SELECCIN CLONAL Y REDES INMUNES ARTIFICIALES

1
SELECCIÓN CLONAL YREDES INMUNES ARTIFICIALES

• Ing. Óscar Miguel Alonso M.
• Lab. de Investigación en Sistemas Inteligentes
• Depto. de Ingeniería de Sistemas e Industrial
• Universidad Nacional, Sede Bogotá
• omalonsom_at_unal.edu.co

2
Agenda Modulo AIS

• Charla 1 Introducción a AIS
• Charla 2 Selección negativa
• Charla 3 Selección clonal y redes inmunes
  artificiales
• Charla 4 Aplicaciones

3
Agenda

• Seleccion Clonal
• Descripcion del algoritmo
• Inspiracion Biologica
• Modelo computacional
• Redes inmunes artificiales
• Descripcion del Algoritmo
• Inspiracion biologica
• Modelamiento biologico
• Modelamiento computacional

4
Selección Clonal

• Algoritmo de optimización basado en una población
  de individuos
• Similar a un algoritmo genético
• Se caracteriza por presentar reproducción asexual
  de los individuos y tasas de mutación que
  dependen de cada individuo

5
Que es un clon ?

• En inmunología, el termino clon se refiere a un
  conjunto de células B que expresan anticuerpos de
  la misma especificidad (de igual forma)

6
Inspiración Biológica

• El sistema inmune no posee anticuerpos idoneos
  para todos los posibles antígenos. Debe
  desarrollar nuevos anticuerpos rápidamente cuando
  un nuevo antígeno aparece.
• Es conveniente tener una población alta de los
  anticuerpos más útiles

7
Motivación Biológica

• Inspirado en el mecanismo de maduración de la
  afinidad de las Células B
• El sistema inmune genera anticuerpos de
  muchisimas especificidades muchos de estos
  pueden no ser muy utiles
• Las células B que reconocen un antígeno (aun
  parcialmente) se estimulan y se reproducen.
• Reproducción de las células B (asexual y
  dependiente del nivel de afinidad)
• Altas tasas de mutación (mutación hipersomática)
• A través de este proceso evolutivo se generan
  anticuerpos adecuados en corto tiempo. La
  población de los anticuerpos que han probado ser
  útiles se incrementa

8
Motivación Biológica
9
Modelo computacional

• Un algoritmo de selección clonal modela los
  siguientes elementos.
• Conjunto de células de memoria
• Selección y clonación de las células mas
  estimulados
• Eliminación de células poco estimuladas
• Maduración de la afinidad (hypermutacion)
• Generación y mantenimiento de un conjunto diverso
  de células

10
Modelo Computacional

• Inicialización aleatoria del conjunto de células
• Presentación de antígenos
• Evaluación de afinidad
• Selección de células afines y expansión clonal
• Maduración de la afinidad (Hypermutacion)
• Metadinámica adición de células aleatorias a la
  población y eliminación de células poco
  estimuladas

11
Relación entre selección clonal y algoritmos
evolutivos
12
ImplementaciónClonal Alg

• Usado para reconocimiento de patrones y adaptado
  a optimización multimodal
• En el caso de optimización multimodal, los
  patrones a reconocer son cambiados por funciones
  a optimizar, y la función de matching se cambia
  por la función a optimizar

13
(No Transcript)
14
Redes Inmunes Artificiales

• Busca obtener una población de anticuerpos que
  refleje la distribución espacial de la población
  de antígenos (datos de entrada) que se le
  presentan al sistema.
• Ofrece una dinámica de interacción entre los
  elementos del sistema (células B), que permite
  mantener soluciones buenas encontradas y
  adaptarse a cambios en el entorno

15
Redes Inmunes Artificiales

• Cuando un antígeno aparece por segunda vez, el
  sistema inmune posee anticuerpos adecuados para
  ese antígeno y la respuesta del sistema es mucho
  más rápida.

16
Redes Inmunes Artificiales Respuesta Primaria y
Secundaria
17
Redes Inmunes Artificiales

• Inspirada en la teoría de redes idiotípicas
  propuesta por Jerne y retomada por Perelson.
• Explica la memoria del sistema inmune mediante un
  mecanismo de retroalimentación
• La interacción entre elementos del sistema
  (células) permite preservar las mejores células
  encontradas, y al mismo tiempo controlar la
  población de cada clon

18
Redes Inmunes Artificiales Teoría de Redes
Inmunes

• Las células B se co-estimulan entre sí
• De esta forma se genera la memoria inmunológica

19
Redes Inmunes Artificiales Teoría de Redes
Inmunes
20
Dinámica de cada clon

• Rate of population variation
• Network stimulation
• -
• Network suppression
• Influx of new elements
• -
• Death of unstimulated elements

21
Elementos a considerar en un modelo de red inmune

• Medidas de Matching
• Numero de epitopes de un antígeno
• Threshold de afinidad La afinidad entre un
  antígeno y un anticuerpo solo causa estimulación
  si es superior a un valor preestablecido

22
Tipos de Modelos de redes inmunes

• Continuos basados en ecuaciones diferenciales,
  con propósito de modelamiento biológico
• Discretos Descritos por algoritmos, útiles para
  solución de tareas computacionales.

23
Redes Inmunes Artificiales Algoritmo

• Poblacional el resultado es un conjunto de
  detectores que cumplen una tarea de forma
  conjunta
• Múltiples iteraciones se presentan sucesivamente
  los antígenos (datos de entrada)

24
Redes Inmunes Artificiales Algoritmo

• Se evoluciona un conjunto de células B, las
  cuales interactúan con los antígenos y entre
  ellas.
• El resultado del algoritmo es el conjunto de
  células B
• Aplicadas a agrupamiento, clasificación,
  compresión de datos, optimización entre otras.

25

• Inicialización aleatoria
• Mientras no se encuentre criterio de parada
• Presentación de antígenos
• Presentación de c/antígeno
• Calcular afinidades
• Interacción entre células B
• Calcular estimulaciones y supresiones
• Reproducir las células mas estimuladas
• Metadinámica eliminar células poco estimuladas y
  añadir células aleatorias

26
Modelos de redes inmunes discretas
27
Ainet
28
RAIN
29
GRACIAS