Biomolecular Immunocomputing

Goncharova, Larisa B.; Melnikov, Yuri B.; Tarakanov, Alexander O.

doi:10.1007/978-3-540-45192-1_10

Cited by 9 publications

(3 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…It is also worth noting that a connection between IC and cellular automata has led to encouraging results in three-dimensional computer graphics (Tarakanov & Adamatzky, 2002). As for biological applications of IC, a concept of "biomolecular immunocomputer" as a computer controlled fragment of the natural immune system has recently been proposed (Goncharova, Melnikov, & Tarakanov, 2003; Goncharova, Jacques, Martin-Vide, Tarakanov, & Timmis, 2005). A connection of IC with brain research has also shed light upon principles of organization of receptor mosaics and molecular networks (Agnati, Tarakanov, Ferre, Fuxe, & Guidolin, 2005).…”

Section: Introductionmentioning

confidence: 97%

Foundations of Immunocomputing

Tarakanov

Nicosia

2007

2007 IEEE Symposium on Foundations of Computational Intelligence

View full text Add to dashboard Cite

This paper presents the mathematical basis of the immunocomputing using feature extraction and pattern recognition. The key notions of the approach are the formal immune network (FIN) and the coding theory for machine learning. The training of FIN includes apoptosis (programmed cell death) and autoimmunization both controlled by cytokines (messenger proteins), whereas parameters of FIN can be optimized by Kullback entropy. Recent results suggest that the approach outperforms (by training time and accuracy) state-of-art approaches of computational intelligence.

show abstract

Section: Introductionmentioning

confidence: 97%

Foundations of Immunocomputing

Tarakanov

Nicosia

2007

2007 IEEE Symposium on Foundations of Computational Intelligence

View full text Add to dashboard Cite

show abstract

“…[30] Computing performed by biomolecular systems (biocomputing) [31] is one of the most promising branches in unconventional chemical computing because of the complexity of biological materials and their unique properties, such as selectivity of biocatalyzed reactions and specificity of biorecognition processes. The biocomputing systems could include DNA, [32] proteins, [33] immunorecognition pairs, [34] and whole cells. [35] Recently developed enzyme-based logic gates [36][37][38] utilize the specificity of enzymatic biocatalytic reactions to allow multiple simultaneous reactions that proceed in one solution without interference and "cross-talk" between them.…”

Section: Introductionmentioning

confidence: 99%

Boolean Logic Gates that Use Enzymes as Input Signals

et al. 2008

View full text Add to dashboard Cite

Biochemical systems that demonstrate the Boolean logic operations AND, OR, XOR, and InhibA were developed by using soluble compounds, which represent the chemical "devices", and the enzymes glucose oxidase (GOx), glucose dehydrogenase (GDH), alcohol dehydrogenase (AlcDH), and microperoxidase-11 (MP-11), which operated as the input signals that activated the logic gates. The enzymes were used as soluble materials and as immobilized biocatalysts. The studied systems are proposed to be a step towards the construction of "smart" signal-responsive materials with built-in Boolean logic.

show abstract

“…The list of possible AIS-based applications cannot be completed without mentioning the utilization of the AIS paradigm in bioinformatics [204,76,18] and image processing [15,8]. Moreover, a very interesting application domain emerges within the fields of recommendation [29,152], information retrieval and filtering [131,153], and user modelling [154,155].…”

