Descargar PDF

Bioinformática
Tema 1: Computación
p
basada en modelos
naturales
Temario teórico
1 Computación basada en modelos naturales
1.
naturales.
2.
3.
4.
5.
6
6.
7.
Inteligencia de enjambres.
Introducción a la computación evolutiva.
Algoritmos genéticos. Conceptos Básicos.
Algoritmos genéticos. Diversidad y Convergencia.
Ot
Otros
modelos
d l evolutivos.
l ti
Algoritmos Genéticos. Problemas multimodales. Problemas
multiobjetivo.
j
8. Introducción a las redes neuronales artificiales.
Neurocomputación.
9
9.
F d
Fundamentos
t de
d redes
d neuronales
l artificiales.
tifi i l
10. Modelos evolutivos de aprendizaje.
11 Otros modelos de computacion bio-inspirados
11.
bio inspirados.
Objetivos

Entender el concepto de algoritmos bioinspirados.
inspirados

Conocer, a nivel introductorio, algunos de los
algoritmos bio-inspirados más desarrollados.
Índice
1. Modelos de computación bio-inspirados
2 Ejemplos de modelos de computación bioinspirados
2.
2.1. Algoritmos evolutivos
2.2. Redes neuronales
2.3. Algoritmos inmunológicos
2.4. Algoritmos de optimización basados en enjambres
2.5. Algoritmos basados en colonias de hormigas
3 Bibliografía
3.
Bibli
fí
1. Modelos de computación bioinspirados

La Computación Bioinspirada (Bioinspired
Algorithms/Natural Computing) se basa en emplear
analogías con sistemas naturales o sociales para la
resolución de problemas
problemas.

Los algoritmos bioinspirados simulan el comportamiento
de sistemas naturales para el diseño de métodos
heurísticos no determinísticos de “búsqueda”, de
”
”aprendizaje”,
di j ” d
de iimitación
it ió d
de ””comportamiento”,
t i t ” ...

En la act
actualidad
alidad los algoritmos bio
bio-inspirados
inspirados son uno
no
de los campos más prometedores de investigación en el
diseño de algoritmos.
g
1. Modelos de computación bioinspirados
Características de los algoritmos bio-inspirados
bio inspirados
Modelan ((de forma aproximada)
p
) un fenómeno existente en
la naturaleza
Metáfora biológica para resolver problemas



Son no d
S
determinísticos.
t
i í ti
A menudo presentan, implícitamente, una estructura
paralela (múltiples agentes)
agentes).
Son adaptativos (utilizan realimentación con el entorno
para modificar el modelo y los parámetros).
1. Modelos de computación bioinspirados
Algoritmos bio
bio-inspirados
inspirados <> Bioinformática
Bioinformática es la aplicación de las matemáticas y de la informática en el
procesamiento de datos experimentales para comprender problemas biológicos,
normalmente
l
creando
d o utilizando
ili
d programas iinformáticos,
f
ái
modelos
d l matemáticos
ái
o
ambos.
Una de las principales aplicaciones de la bioinformática es la simulación, la minería de datos
(data mining) y el análisis de los datos obtenidos en los proyectos genoma (Proyecto
Genoma Humano) o el proteoma. Otras aplicaciones son el alineamiento de secuencias, la
predicción de estructuras proteicas y las redes metabólicas.
La bioinformática se nutre especialmente de dos grandes áreas del conocimiento, las
ciencias biológicas y las ciencias de la computación. Dado este origen existen dos
grandes líneas de trabajo:


La primera en la que las ciencias de la computación utilizan modelos de las ciencias
biológicas, ejemplo de ello lo constituyen las redes neuronales, los algoritmos genéticos,
computación con DNA, entre otras.
La segunda en la cual las ciencias biológicas utilizan modelos y herramientas de las ciencias
de la computación
computación. Ésta es la que se considera en mayor medida Bioinformática
Bioinformática.
2. Ejemplos de modelos de
computación bio-inspirados
bio inspirados
Algunos modelos de computación bio-inspirados:
1.
2.
3.
4
4.
Algoritmos evolutivos
Redes neuronales
Algoritmos inmunológicos
Algoritmos basados en enjambres (swarm
intelligence) y dentro de ellos
5 Algoritmos basados en colonias de hormigas
5.
2 1 Algoritmos evolutivos
2.1.
Basados en los principios
Darwinianos de Evolución
N
Natural
l
Modelan la evolución natural
2 1 Algoritmos evolutivos
2.1.
El fenómeno natural: La evolución natural
En la naturaleza,, los p
procesos evolutivos ocurren cuando
se satisfacen las siguientes condiciones:

Una entidad o individuo tiene la habilidad de reproducirse.
reproducirse

Hay una población de tales individuos que son capaces de
reproducirse.

