2006: Computação Bioinspirada - Novas Perspectivas para Pesquisa em Biologia

Computação Bio-Inspirada:Computação Bio-Inspirada:Novas Perspectivas em BiologiaNovas Perspectivas em Biologia

Instituto de Biologia/USPInstituto de Biologia/USP22 de Março de 200622 de Março de 2006

Leandro Nunes de [email protected]

http://lsin.unisantos.br/lnunes Laboratório de Sistemas Inteligentes (LSIn)Universidade Católica de Santos - UniSantos

Computação Bio-Inspirada - Leandro Nunes de Castro 2

Sumário

Introdução Conceitos Importantes Computação & Biologia

A biologia como fonte de inspiração A computação como ferramenta de

análise e síntese de sistemas biológicos

Casos de Estudo aiNet FranksTree Boids

A Computação no Novo Milênio


Introdução Principais perspectivas da biologia para a

computação: Como uma fonte de idéias Como uma fonte de problemas

Qual a perspectiva da computação para a biologia? Como ferramenta?

Porque o diálogo pode ser difícil? Nomenclatura Interesses Formação


Objetivos

Conceitualizar Contextualizar Introduzir a computação inspirada na

biologia (CIB) Ilustrar a CIB Identificar interesses em comum


Conceitos Importantes Obs.: cuidado com os conceitos! Experimento:

Procedimento realizado em ambiente controlado com o objetivo de reunir observações e/ou dados que demonstram teorias ou fatos conhecidos, ou que permitem testar hipóteses ou teorias. Grande parte dos experimentos biológicos são feitos in vivo ou in vitro.

Modelo: O termo modelo pode ser encontrado em

diversos contextos e disciplinas e, portanto, pode apresentar significados distintos.


Conceitos Importantes

Modelos: Podem ser definidos como abstrações de

fenômenos reais ou implementação de uma hipótese para investigar questões particulares ou para demonstrar características específicas de um sistema ou hipótese.

Correspondem a descrições (esquemáticas) de um sistema, teoria ou fenômeno que considera suas características conhecidas ou inferidas e que pode ser usado para estudos mais aprofundados.

A utilidade de um modelo está em sua habilidade de nos ensinar algo sobre o fenômeno representado.



Objetivos dos modelos em biologia teórica: Obter uma descrição quantitativa mais precisa

de um determinado fenômeno e dos respectivos modelos experimentais

Contribuir para a análise crítica de hipóteses e compreensão dos mecanismos biológicos envolvidos

Ajudar na predição de comportamentos e projeto de experimentos

Permitir a recuperação de informação de experimentos (incompletos)



Metáfora: As metáforas permitem uma atribuição de

propriedades salientes de um objeto em relação a outro.

Exemplos: ‘Ela é uma rosa’; ‘Redes neurais artificiais’; ‘Aquele carro é um avião’; ‘Vida artificial’.

Qualitativo x Quantitativo.


Conceitos Importantes Simular:

Imitar um fenômeno real. Requer a representação de aspectos

importantes do fenômeno a ser simulado. Adaptação:

Capacidade de um sistema ajustar sua resposta dependendo do ambiente.

Aprendizagem x Evolução.


Conceitos Importantes Auto-Organização

Ampla gama de processos de formação espontânea de padrões em sistemas físicos, químicos e biológicos. Exemplos: Grãos de areia formando dunas, reagentes químicos

formando espirais, células compondo tecidos, peixes se organizando em cardumes, etc.

Contra-exemplos: Organizações militares, acompanhamento de uma receita,

uso de uma forma, etc.

Emergência Propriedades globais de um sistema ou organismo que

não estão presentes e nem são diretamente deriváveis de seus componentes individuais.

Computação & Biologia


Filosofia


Natureza x Computação

Computação Bio-Inspirada =Natureza + Computação

Formas de interação: Computação bio-inspirada: A natureza como

fonte de inspiração para o desenvolvimento de ferramentas computacionais para solução de problemas

Vida artificial e fractais: A computação como ferramenta para a análise e síntese de fenômenos naturais


Computação Bio-Inspirada

A natureza evoluiu por milhões de anos para resolver problemas complexos

Exemplos: construção e limpeza de ninhos, descoberta de caminhos e táticas de exploração, sentidos (visão, audição, tato, olfato), etc.

Algoritmos computacionais inspirados ou baseados na natureza existem com dois propósitos: Para modelar a natureza; Ou principalmente para resolver problemas

complexos.


Principais Temas

Neurocomputação Computação evolutiva Inteligência de enxame Imunocomputação Química artificial Algoritmos de crescimento e

desenvolvimento etc.