mentioning

confidence: 99%

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Sotiropoulos¹,

Σωτηρόπουλος²

View full text Add to dashboard Cite

Η παρούσα διδακτορική διατριβή έγκειται στον ευρύτερο ερευνητικό τομέα της Αναγνώρισης Προτύπων και στοχεύει στην θεωρητική και πειραματική απόδειξη της εγκυρότητας των Τεχνητών Ανοσοποιητικών Συστημάτων ως ένα εναλλακτικό υπόδειγμα μηχανικής μάθησης. Η κύρια πηγή έμπνευσης για τη δημιουργία των Τεχνητών Ανοσοποιητικών Συστημάτων είναι το Προσαρμοστικό Ανοσοποιητικό Σύστημα των σπονδυλωτών οργανισμών το οποίο συνιστά ένα από τα πιο εξελιγμένα βιολογικά συστήματα. Συγκεκριμένα, το Προσαρμοστικό Ανοσοποιητικό Σύστημα έχει προσαρμοστεί μέσω της βιολογικής εξέλιξης κατά τέτοιο τρόπο έτσι ώστε να είναι σε θέση να επιτελεί συνεχώς τη διαδικασία της διάκρισης του εαυτού από τον μη-εαυτό η οποία συνιστά ένα ταξινομητικό πρόβλημα εξαιρετικής ταξικής ανισορροπίας. Η τρέχουσα διδακτορική διατριβή εστιάζει στην αντιμετώπιση των θεμελιωδών προβλημάτων με τα οποία ασχολείται η αναγνώριση προτύπων μέσω της ανάπτυξης αλγορίθμων μηχανικής μάθησης οι οποίοι βασίζονται στα βιολογικά ανοσοποιητικά συστήματα. Ως εκ τούτου, η σχετική έρευνα ενδιαφέρεται ιδιαίτερα για την διατύπωση εναλλακτικών μεθοδολογιών μηχανικής μάθησης για τα προβλήματα της Ομαδοποίησης, της Ταξινόμησης και της Μονοταξικής Ταξινόμησης και την μέτρηση της αποτελεσματικότητάς τους σε σύγκριση με τις πλέον σύγχρονες μεθοδολογίες όπως αυτής των Μηχανών Διανυσματικής Υποστήριξης. Η Ταξινόμηση προτύπων μελετάται ειδικότερα μέσα στο πλαίσιο της Ταξικής Ανισορροπίας η οποία αφορά προβλήματα για τα οποία τα σύνολα των δεδομένων εκπαίδευσης είναι εξαιρετικά ασύμμετρα. Τα πειραματικά δεδομένα που παρουσιάζονται στην παρούσα διατριβή περιλαμβάνουν εκφυλισμένα δυαδικά προβλήματα ταξινόμησης όπου η κλάση ενδιαφέροντος προς αναγνώριση είναι γνωστή μέσω ενός περιορισμένου αριθμού θετικών δειγμάτων. Με άλλα λόγια, η κλάση στόχος καταλαμβάνει μόνο ένα μέρος αμελητέου όγκου από τον συνολικό χώρο των προτύπων ενώ ο συμπληρωματικός χώρος των αρνητικών προτύπων παραμένει εντελώς άγνωστος κατά την διαδικασία της εκπαίδευσης. Η επίδραση του φαινομένου της Ταξικής Ανισορροπίας στην επίδοση του προτεινόμενου ανοσοποιητικού αλγορίθμου ταξινόμησης αποτελεί έναν επιπλέον στόχο της τρέχουσας διατριβής. Το γενικό πλαίσιο πειραματισμού που υιοθετήθηκε σε αυτή την διδακτορική διατριβή, προκειμένου να αποτιμηθεί η αποτελεσματικότητα των προτεινόμενων αλγορίθμων, Ομαδοποίησης, Ταξινόμησης και Μονοταξικής Ταξινόμησης περιλαμβάνει μια ελεύθερη συλλογή χιλίων (1000) μουσικών κομματιών από δέκα (10) μουσικολογικές κλάσεις δυτικής μουσικής. Η συλλογή αυτή, ειδικότερα, έχει χρησιμοποιηθεί εκτενώς σε εφαρμογές που αφορούν στην ανάκτηση μουσικής πληροφορίας και στην ταξινόμηση ως προς το μουσικολογικό είδος. Η λίστα που ακολουθεί συνοψίζει τα προβλήματα αναγνώρισης προτύπων που απευθύνθηκαν στην παρούσα διδακτορική διατριβή μέσω της εφαρμογής εξειδικευμένων αλγορίθμων μηχανικής μάθησης οι οποίοι σχεδιάστηκαν ως βασισμένοι στις αρχές των βιολογικών ανοσοποιητικών συστημάτων.•Artificial Immune System-Based music piece clustering and Database Organization •Artificial Immune System-Based Customer Data Clustering in an e-Shopping Application.•Artificial Immune System-Based Music Genre Classification.•A Music Recommender Based on Artificial Immune Systems.Τα πειραματικά αποτελέσματα που παρουσιάζονται σε αυτή τη διδακτορική διατριβή αποδεικνύουν την εγκυρότητα των Τεχνητών Ανοσοποιητικών Συστημάτων ως ένα εναλλακτικό υπόδειγμα Μηχανικής Μάθησης.

show abstract

Biomolecular Immunocomputing

Cited by 9 publications

References 6 publications

Foundations of Immunocomputing

Foundations of Immunocomputing

Boolean Logic Gates that Use Enzymes as Input Signals

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Contact Info

Product

Resources

About