний клеток и молекул, из которых состоит искусственная иммунная система. С учетом сказанного выше, процесс построения ШИС можно разделить на два основных этапа:

  • — Выбор надлежащей формы представления индивидуумов и меры аффинности;
  • — Применение каждого из существующих алгоритмов (или нового алгоритма) для управления изменением состояний системы во времени.

Алгоритм клональной селекции

Шаг 1. Инициализация. Создание (обычно случайной генерацией) начальной популяции антител (AB).

Шаг 2. Вычисление аффинности. Для каждого антитела вычислить его аффинность по каждому антигену. Результаты записать в матрицу аффинности.

Шаг 3. Клональное селекция и распространение. Выбрать из популяции по n лучших антител для каждой строки матрицы D и поместить их в отдельную популяцию клонов. Сгенерировать клоны элементов популяции AB пропорционально их аффинности; то есть чем выше сродство, тем больше создается количество клонов и наоборот.

Шаг 4. Созревание аффинности. Подвергнуть мутации все клоны популяции AB с вероятностью, обратно пропорциональной их аффинности, то есть чем ниже аффинность индивидуума, тем выше вероятность его мутации. Вычислить новую аффинность каждого антитела j аналогично шагу 2, получив новую матрицу аффинности CD. Выбрать из популяции AB n антител, для которых соответствующий вектор-столбец матрицы CD дает лучший обобщенный результат аффинности, и перенести их в популяцию клеток памяти RM.

Шаг 5. Метадинамика. Заменить d худших антител популяции AB новыми случайными индивидуумами.

Шаг 6. Заменить n антител популяции AB клетками памяти с RM и переходить к шагу 2 до тех пор, пока не будет достигнут критерий остановки.

Особенностью алгоритма клональной селекции является то, что он, в отличие от иммунной сети, поддерживает постоянный размер популяции антител.

Псевдокод

  input: S = set of patterns to be recognised, n the number of worst elements to select for removal output: M = set of memory detectors capable of classifying unseen patterns begin Create an initial random set of antibodies, A forall patterns in S do Determine the affinity with each antibody in A Generate clones of a subset of the antibodies in A with the highest affinity.  The number of clones for an antibody is proportional to its affinity Mutate attributes of these clones to the set A, and place a copy of the highest affinity antibodies in A into the memory set, M Replace the n lowest affinity antibodies in A with new randomly generated antibodies end end 

Статьи и ссылки

  1. de Castro, Leandro N .; Timmis, Jonathan (2002). Artificial Immune Systems: A New Computational Intelligence Approach. Springer. с. 57-58. ISBN 1852335947, 9781852335946 Проверьте значение isbn= (справка).
  2. Kephart, JO (1994). "A biologically inspired immune system for computers". Proceedings of Artificial Life IV: The Fourth International Workshop on the Synthesis and Simulation of Living Systems, 130-139, MIT Press.
  3. Andrews and Timmis (2006). A Computational Model of Degeneracy in a Lymph Node. Lecture Notes in Computer Science 4163. с. 164. accessdate= требует url= (справка)
  4. Mendao et al. (2007). The Immune System in Pieces: Computational Lessons from Degeneracy in the Immune System. Foundations of Computational Intelligence (FOCI). с. 394-400. accessdate= требует url= (справка)
  5. Edelman and Gally (2001). Degeneracy and complexity in biological systems. Proceedings of the National Academy of Sciences, USA 98 (24). с. 13763-13768. doi: 10.1073 / pnas.231499798. accessdate= требует url= (справка)
  6. Whitacre (2010). Degeneracy: a link between evolvability, robustness and complexity in biological systems. Theoretical Biology and Medical Modelling 7 (6). Проверено 2011-03-11.
  7. Dasgupta, Dipankar; Nino, Fernando (2008). Immunological Computation: Theory and Applications. CRC Press. с. 296. ISBN 978-1-4200-6545-9.
  8. de Castro, LN; Von Zuben, FJ (2002). Learning and Optimization Using the Clonal Selection Principle. IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems 6 (3) (IEEE). с. 239-251.
  9. Forrest, S .; Perelson, AS; Allen, L .; Cherukuri, R. (1994). "Self-nonself discrimination in a computer". Proceedings of the 1994 IEEE Symposium on Research in Security and Privacy, 202-212.
  10. Timmis, J .; Neal, M .; Hunt, J. (2000). An artificial immune system for data analysis. BioSystems 55 (1). с. 143-150. doi: 10.1016 / S0303-2647 (99) 00092-1. PMID 10745118.
  11. Greensmith, J .; Aickelin, U. (2009). Artificial Dendritic Cells: Multi-faceted Perspectives. Human-Centric Information Processing Through Granular Modelling. с. 375-395.
  • JD Farmer, N. Packard and A. Perelson, (1986) «The immune system, adaptation and machine learning», Physica D, vol. 2, pp. 187-204
  • H. Bersini, FJ Varela, Hints for adaptive problem solving gleaned from immune networks. Parallel Problem Solving from Nature, First Workshop PPSW 1, Dortmund, FRG, October, 1990.
  • D. Dasgupta (Editor), Artificial Immune Systems and Their Applications, Springer-Verlag, Inc. Berlin, January 1999, ISBN 3-540-64390-7
  • V. Cutello and G. Nicosia (2002) «An mmunological Approach to Combinatorial Optimization Problems» Lecture Notes in Computer Science, Springer vol. 2527, pp. 361-370
  • LN de Castro and FJ Von Zuben, (1999) «Artificial Immune Systems: Part I -Basic Theory and Applications», School of Computing and Electrical Engineering, State University of Campinas, Brazil, No. DCA-RT 01/99.
  • S. Garrett (2005) «How Do We Evaluate Artificial Immune Systems?» Evolutionary Computation, vol. 13 no. 2, pp. 145-178.
  • V. Cutello, G. Nicosia, M. Pavone, J. Timmis (2007) An Immune Algorithm for Protein Structure Prediction on Lattice Models, IEEE Transactions on Evolutionary Computation, vol. 11 no. 1,

Показать больше

Похожие статьи

Добавить комментарий

Проверьте также
Закрыть
Кнопка «Наверх»
Закрыть
Закрыть