Bir önceki yazıda yapay bağışıklık sistemlerinden kuşbakışı bahsetmiştik. NSA insan bağışıklık sistemini taklit eden algoritmalardır. Bu algoritmaların özeline indiğimizde birkaç çeşit olduğunu görmüştük. Bu yazıda br yapay bağışıklık sistemi algoritması olan negatif seçim algoritmasından bahsedeceğim.
Her kişinin özellikleri ve karmaşıklığı kişisel olarak değişen, biyolojik bir bağışıklık sistemi vardır. (Biological Immune System(BIS)) BIS karşılaştığı hastalık yapıcı yabancı maddeler(patojen) ile savaşmak için gelişmiş adaptif bir sistemdir. Öyle ki, vücuda giren patojenin türüne, vücuda giriş biçimine göre çeşitli tepki mekanizmalarını devreye sokar. [1]
Patojenlerin yüzeylerinde bulunan ve kendilerine özgü proteinler olan yapılara antijen denir. Ayrıca tıpkı patojenler gibi insan vücudundaki yapılar da antijenler içerir bunlara öz-antijen denir. Aralarındaki farkı bir önceki yazımızda da bahsettiğimiz self/non-self ayrımı olarak isimlendiriyoruz. Kahramanlarımızdan biri non-self antijenlerin tanınmasından sorumlu beyaz kan hücrelerimiz yani lenfositlerdir.
Bağışıklık sistemimizi iki temel başlık altında inceleriz; bunlar doğuştan gelen bağışıklık ve edinilmiş bağışıklık.
Doğuştan gelen bağışıklık: Spesifik olarak savaştığı bir yabancı etken yoktur. Tüm hastalık yapıcı yabancı maddelere karşı geliştirilmiş bir savunma sistemidir. Non-self olan her şeyle savaşır. Bu savaş sırasında kendini gösteren antikorlardır.
Edinilmiş bağışıklık: Spesifik bağışıklık sistemidir. Burada söz konusu antikorlar belirli bir antijene karşı yanıt olarak üretilen kan proteinleridir.
Bu iki başlık dışında bir de yapay bağışıklık sistemi söz konusudur. Doğuştan gelen ve edinilmiş bağışıklıktan farklı ve kasıtlı olarak yapılan bir bağışıklıktır. Aşılama buna bir örnektir.
Bu bahsi geçen inanılmaz bir örüntüye sahip sistem, çeşitli mühendislik ve hesaplama problemlerinin çözümü olmuştur. Yapay zeka, makine öğrenmesi gibi konularla ilgilenen herkesin bildiği KNN algoritması ile karşılaştırılmış ve binary bir sınıflandırma söz konusu olduğunda daha verimli olduğu kanıtlanmıştır. [2]
Negatif seçim algoritması (NSA), yapay bağışıklık sistemleri altındaki prensiplerden bir tanesidir. Bağışıklık sisteminin temelinde self/ non-self kontrolü yattığını artık biliyoruz. Bu kontrol mekanizmasının bozulması ve self/ non-self kontrolünün hatalı yapılması durumunda otoimmün hastalıklar ortaya çıkmaktadır. Bu kontörlü T ve B lenfositler sağlar. Negatif seçim sürecinde timusta T-lenfositler oluşur ve self antijenlerini tanımayan lenfositlerin yaşamalarına izin verilir. [3]
NSA’nın ilk optimizasyonu 2009 yılında bir simülasyon amacı ile yapıldı fakat uygulanmadı.[4] Bu algoritma timusta üretimi yapılan T-lenfositlerinin negatif seçimini temel almaktadır. Algoritma iki temel aşamadan oluşmaktadır.
A) İlk adımda elimizde 3 küme olacak ve P,C,R olarak adlandıracağız. P kümesi, self dataseti(train data) simgeleyecek; C kümesi, rastgele üretilmiş dizilerden oluşan datasetten oluşacak; R kümesi, dedektör setinden oluşacak.
Eğer C kümesindeki her bir dizi için, P kümesindeki en az bir tane küme ile alınan yakınlık değeri eşik değerinden büyük ise, reddedilir, R kümesinde birer alternetif olarak depolanır. Bu aşamanın sonunda non-self dedektör dizilerinden oluşan R kümesi elde edilir.
B) Burada A) aşamasında oluşan R kümesi ve test setten oluşan P* kümesi kullanılacak. R kümesi elemanları ile P* kümesi elemanları arasındaki yakınlık hesaplandıktan sonra test setteki non-self elemanlar tanımlanır.
Dedektör kümesi(R) non-self ayrımı yapabilen T-lenfositleri temsil etmektedir. Şemalar ile de ifade edilen bu iki adım, timusta gerçekleşen biyolojik negatif seçim aşamalarına benzer prensiplerin matematiksel olarak modellenmiş bir halidir. [5]
İki aşamada da kullanılan benzerlik ölçütü, algoritmanın kullanım amacı ve işlenecek verisete göre değişken olarak seçilmelidir. İki birim arasındaki uzaklığın bulunmasında en sık kullanılan uzaklık ölçütleri :
KAYNAKÇA:
[1] Dasgupta, D. (2006). Advances in artificial immune systems. IEEE Comput. Intell. Mag. 1, 40–49. doi: 10.1109/MCI.2006.329705
[2] Goodman, D. E., Boggess, L., and Watkins, A. (2002). Artificial immune system classification of multiple-class problems. Proc. Artif. Neural Netw. Eng. ANNIE 2, 179–183.
[3] Nino, F., and Dasgupta, D. (2008). Immunological Computation: Theory and Applications. Auerbach Publications.
[4] Elberfeld, M., and Textor, J. (2009). “Efficient algorithms for string-based negative selection
,” in International Conference on Artificial Immune Systems (Berlin; Heidelberg: Springer), 109–121.
[5] Artificial Immune System–Negative Selection Classification Algorithm (NSCA) for Four Class Electroencephalogram (EEG) Signals
Kapak fotoğrafı:https://medium.com/deep-learning-turkiye/yapay-ba%C4%9F%C4%B1%C5%9F%C4%B1kl%C4%B1k-sistemi-algoritmalar%C4%B1-7390aba83306