computação natural - aula 13 - sistemas imunológicos artificiais.pdf

Sistemas Imunológicos Artificiais

Professora: Gisele L. PappaEstágio Docência: Mirlaine Crepalde

Computação Natural

Sistema Imunológico: Princípios e Teorias

• Componentes Biológicos: – Linfócitos (anticorpos)

• Células-B: maturação na medula óssea– Processo de clonagem e mutação

• Células-T: maturação no Thymus– Antígenos: ativam sistema imunológico

• Reconhecimento e Ligação:– Afinidade: complementariedade, interações

Sistema Imunológico: Princípios e Teorias

• Adaptação– Clonal selection

• Mutação• Reatividade Cruzada

– Maturação• Discriminação Self/Nonself

– Maturação das células-T no Thymus através da seleção negativa

• Teoria das Redes Imunológicas

Um Framework para SIA

Algoritmos

Afinidade

Representação

Aplicação

Solução

AIS

Forma-Espaço

Binário

Inteiro

Real

Simbólico

[De Castro and Timmis, 2002]

Um Framework para SIA

Algoritmos

Afinidade

Representação

Aplicação

Solução

AIS

[De Castro and Timmis, 2002]

Euclidiana

Manhattan

Hamming

rbc

r-chunks

Um Framework para SIA

Algoritmos

Afinidade

Representação

Aplicação

Solução

AIS

[De Castro and Timmis, 2002]

Modelos de Medula

Seleção e Clonagem

Seleção Negativa

Redes Imunológicas

Forma-Espaço• Um anticorpo pode reconhecer

qualquer antígeno cujo complemento está dentro de uma região α ao seu redor (o limiar de afinidade ou reatividade cruzada)

• Isso resulta em um volume ve conhecido como região de reconhecimento do anticorpo

α

ve

V

S

A camada de representação

ve

ve

α

α

[Perelson,1989]

Camada de Afinidade• O grau de interação entre um anticorpo e um antígeno ou entre

dois anticorpos pode ser avaliado utilizando uma medida de distância ou afinidade

• A escolha da medida de afinidade é importante porque:• Ela altera a topologia da forma-espaço• Ela deve levar em consideração o problema sendo resolvido e os

dados disponíveis• Células podem sofrer mutação de acordo com a afinidade

A camada de afinidade

A camada de algoritmos• Modelos da Medula

– Usado para gerar repositórios de células e moléculas• Seleção e Clonagem

– Utilizado para controlar como os componentes do sistema imunológico interagem com antígenos

• Seleção negativa– Utilizado para gerar reportórios de células capazes de reconhecer self e

non-self• Modelos de Redes (dinâmicos)

– Contínuos– Discretos

A camada de Algoritmos

Exemplos de Representação e Matching

• Distância Hamming

Exemplos de Representação e Matching

Exemplos de Representação e Matching

Modelo da Medula

• É na medula que todas as células do sistema imunológico são criadas

• Geram “células” aleatoriamente– Como a inicialização da população de um AG

• Podem utilizar bibliotecas de genes– Essa bibliotecas podem trazer conhecimento a

priori sobre o problema

1A 1B 1C 1D 2A 2B 2C 2D

1C 2B

1C 2B

Library 1 Library 2

Algoritmos de Seleção Negativa• Define Self como um padrão de atividade normal ou comportamento

estável de um sistema / processo (S)• Objetivo:

– Gerar um conjunto de dectores R que não casam com os padrões em S.• Monitora novas observações de S procurando por mudanças.

– Testa os detectores em relação a S. – Se existe um casamento, uma mudança deve ter ocorrido no

comportamento do sistema.• Definir o limiar de reconhecimento (afinidade ε)

Fase de Censoriamento

Self Strings(S)

Generate random

Strings (R0)Detector Set (R)

Reject

Match

Yes

No

Fase de Monitoramento

Protected Strings

(S*)

Detector Set (R)

Nonself Detected

Match

Yes

Real-Valued Negative Selection Algorithm (RNS)

• Atributos pertencem ao espaço [0,1]• Movimento dos detectores para cubrir ao

máximo o espaço nonself• Matching de um detector r e o conjunto self

é baseada na vizinhança de r no conjunto S• Idade é associada aos detectores• Direção do movimento é ponderada por

– η(t)=η0e-t/τ

Cobertura dos Detectores: abordagem recente V-Detector

Ilustrando...

Match10111000

Don’t Match1101

•Regra de r bits contíguos, com r = 2

Aplicação Clássica de Seleção Negativa

• Detecção de anomalias• Domínio de segurança de computadores• Classificação onde classes há duas classes e

há desbalanceamento de representantes• Reconhecer o que é self /non-self

– Usa seleção negativa para criar um conjunto de detectores

Segurança: Mapeamento do Sistema Imunológico Real para o ArtificialSistemas Imunológico Sistema Imunológico ArtificialCélulas T, B e anticorpos Detectores representados por um string de

bitsCélula de Memória Detector de memóriaAntígeno (Nonself) string de bitsCasamento Utilizando a regra de r bits contíguos

Tolerância Algoritmo de seleção negativa

Segurança de Redes

• Broadcast em LANs• Proteger a LAN de intrusos• SIA precisa monitorar o

tráfico da rede e identificar intrusos

• Conexão é uma tripla:– <fonte, destino, porta>

Segurança de Computadores• Self são conexões normais que acontecem durante um determinado período de tempo• SIA deve aprender a distinguir o que é normal do que não é• O conjunto de conexões normais (self) é definido dinamicamente

