Изкуствена имунна система
Фармацевтика, медицина, биология
Изкуствена имунна система
Изкуствена имунна система (На английски AIS - Изкуствена имунна система) принадлежат към класа на интелигентните изчислителни системи, които използват принципите на имунната система на гръбначните животни. За да решават проблеми, тези алгоритми използват свойствата на имунната система за учене и памет.
Определение
Изкуствената имунна система (SIS) е адаптивна изчислителна система, която използва модели, принципи, механизми и функции, описани в теоретичната имунология, които се използват за решаване на приложни проблеми.
Въпреки факта, че естествената имунна система далеч не е напълно разбрана, днес съществуват поне три теории, които обясняват функционирането на имунната система и описват взаимодействието на нейните елементи, а именно: теорията на отрицателния подбор, теорията на клоналната селекция и теорията за имунната мрежа. Те формират основата за създаването на три алгоритма за функциониране на ШИС. Обхват на приложението на ШИС, включително (но не само) такива области:
- методи за изчисление
- когнитивни модели
- идентифициране на аномалии и проблеми
- многоагентни системи
- модели на самоорганизация
- модели за колективно разузнаване
- системи за търсене и оптимизация
- модели на автономни разпределени системи
- модели на изкуствен живот
- системи за компютърна сигурност
- методи за получаване на информация
- обработка на сигнали и изображения
Методите на SIS използват специфични имунологични теории, за да обяснят функциите и поведението на адаптивната имунна система на бозайниците.
- Клонален алгоритъм за избор - клас алгоритми, използващи техники за селекция на клонинги и теория за придобит имунитет, който обяснява как В и Т лимфоцитите подобряват отговора на антигените, се нарича афинитетно съзряване. Тези алгоритми се основават на някои атрибути на теорията на Дарвин, при които изборът се диктува от взаимодействието на антигени с антитела, а възпроизвеждането по принципа на разделяне или по метода на соматичната хипермутация. За оптимизация и разпознаване на домейни най-често се използват клонални алгоритми за подбор, някои от които приличат на алгоритми за изкачване на върха и генетичен алгоритъм без оператора на рекомбинация.
- Отрицателен алгоритъм за подбор се възползва от процесите на положителна и отрицателна селекция, които се случват по време на узряването на Т-лимфоцитите в тимусната жлеза. Отрицателният подбор се отнася до идентифициране и отстраняване на отрицателно реактивни клетки. Това се прави от Т клетки, които могат да избират и атакуват тъканта. Този клас алгоритми обикновено се използва за класифициране и разпознаване на проблемни области, където проблемното пространство се моделира въз основа на наличните знания. Например, в случай на откриване на аномалии на домейни, алгоритъмът използва обикновени (нормални) проби от този модел за откриване на невидими или аномални проби.
- Алгоритми на имунната мрежа - алгоритми, които използват теорията за идеотипните мрежи, предложени от Niels Kai Jerney, описващи регулирането на имунната система с помощта на идеотипни антитела (антитела, които са избрани за други антитела). Този клас алгоритми се фокусира върху мрежовата графика на структурите, където антителата (или антителата, произведени от клетките) са възли, а алгоритъмът за обучение предполага увеличаване или намаляване на разстоянието между възлите въз основа на близостта (сходство в пространството за представяне на проблема). Имунните мрежови алгоритми са използвани при групиране, визуализация на данни, контрол и оптимизация на площ, а някои са използвани за проектиране на изкуствени невронни мрежи.
- Дендритни алгоритми. Тези алгоритми се основават на абстрактния модел на дендритни клетки (DC).
Принцип на действие
Имунната система има всички основни характеристики на изкуствения интелект: памет, способността да се учи, способността да разпознава и да взема решения за това как да се счита чужд протеин (антиген), който е влязъл в тялото, дори ако последният никога не е съществувал на Земята. Подобно на изкуствените невронни мрежи, SIS може да натрупва нова информация и, използвайки предварително проучена информация, да извършва разпознаване на модели по децентрализиран начин.