Sistema inmunológico artificial

En inteligencia artificial , los sistemas inmunológicos artificiales (AIS) son una clase de sistemas de aprendizaje automático basados en reglas e inteligentes desde el punto de vista computacional, inspirados en los principios y procesos del sistema inmunológico de los vertebrados. Los algoritmos suelen estar modelados a partir de las características de aprendizaje y memoria del sistema inmunológico para su uso en la resolución de problemas .

Definición

El campo de los sistemas inmunológicos artificiales (SIA) se ocupa de abstraer la estructura y la función del sistema inmunológico a sistemas computacionales, e investigar la aplicación de estos sistemas para resolver problemas computacionales de las matemáticas, la ingeniería y la tecnología de la información. Los SIA son un subcampo de la computación inspirada en la biología y la computación natural , con intereses en el aprendizaje automático y perteneciente al campo más amplio de la inteligencia artificial .

Los sistemas inmunes artificiales (SIA) son sistemas adaptativos, inspirados en la inmunología teórica y en las funciones, principios y modelos inmunes observados, que se aplican a la resolución de problemas. ^[1]

La AIS se distingue de la inmunología computacional y la biología teórica , que se ocupan de simular la inmunología mediante modelos computacionales y matemáticos para comprender mejor el sistema inmunológico, aunque dichos modelos iniciaron el campo de la AIS y continúan proporcionando un terreno fértil para la inspiración. Por último, el campo de la AIS no se ocupa de la investigación del sistema inmunológico como sustrato para la computación, a diferencia de otros campos como la computación del ADN .

Historia

Los AIS surgieron a mediados de la década de 1980 con artículos escritos por Farmer, Packard y Perelson (1986) y Bersini y Varela (1990) sobre redes inmunes. Sin embargo, fue recién a mediados de la década de 1990 que los AIS se convirtieron en un campo por derecho propio. Forrest et al. (sobre selección negativa ) y Kephart et al. ^[2] publicaron sus primeros artículos sobre AIS en 1994, y Dasgupta realizó estudios extensos sobre algoritmos de selección negativa. Hunt y Cooke comenzaron los trabajos sobre modelos de redes inmunes en 1995; Timmis y Neal continuaron este trabajo e hicieron algunas mejoras. El trabajo de De Castro & Von Zuben y Nicosia & Cutello (sobre selección clonal ) se hizo notable en 2002. El primer libro sobre sistemas inmunes artificiales fue editado por Dasgupta en 1999.

Actualmente, también se están explorando nuevas ideas en la línea de los SIA, como la teoría del peligro y los algoritmos inspirados en el sistema inmunológico innato . Aunque algunos creen que estas nuevas ideas aún no ofrecen ningún resumen verdaderamente "nuevo", más allá de los algoritmos SIA existentes. Sin embargo, esto es objeto de un acalorado debate, y el debate proporciona una de las principales fuerzas impulsoras del desarrollo de los SIA en este momento. Otros desarrollos recientes implican la exploración de la degeneración en los modelos SIA, ^[3]^[4] que está motivada por su papel hipotético en el aprendizaje abierto y la evolución. ^[5]^[6]

Originalmente, AIS se propuso encontrar abstracciones eficientes de los procesos que se encuentran en el sistema inmune , pero, más recientemente, se está interesando en modelar los procesos biológicos y en aplicar algoritmos inmunes a problemas de bioinformática.

En 2008, Dasgupta y Nino ^[7] publicaron un libro de texto sobre computación inmunológica que presenta un compendio de trabajos actualizados relacionados con técnicas basadas en la inmunidad y describe una amplia variedad de aplicaciones.

Técnicas

Las técnicas comunes se inspiran en teorías inmunológicas específicas que explican la función y el comportamiento del sistema inmune adaptativo de los mamíferos .