Existe alguna variedad, diferencia, entre los individuos que se
reproducen.

Algunas diferencias en la habilidad para sobrevivir en el entorno
están asociadas con esa variedad.
2 1 Algoritmos evolutivos
2.1.
El fenómeno natural: La evolución natural
Los mecanismos q
que conducen esta evolución no son
totalmente conocidos, pero sí algunas de sus
características:

La evolución es un proceso que opera sobre los cromosomas más que
sobre las estructuras de la vida que están codificadas en ellos.

La selección natural es el enlace entre los cromosomas y la actuación
de sus estructuras decodificadas.

El proceso de reproducción es el punto en el cual la evolución toma
parte, actúa.

La evolución biológica no tiene memoria
memoria.
2 1 Algoritmos evolutivos
2.1.
La técnica bio-inspirada: la evolución artificial

Está
E
tá compuesta
t por modelos
d l d
de evolución
l ió b
basados
d en
poblaciones cuyos elementos representan soluciones a
problemas.
problemas

La simulación de este proceso en un ordenador es una
técnica de optimización probabilística, que con
frecuencia mejora
j
a otros métodos clásicos en
problemas difíciles.
2 1 Algoritmos evolutivos
2.1.
Paradigmas básicos:

Algoritmos
g
Genéticos q
que utilizan operadores
p
genéticos sobre cromosomas.

Estrategias
g
de Evolución q
que enfatizan los cambios de
comportamiento al nivel de los individuos.

Programación
g
Evolutiva q
que enfatizan los cambios de
comportamiento al nivel de las especies.

Programación Genética que evoluciona expresiones
representadas como árboles.
Existen otros modelos de evolución de poblaciones.
2 2 Redes neuronales artificiales
2.2.
El fenómeno natural: El cerebro humano

Excepto en tareas basadas en el cálculo aritmético
simple, actualmente el cerebro humano es superior a
cualquier ordenador:




reconocimiento
i i t d
de iimágenes,
á
interpretación de sonidos,
en g
general,, en tareas de percepción
p
p
Características del cerebro:



Robusto: su funcionamiento
f
no se altera ante fallos
f
de pequeña
importancia
Flexible: se adapta con facilidad a un entorno cambiante
Puede tratar con información ambigua o incompleta
2 2 Redes neuronales artificiales
2.2.
La técnica bio-inspirada:
bio inspirada: Las redes neuronales
artificiales

Surgen como un intento de desarrollar sistemas que
emulen las características del cerebro para conseguir su
sofisticada capacidad de procesamiento de información
información.

Sistemas convencionales de I.A. frente a las redes
neuronales artificiales:


Los sistemas convencionales de IA pretenden modelar las
funciones de la mente humana con independencia de la
estructura física en la que está basada (cerebro).
En las redes neuronales artificiales la inteligencia surge de la
interacción de las células nerviosas (neuronas artificiales) que
componen el cerebro (la red neuronal).
2 2 Redes neuronales artificiales
2.2.
La técnica bioinspirada:
p
Las redes neuronales
artificiales
Basadas en la simulación del
comportamiento del sistema
nervioso
Pretenden sintetizar un sistema
con la estructura funcional del
cerebro y que desarrolle un
equivalente algorítmico de los
procesos de reconocimiento y
aprendizaje
di j
2.3. Sistemas inmunológicos
artificiales
El fenómeno natural: El sistema inmune natural

El sistema inm
inmune
ne nat
natural
ral es un
n sistema m
muy complejo con varios
arios
mecanismos para la defensa contra organismos patógenos.

