Grazziela Patrocinio Figueredo
Resumo
Os mecanismos de auto-regulação do sistema imunológico cuidam para que o excesso de células de defesa sejam eliminadas. Estes mecanismos são responsáveis, também, pela eliminação de células auto-reativas ou de baixa aptidão para agir como frente de defesa. Partindo do estudo dos mecanismos envolvidos no processo de supressão e autoregulação dos sistemas imunológicos, são propostos, neste trabalho, dois algoritmos imunológicos. Um com o propósito de classificação e outro para seleção de dados de treinamento. O classificador proposto trabalha com a seleção de um subconjunto de treino significativo de forma que a construção do modelo final preditor é baseada apenas neste subconjunto. Como um aprimoramento desta técnica, concebeu-se um mecanismo para seleção de dados de treinamento. A seleção dos dados é feita por um mecanismo inspirado no comportamento dos linfonodos e células T com relação a anticorpos pouco adaptados, que são responsáveis por gerar estímulos de sobrevivência para os plasmócitos. O objetivo foi construir um mecanismo para ser hibridizado a métodos de classificação de modo que se aumente o desempenho na construção do modelo preditor, sem que isto acarretasse em perdas na sua acurácia. Os resultados apresentados mostram que o mecanismo supressor é eficiente e adequado a diversos tipos de classificadores.
Abstract
The immune system’s self regulation mechanisms help to eliminate excessive defense cells in the organism. They are also responsible for the elimination of self reactive cells or not well adapted for defense ones. From the study of the mechanisms involved in the process of suppression and selfregulation of the immune systems, it is proposed, in this work, two immune based algorithms. The first one has the purpose of classification. The second one has the purpose of selecting training data. The proposed classifier works with the selection of a training subset for the construction of the final predictor. As an improvement of this technique, it was created a selection mechanism for training data. Data selection is made by a technique inspired by the behavior of lymphnodes and T cells towards not well adapted antibodies. They are responsible for emmiting survival signals for plasmocites. The objective was to build a selector mechanism to work together with classifying methods in order to improve the performance on the model’s construction, without loss of accuracy. Results presented show that the suppressor mechanism is effective and adequate to several types of classifiers.