– Os dectores de non-self são produzidos através de seleção negativa durante um período de tolerância

Avaliação• Hofmeyr & Forrest, 2000• Testado em subredes de 50 computadores• Dados coletados por 50 dias

– Mais de 2.3 milhões de conexões TCP, filtradas para 1.5

• Conexão representada por um string de 49 bits• Conjunto de non-selfs tinha apenas 7 intrusões• Número baixos de conexões normais detectadas como

ataques (2 por dia)

Diagnóstico de Câncer de Mama• Gonzàlez and Dasgupta, 2003• RNS + Rede Neural• 683 amostras de células com 10 características• Dois conjuntos: 271 para treino (benignas) e 412 para

teste (mistas)• Usa o algoritmo RNS para gerar 400 detectores (nonself

- malignos)• Usa as 400 amostras malignas + 271 amostras benignas

para treinar a rede

Parâmetros• ε: limiar de afinidade : 0.1• N: número de detectores • T: idade máxima de maturidade : 5• η0: valor inicial da taxa de atualização : 1

• τ: controla decaimento da taxa de atualização • k: o número de vizinhos que define o self-match : 1 • max_it : 400

Seleção e Clonagem –Clonalg

1. Inicialização 2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e expansãoc. Maturação da afinidaded. Meta-dinâmica

3. Ciclo

1. Inicialização

2. Apresentação dos antígenosa. Afinidadeb. Seleção,clonagem e

expansão– Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Cria aleatoriamente uma população (P) de anticorpos

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansão– Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Para cada padrão (antígeno) no conjunto de dados S faça:

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Apresenta o antígeno para população P e calcula a afinidade com cada anticorpo

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Seleciona os n1 anticorpos com maior afinidade em P

• Gera clones desses anticorpos com probabilidade proporcional a anfinidade com o antígeno (qto maior afinidade, mais clones)

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansão– Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Muta cada clone• Adiciona os indivíduos mutados a

população P• Seleciona novamente os melhores

indivíduos para serem mantidos como memória do antígeno apresentado

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Substitui um número n2 de indivíduos com afinidade baixa por novos indivíduos gerados aleatoriamente

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

• Repete passo 2 até um critério de parada ser encontrado

Otimização vs Aprendizagem

• Otimização– Assume que existe uma função a ser otimizada,

e que cada anticorpo correponde a um valor dessa função

• Aprendizagem ou Reconhecimento de padrões– Assume que existe um conjunto de padrões a

serem reconhecidos ou aprendidos (conjunto S de antígenos)

Reconhecimento de Caracteres

• Gerar um conjunto de detectores capazes de reconhecer dígitos simples

•Representação: cada indivíduo é um bit de strings (120)

• Usa distância Hamming como métrica de similaridade• 10 anticorpos (P) • max_it: 500• n1=5, n2=0

• Nc=(β.N)/i, β=10

=

=

100111101111101101100101010010010011011000010010101101101101

5

4

3

2

1

ppppp

P

Evolução dos Detectores

Redes Imunológicas

Redes Imunológicas

• Algoritmos que vimos até agora propõe um sistema imunológico em estado de espera, que apenas se torna ativo quando invadido

• Redes propõe um sistema imunológico dinâmico, i.e, ativo mesmo quando não está em perigo

Redes Imunológicas

• Primeiro modelo de redes imunológicas naturais foi proposto por Jerne (1974)

• Primeiro modelo computacional de redes contínuas foi proposto em 1986– Baseado em equações diferenciais do modelo

de Jerne– Construída para simular a rede imunológica

natural, não para ser utilizada como um algoritmo para resolver problemas

Redes Imunológicas Discretas

• Em redes imunológicas, existem 2 tipos de interações:

1. Com os antígenos (externa)2. Com os outros elementos da rede (interna)

• Existem diversos modelos de redes discretas

– Aqui discutiremos a aiNet (Artificial Imune Network)

aiNet

• Existe uma população de antígenos S que deve ser reconhecida por um conjunto P de células que formam a rede

• Ambos antígenos e anticorpos são representados por um vetor de números reais

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmicae. Interação de clonagemf. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

aiNET

De Castro and Von Zuben, 2000

Idêntico ao Clonalg

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmicae. Interação de clonagemf. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

aiNET

• Determina a afinidade entre todos os elementos da memória de clonagem

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmicae. Interação de clonagemf. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

• Elimina todos os clones cujas afinidades são menores que um dado limiar. Incorpora o restante dos clones na rede

aiNET

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmicae. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

aiNET

• Determina a similaridade entre cada par de anticorpos da rede

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansão– Maturação da afinidaded. Meta-dinâmicae. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

aiNET

• Elimina todos os anticorpos da rede cuja afinidade seja menor que um limiar pré-definido

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmicae. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

aiNET

• Introduz novos anticorpos a população P

1. Inicialização2. Apresentação dos antígenos

a. Afinidadeb. Seleção,clonagem e

expansãoc. Maturação da afinidaded. Meta-dinâmicae. Supressão de clonagem

3. Interações da rede4. Supressão da rede5. Diversidade6. Ciclo

aiNET

• Repete os passos 2 a 5 para um determinado número de iterações

aiNET em Otimização Multi-modal

Initial population

Final population

Resultados

aiNET CLONALG

Agradecimento

• A maioria desses slides foi retirado das notas de aula de John Timmis.