Algoritmo de selección clonal : una clase de algoritmos inspirados en la teoría de selección clonal de la inmunidad adquirida que explica cómo los linfocitos B y T mejoran su respuesta a los antígenos con el tiempo, llamada maduración de la afinidad . Estos algoritmos se centran en los atributos darwinianos de la teoría donde la selección se inspira en la afinidad de las interacciones antígeno-anticuerpo, la reproducción se inspira en la división celular y la variación se inspira en la hipermutación somática . Los algoritmos de selección clonal se aplican más comúnmente a los dominios de optimización y reconocimiento de patrones , algunos de los cuales se parecen a la escalada paralela de colinas y al algoritmo genético sin el operador de recombinación. ^[8]
Algoritmo de selección negativa: inspirado en los procesos de selección positiva y negativa que ocurren durante la maduración de las células T en el timo , llamados tolerancia de células T. La selección negativa se refiere a la identificación y eliminación ( apoptosis ) de células autorreactivas, es decir, células T que pueden seleccionar y atacar tejidos propios. Esta clase de algoritmos se utilizan normalmente para dominios de problemas de clasificación y reconocimiento de patrones donde el espacio del problema se modela en el complemento del conocimiento disponible. Por ejemplo, en el caso de un dominio de detección de anomalías , el algoritmo prepara un conjunto de detectores de patrones ejemplares entrenados en patrones normales (no anómalos) que modelan y detectan patrones invisibles o anómalos. ^[9]
Algoritmos de redes inmunitarias: algoritmos inspirados en la teoría de redes idiotípicas propuesta por Niels Kaj Jerne que describe la regulación del sistema inmunitario por anticuerpos antiidiotípicos (anticuerpos que seleccionan otros anticuerpos). Esta clase de algoritmos se centran en las estructuras de grafos de red involucradas donde los anticuerpos (o células productoras de anticuerpos) representan los nodos y el algoritmo de entrenamiento implica el crecimiento o la poda de bordes entre los nodos en función de la afinidad (similitud en el espacio de representación de problemas). Los algoritmos de redes inmunitarias se han utilizado en los dominios de agrupamiento, visualización de datos, control y optimización, y comparten propiedades con las redes neuronales artificiales . ^[10]
Algoritmos de células dendríticas: El algoritmo de células dendríticas (DCA) es un ejemplo de un algoritmo inspirado en el sistema inmunológico desarrollado utilizando un enfoque multiescala. Este algoritmo se basa en un modelo abstracto de células dendríticas (CD). El DCA se abstrae e implementa mediante un proceso de examen y modelado de varios aspectos de la función de las CD, desde las redes moleculares presentes dentro de la célula hasta el comportamiento exhibido por una población de células en su conjunto. Dentro del DCA, la información se granula en diferentes capas, lo que se logra mediante un procesamiento multiescala. ^[11]

Véase también

Notas

^ de Castro, Leandro N.; Timmis, Jonathan (2002). Sistemas inmunológicos artificiales: un nuevo enfoque de inteligencia computacional. Springer . págs. 57–58. ISBN 978-1-85233-594-6.
^ Kephart, JO (1994). "Un sistema inmunológico de inspiración biológica para ordenadores". Actas de Artificial Life IV: El cuarto taller internacional sobre la síntesis y simulación de sistemas vivos . MIT Press. págs. 130–139.
^ Andrews y Timmis (2006). "Un modelo computacional de la degeneración en un ganglio linfático". Sistemas inmunológicos artificiales . Notas de clase en informática. Vol. 4163. págs. 164–177. doi :10.1007/11823940_13. ISBN 978-3-540-37749-8.S2CID2539900 .
^ Mendao; et al. (2007). "El sistema inmunológico en pedazos: lecciones computacionales de la degeneración en el sistema inmunológico". Simposio IEEE de 2007 sobre fundamentos de la inteligencia computacional . págs. 394–400. doi :10.1109/FOCI.2007.371502. ISBN 978-1-4244-0703-3. Número de identificación del sujeto 5370645. {{cite book}}: |journal=ignorado ( ayuda )
^ Edelman y Gally (2001). "Degeneración y complejidad en sistemas biológicos". Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 98 (24): 13763–13768. Bibcode :2001PNAS...9813763E. doi : 10.1073/pnas.231499798 . PMC 61115 . PMID 11698650.
^ Whitacre (2010). "Degeneración: un vínculo entre la capacidad de evolución, la robustez y la complejidad en los sistemas biológicos". Biología teórica y modelado médico . 7 (6): 6. doi : 10.1186/1742-4682-7-6 . PMC 2830971 . PMID 20167097.
^ Dasgupta, Dipankar; Nino, Fernando (2008). Computación inmunológica: teoría y aplicaciones . CRC Press. pág. 296. ISBN 978-1-4200-6545-9.
^ de Castro, LN; Von Zuben, FJ (2002). "Aprendizaje y optimización utilizando el principio de selección clonal" (PDF) . IEEE Transactions on Evolutionary Computation . 6 (3): 239–251. doi :10.1109/tevc.2002.1011539.
^ Forrest, S.; Perelson, AS; Allen, L.; Cherukuri, R. (1994). "Discriminación entre lo propio y lo ajeno en una computadora" (PDF) . Actas del Simposio IEEE de 1994 sobre investigación en seguridad y privacidad . Los Alamitos, CA. págs. 202–212.
^ Timmis, J.; Neal, M.; Hunt, J. (2000). "Un sistema inmunológico artificial para el análisis de datos" (PDF) . BioSystems . 55 (1): 143–150. Bibcode :2000BiSys..55..143T. doi :10.1016/S0303-2647(99)00092-1. PMID 10745118.
^ Greensmith, J.; Aickelin, U. (2009). "Células dendríticas artificiales: perspectivas multifacéticas". Procesamiento de información centrado en el ser humano mediante modelado granular (PDF) . Estudios en inteligencia computacional. Vol. 182. págs. 375–395. CiteSeerX 10.1.1.193.1544 . doi :10.1007/978-3-540-92916-1_16. ISBN 978-3-540-92915-4. S2CID 11661259. Archivado desde el original (PDF) el 9 de agosto de 2011. Consultado el 19 de junio de 2009 .

