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]


Algoritmos

Afinidade

Representação

Aplicação

Solução

AIS


Euclidiana

Manhattan

Hamming

rbc

r-chunks


Algoritmos

Afinidade

Representação

Aplicação

Solução

AIS


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

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


3. Ciclo

Clonalg

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



expansãoc. Maturação da afinidaded. Meta-dinâmica

3. Ciclo

Clonalg

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




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)




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




3. Ciclo

Clonalg

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




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



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





aiNET

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





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

aiNET



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


aiNET

• Determina a similaridade entre cada par de anticorpos da rede



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


aiNET

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





aiNET

• Introduz novos anticorpos a população P





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.

computação natural - aula 13 - sistemas imunológicos artificiais.pdf

Documents