Sistemas Inmunes Artificiales

En ciencias de la computación, sistemas inmunes artificiales (AIS) ó Artificial Immune System en inglés, son sistemas de computación inspirados en los principios y procesos del sistema inmunológico en vertebrados. Los algoritmos se basan en las características de aprendizaje y la memoria para resolver un problema del sistema inmunológico. Cuando se enuncia un AIS se refiere a la abstracción en la estructura y función del sistema inmune aplicada a los sistemas computacionales, y la aplicación de estos sistemas hacia la solución de problemas computacionales de la matemática, la ingeniería y la tecnología de la información. AIS es un sub-campo de la inteligencia artificial, biológicamente inspirados en la informática y computación natural, con intereses en Machine Learning.

En si, los AIS son sistemas adaptativos, inspirados en inmunología teórica y funciones inmunológicas observadas basadas en principios y modelos que se aplican a la solución de problemas.


AIS es diferente de la inmunología computacional y la biología teórica que se ocupan de la inmunología utilizando la simulación por el uso de modelos matemáticos y computacionales para la mejor comprensión del sistema inmunitario, aunque estos modelos han iniciado el campo de la AIS y siguen siendo un terreno fértil para la inspiración. Además, en el ámbito de la AIS no se refiere a la investigación del sistema inmunológico como un sustrato de la computación, tales como la informática del ADN. El común de las técnicas se han inspirado en las teorías inmunológicas específicos que explican el funcionamiento y el comportamiento de la capacidad de adaptación del sistema inmune en mamíferos. Estos se basan en tres item fundamentales los cuales son:

• Algoritmo de selección clonal: Una clase de algoritmos inspirados en la selección clonal basada en la teoría de la inmunidad adquirida que explica cómo linfocitos B y T mejoran su respuesta a los antígenos en el tiempo llamado afinidad maduración. Estos algoritmos se centran en atributos darwinianos de la teoría de selección que se basa en la afinidad de la interacción antígeno-anticuerpo, la reproducción se basa en la división celular, y la variación se basa en hypermutation somáticas. Los algoritmos de selección clonal son más comúnmente usados en la optimización y el reconocimiento de los dominios, algunos de los cuales se asemejan a algoritmos genéticos sin el operador de recombinación.
• Algoritmo de selección negativa: Fundamentados en los aspectos positivos y negativos de los procesos de selección que se producen durante la maduración de las células T en el timo. La selección negativa se refiere a la identificación y eliminación (apoptosis) de las células pueden causar efectos de sindromes auto-inmunes. Esta clase de algoritmos se utilizan normalmente para la clasificación y reconocimiento de patrones. Por ejemplo, en el caso de una anomalía de detección dominio el algoritmo prepara un conjunto de detectores entrenados en patrones normales (no anómalo) patrones de ese modelo y detectan anomalías o patrones invisibles.
• Red inmune de algoritmos: Algoritmos basados en la red idiotypic teoría propuesta por Niels Kaj Jerne que describe la regulación del sistema inmune por anticuerpos anti-idiotypic (anticuerpos que se seleccionan para otros anticuerpos). Esta clase de algoritmos se centran en la red de estructuras que participan donde los anticuerpos (o células productoras de anticuerpos) representan los nodos y el algoritmo de adiestramiento consiste en efectuar la poda de los bordes entre los nodos basados en la afinidad. La red Inmune algoritmos se ha utilizado en la agrupación, la visualización de datos, control y optimización de los dominios y propiedades compartidas con redes neuronales artificiales.