Referencias

JD Farmer, N. Packard y A. Perelson, (1986) "El sistema inmunológico, la adaptación y el aprendizaje automático", Physica D, vol. 2, págs. 187-204
H. Bersini, FJ Varela, Consejos para la resolución adaptativa de problemas obtenidos a partir de redes inmunitarias. Resolución paralela de problemas a partir de la naturaleza, Primer taller PPSW 1, Dortmund, Alemania, octubre de 1990.
D. Dasgupta (Editor), Sistemas inmunológicos artificiales y sus aplicaciones, Springer-Verlag, Inc. Berlín, enero de 1999, ISBN 3-540-64390-7
V. Cutello y G. Nicosia (2002) "Un enfoque inmunológico para los problemas de optimización combinatoria" Apuntes de clase en Ciencias de la Computación, Springer vol. 2527, págs. 361–370.
LN de Castro y FJ Von Zuben, (1999) "Sistemas inmunes artificiales: Parte I - Teoría básica y aplicaciones", Facultad de Computación e Ingeniería Eléctrica, Universidad Estatal de Campinas, Brasil, No. DCA-RT 01/99.
S. Garrett (2005) "¿Cómo evaluamos los sistemas inmunológicos artificiales?", Evolutionary Computation, vol. 13, núm. 2, págs. 145-178. http://mitpress.mit.edu/journals/pdf/EVCO_13_2_145_0.pdf Archivado el 29 de junio de 2011 en Wayback Machine.
V. Cutello, G. Nicosia, M. Pavone, J. Timmis (2007) Un algoritmo inmunológico para la predicción de la estructura de proteínas en modelos reticulares, IEEE Transactions on Evolutionary Computation, vol. 11, núm. 1, págs. 101-117. https://web.archive.org/web/20120208130715/http://www.dmi.unict.it/nicosia/papers/journals/Nicosia-IEEE-TEVC07.pdf
Villalobos-Arias M., Coello CAC, Hernández-Lerma O. (2004) Análisis de convergencia de un algoritmo de sistema inmune artificial multiobjetivo. En: Nicosia G., Cutello V., Bentley PJ, Timmis J. (eds) Sistemas inmunes artificiales. ICARIS 2004. Lecture Notes in Computer Science, vol 3239. Springer, Berlín, Heidelberg. DOI https://doi.org/10.1007/978-3-540-30220-9_19