Abordagens mais antigas


O Neurocomputador mais Simples

Neurônio de McCulloch & Pitts Simulação de portas lógicas: Computação

Universal

u = w1x1 + w2x2


Um formigueiro ‘artificial’ (ant farm)

Inteligência de Enxame


Limpeza de ninhos e organização de larvas



Um modelo matemático da limpeza de ninhos

Melhorias no modelo


2

1

1

fk

kp p

2

2

fk

fpd

2

1

1

)()()(

1)(

ifk

k

iifiPp

2

2 )(

)()()()(

ifk

ifiifiPd


Navegação autônoma de robôs



Agrupamento de dados de bioinformática



Segurança de redes de computadores

Sistemas Imunológicos Artificiais



Navegação autônoma de robôs

)()()()(

11

takmtamtamdt

tdai

N

kiikik

N

jjji

i

))(5.0exp(1

1)(

tata

ii


Computer simulations



Implementação robôs reais


Vida Artificial e Geometria Fractal


Idéias Principais

Biociência: abordagem reducionista para o entendimento da natureza

Vida artificial e geometria fractal: abordagem bottom-up para a síntese de padrões e comportamentos naturais

Foco na síntese computacional de padrões e comportamentos naturais e não na resolução de problemas

Amplamente usada em computação gráfica e na indústria cinematográfica


Artificial Life: “Vida artificial é o estudo de sistemas feitos

pelo homem que exibem comportamentos característicos de sistemas naturais. Ela complementa as ciências biológicas preocupadas com a análise de organismos vivos tentando sintetizar em computador ou outro meio comportamentos similares aos de organismos vivos. A vida artificial contribui para a biologia localizando a vida-como-nós-a-conhecemos dentro de um contexto mais amplo da vida-como-ela-poderia-ser.” (Chris Langton)

Vida Artificial


“A vida artificial é o processo de entender a biologia através da construção de fenômenos biológicos a partir de componentes artificiais, ao invés de reduzir as formas de vida naturais a seus componentes mais elementares. É uma abordagem sintética e não reducionista.” (Ray, 1994)

Vida Artificial


Vida natural: Um exemplo

Vida Artificial


Boids: Regras comportamentais simples Evitar colisão e separação Alinhamento e ajuste de velocidade Centralização e coesão

Vida Artificial


Boids

Vida Artificial


Vida-como-ela-é x Vida-como-ela-poderia-ser

Vida Artificial


Geometria Fractal “Porque a geometria geralmente é descrita como ‘fria’ e

‘seca’? Uma razão é devido a sua incapacidade de descrever a forma de uma nuvem, uma montanha, uma costa marítma, ou uma árvore. Nuvens não são esferas, montanhas não são cones, costas marítmas não são círculos, a casca de uma árvore não é lisa e um raio não viaja em linha reta....A existência destes padrões nos desafia a estudar estas formas que Euclides deixou de lado como sendo ‘sem forma’, a investigar a morfologia do ‘amorfo’.” (Mandelbrot, 1983; p. 1)

Um grande avanço no processo de modelagem e síntese de padrões naturais foi o reconhecimento de que a natureza é fractal e o desenvolvimento da geometria fractal.

A geometria fractal é a geometria da natureza, como todas as suas estruturas fragmentadas e complexas.


Fractais

Fractais são caracterizados por: Dimensão fractal Auto-similaridade Nível infinito de detalhes em múltiplas

escalas


Geometria Fractal

Algumas ferramentas: Autômatos celulares Sistemas de funções iterativas Sistemas de Lyndenmayer Movimento Browniano Sistemas de partículas Projeto evolutivo etc.


Sistemas de Lindenmayer Um formalismo para simular o desenvolvimento

de organismos multi-celulares Um sistema L é definido como a tripla ordenada

G = V,,P, onde V é o alfabeto do sistema, V+ é uma palavra não vazia chamada de axioma, e P V V* é um conjunto finito de regras

A interpretação geométrica das palavras geradas por um sistema L pode ser usada para gerar imagens esquemáticas de diversos padrões naturais

Geometria Fractal


Sistemas de Lindenmayer (sem renderizar)

Geometria Fractal


Sistemas de Lindenmayer (renderizados)

Geometria Fractal


O Projeto FranksTree Investiga a influência do cruzamento de tecidos de

indivíduos de mesma espécie e de espécies distintas

Geometria Fractal


Movimento Browniano Para modelar alguns cenários naturais é

preciso ter curvas que parecem diferentes quando ampliadas mas que ainda apresentem a mesma característica

O termo movimento Browniano fracionário (fBm) foi introduzido para denotar uma família de funções aleatórias Gaussianas capazes de fornecer modelos interessantes de diversas séries temporais naturais

Geometria Fractal


Movimento Browniano Fracionário (sem renderização)

Geometria Fractal


Movimento Browniano Fracionário (renderizado)

Geometria Fractal

Casos de Estudo

aiNet


Modelos de Redes Imunológicas

A Teoria da Rede O sistema imune é composto por uma

grande e complexa rede de paratopos que reconhecem idiotopos e de idiotopos que são reconhecidos por paratopos. Assim, cada elemento pode reconhecer e ser reconhecido (Jerne, 1974)

Características: Estrutura Dinâmica Metadinâmica


Modelos de Redes Imunológicas

Interações na Teoria da Rede )()()(

)(

11

takmtamtamdt

tdai

N

kiikik

N

jjji

i


aiNet: Rede Imunológica Artificial

Agrupamento e classificação aiNet (de Castro & Von Zuben, 2001) Definição:

A aiNet é um grafo ponderado, não necessariamente conexo, composto por um conjunto de nós e arcos ponderados.

Características: Conhecimento distribuído pelas células Aprendizagem competitiva (não-superivisonada) Modelo construtivo com etapas de poda Dinâmica que promove a geração e manutenção

de diversidade


aiNet: Reconhecimento de Padrões

aiNet: Crescimento:

Princípio da seleção clonal Aprendizagem:

Maturação de afinidade direcionada Poda:

Teoria da rede (supressão de anticorpos)


aiNet a cada geração: Para cada antígeno Ag

Afinidade com o antígeno (Ai) Agi-Ab

Seleção clonal (n cells) Ai

Clonagem Ai

Maturação direcionada (mutação) 1/Ai

Re-seleção (%) Ai

Morte natural (d) 1/Ai

Afinidade entre as células da rede (Dii) Ab-Ab

Supressão clonal (s) Dii : (m - memória)

Mt [Mt;m] Supressão da rede (s) Dii : (M Mt) M [M;meta]



Agrupamento

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

x

y

Padrões de entrada

0 0.2 0.4 0.6 0.8 1

0

0.2

0.4

0.6

0.8

1

1

23

4

5

6

7

8

9

10

11

12

13

14

Estrutura final da rede



Agrupamento

-2-1

01

2

-2

0

2

4-1.5

-1

-0.5

0

0.5

1

1.5

-1-0.5

00.5

1

-10

12

3-1

-0.5

0

0.5

1

1.5

Estrutura final da rede



aiNet: Uma Aplicação emBioinformática

Base de dados Yeast

E’

E’’

E

J

K

B

C

H

D

F,G


A resposta imunológica da aiNet (de Castro, 2004)

Hipóteses da teoria da rede usadas na aiNet Seleção clonal, expansão e maturação devido a

estímulos externos Interações de rede (supressão) Metadinâmica

Dinâmica: Híbrida de aprendizagem e evoluçãoAbk* = Abk + k (Ag – Abk); k Affk; k = 1,...,Nc.

Ab = Nc Ns + Nb Nd



A resposta imune da aiNet




0 200 400 600 800 1000 1200 1400 1600 1800 0.86

0.88

0.9

0.92

0.94

0.96

0.98

1




0 50 100 150 200 250 10 1

10 2

10 3

10 4 Primary, Secondary and Cross-Reactive Immune Responses

Iteration

An

tib

od

y C

on

ce

ntr

atio

n

Ag1 Ag1, Ag11, Ag2

Responses to Ag1

Response to Ag2

Response to Ag11


A Computação no Novo Milênio


Algumas idéias que formam a base da computação bio-inspirada: Capacidade de tratar problemas complexos Uso de mais de uma solução candidata Capacidade de manipular informação

imprecisa de maneira imprecisa Robustez, distributividade e auto-reparo Representações simplificadas Auto-organização e emergência etc.

Computação no Novo Milênio


Aplicações em potencial Aproximação de funções Busca e otimização (exemplos: planejamento,

roteamento, agendamento e empacotamento) Agrupamento e classificação (exemplos:

aprendizagem de máquina e reconhecimento de padrões)

Projeto (exemplo: processamento de sinais) Simulação, identificação e controle Detecção de falhas e anomalias, segurança de

sistemas de informação Robótica



Vida Artificial e Geometria Fractal Aumenta a compreensão da natureza Fornece novas perspectivas sobre a ‘vida’ e seus diversos

modelos Permite o desenvolvimento de novas tecnologias:

softwares, robótica, jogos interativos, computação gráfica, sistemas educacionais, ferramentas de animação comportamental

Forma computacionalmente barata de gerar modelos computacionais da natureza

Estudar padrões naturais: vegetações extintas, projeto de novas variedades de plantas, estudo de processos de crescimento e desenvolvimento, auxílio a fazendeiros e decoradores, predição de produtividade, indústria cinematográfica, etc.




Da singularidade à pluralidade


A natureza nunca foi tão importante!



Um Vídeo para Resumir a Motivação Biológica

BIC – Biologically Inspired Computing 2005



Principal Referência

Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications

Leandro N. de Castro, CRC Press LLC, 2006


Obrigado!

Questões, comentários?

Contato: [email protected]

2006: Computação Bioinspirada - Novas Perspectivas para Pesquisa em Biologia

Documents

Transcript of 2006: Computação Bioinspirada - Novas Perspectivas para Pesquisa em Biologia