Enlaces externos

AISWeb: el hogar en línea de los sistemas inmunes artificiales Información sobre AIS en general y enlaces a una variedad de recursos que incluyen series de conferencias ICARIS, código, material de enseñanza y descripciones de algoritmos.
ARTIST: Red de sistemas inmunológicos artificiales Proporciona información sobre la red británica de sistemas inmunológicos artificiales, ARTIST. Proporciona apoyo técnico y financiero para los sistemas inmunológicos artificiales en el Reino Unido y en otros países, y tiene como objetivo promover proyectos de sistemas inmunológicos artificiales.
Sistemas inmunes a las computadoras Archivado el 20 de febrero de 2017 en Wayback Machine Grupo de la Universidad de Nuevo México dirigido por Stephanie Forrest .
AIS: Grupo de Sistemas Inmunológicos Artificiales de la Universidad de Memphis dirigido por Dipankar Dasgupta.
IBM Antivirus Research: primeros trabajos en AIS para seguridad informática.

[1] Castro, Leandro N.; Timmis, Jonathan (2002). Sistemas inmunológicos artificiales: un nuevo enfoque de inteligencia computacional. Springer . págs. 57–58. ISBN 978-1-85233-594-6.

[2] Kephart, JO (1994). "Un sistema inmunológico de inspiración biológica para ordenadores". Actas de Artificial Life IV: El cuarto taller internacional sobre la síntesis y simulación de sistemas vivos . MIT Press. págs. 130–139.

[Andrews_and_Timmis-3] Andrews y Timmis (2006). "Un modelo computacional de la degeneración en un ganglio linfático". Sistemas inmunológicos artificiales . Notas de clase en informática. Vol. 4163. págs. 164–177. doi :10.1007/11823940_13. ISBN 978-3-540-37749-8.S2CID2539900 .

[Mendao_et_al.-4] Mendao; et al. (2007). "El sistema inmunológico en pedazos: lecciones computacionales de la degeneración en el sistema inmunológico". Simposio IEEE de 2007 sobre fundamentos de la inteligencia computacional . págs. 394–400. doi :10.1109/FOCI.2007.371502. ISBN 978-1-4244-0703-3. Número de identificación del sujeto 5370645. {{cite book}}: |journal=ignorado ( ayuda )

[Edelman_and_Gally-5] Edelman y Gally (2001). "Degeneración y complejidad en sistemas biológicos". Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 98 (24): 13763–13768. Bibcode :2001PNAS...9813763E. doi : 10.1073/pnas.231499798 . PMC 61115 . PMID 11698650.

[Whitacre-6] Whitacre (2010). "Degeneración: un vínculo entre la capacidad de evolución, la robustez y la complejidad en los sistemas biológicos". Biología teórica y modelado médico . 7 (6): 6. doi : 10.1186/1742-4682-7-6 . PMC 2830971 . PMID 20167097.

[7] Dasgupta, Dipankar; Nino, Fernando (2008). Computación inmunológica: teoría y aplicaciones . CRC Press. pág. 296. ISBN 978-1-4200-6545-9.

[8] Castro, LN; Von Zuben, FJ (2002). "Aprendizaje y optimización utilizando el principio de selección clonal" (PDF) . IEEE Transactions on Evolutionary Computation . 6 (3): 239–251. doi :10.1109/tevc.2002.1011539.

[9] Forrest, S.; Perelson, AS; Allen, L.; Cherukuri, R. (1994). "Discriminación entre lo propio y lo ajeno en una computadora" (PDF) . Actas del Simposio IEEE de 1994 sobre investigación en seguridad y privacidad . Los Alamitos, CA. págs. 202–212.

[10] Timmis, J.; Neal, M.; Hunt, J. (2000). "Un sistema inmunológico artificial para el análisis de datos" (PDF) . BioSystems . 55 (1): 143–150. Bibcode :2000BiSys..55..143T. doi :10.1016/S0303-2647(99)00092-1. PMID 10745118.

[11] Greensmith, J.; Aickelin, U. (2009). "Células dendríticas artificiales: perspectivas multifacéticas". Procesamiento de información centrado en el ser humano mediante modelado granular (PDF) . Estudios en inteligencia computacional. Vol. 182. págs. 375–395. CiteSeerX 10.1.1.193.1544 . doi :10.1007/978-3-540-92916-1_16. ISBN 978-3-540-92915-4. S2CID 11661259. Archivado desde el original (PDF) el 9 de agosto de 2011. Consultado el 19 de junio de 2009 .