El propósito principal del sistema inmune es reconocer todas las
células (o las moléculas) dentro del cuerpo y categorizar esas
células como propios o no.
no Las células no propias se categorizan
más a fondo para inducir un tipo apropiado de mecanismo de
defensa.

El sistema inmune aprende con la evolución a distinguir entre los
antígenos
g
p
peligrosos
g
((bacterias,, virus,, etc.)) y células o las moléculas
del cuerpo propias.
2.3. Sistemas inmunológicos
artificiales
La
a téc
técnica
ca b
bio-inspirada:
o sp ada Los
os ssistemas
ste as inmunológicos
u o óg cos
artificiales
Basados en la simulación del
comportamiento del sistema
inmunológico
El éxito de los sistemas
inmunológicos se basa en que
el organismo continúa su
función normalmente aunque
alguna parcela de él haya sido
infectada por lo que el cuerpo
infectada,
tiene tiempo para producir
suficientes anticuerpos para
reaccionar al virus.
http://ais.cs.memphis.edu/home/
2.4. Algoritmos de optimización
basados en enjambres
El fenómeno natural: Las sociedades de insectos
Objetivo: Imitar la inteligencia colectiva emergente de un grupo de
agentes simples
Características de las sociedades de insectos:






Llevan a cabo actuaciones colectivas que no serían posibles para
un único individuo
Proporcionan comportamientos adecuados para la computación
distribuida
El repertorio
t i de
d comportamientos
t i t de
d cada
d iinsecto
t es lilimitado
it d
No existe acceso individual al estado completo de la colonia
No p
pueden hacer una división efectiva de la labor a realizar
No pueden garantizar el progreso de la colonia
2.4. Algoritmos de optimización
basados en enjambres
La técnica bio-inspirada: Los algoritmos de optimización
b
basados
d en enjambres
j b
((swarm intelligence)
i lli
)
Algoritmos o mecanismos distribuidos
d resolución
de
l ió d
de problemas
bl
inspirados en el comportamiento
colectivo de colonias de insectos
sociales u otras sociedades de
animales
http://www.swarmintelligence.org/
2.5. Algoritmos basados en colonias
de hormigas
El fenómeno natural: Las colonias de hormigas

Las hormigas
g son insectos
sociales que viven en colonias y
que tienen un comportamiento
dirigido al desarrollo de la colonia
como un todo mas que a un
desarrollo individual

Una característica interesante del
comportamiento de las colonias
de hormigas es cómo pueden
encontrar los caminos más cortos
entre el hormiguero y la comida

Lo hacen a través de un rastro de
feromona
2.5. Algoritmos basados en colonias
de hormigas
La técnica bio-inspirada: Los algoritmos de
optimización basados en colonias de hormigas
La optimización basada en colonias de hormigas está basada en la
simulación del comportamiento de las hormigas cuando recogen
comida
Bibliografía. Modelos de
computación bio-inspirados
bio inspirados
P. Bentley
P
Bentley,
DIGITAL BIOLOGY.
How Nature is Transforming
g our
Technology.
Headline, 2001.
Bibliografía. Modelos de
computación bio-inspirados
bio inspirados
M. Shipper.
M
Shipper
MACHINE NATURE.
The Coming Age of Bio-Inspired
Computing.
McGraw-Hill, 2002.
Bibliografía. Modelos de
computación bio-inspirados
bio inspirados
Nancyy Forbes
IMITATION OF LIFE. How Biology Is
Inspiring Computing.
The MIT
MIT,2004
2004
Preface
ix
1
Artificial Neural Networks
1
2
Evolutionary
i
Algorithms
A
i
13
3
Cellular Automata
25
4
Artificial Life
37
5
DNA Computation
51
6
Biomolecular Self-Assembly
67
7
Amorphous Computing
83
8
Computer Immune Systems
97
9
Biologically Inspired Hardware
113
10
Biology through the Lens of Computer Science
139
Epilogue
155
Notes
159
Index
163
Bibliografía. Modelos de
computación bio-inspirados
bio inspirados
Leandro N. de Castro, Fernando
J. Von Zuben
Recent Developments in
Biologically Inspired
Computing.
p
g
Idea Group Publishing, 2005.
Bibliografía. Modelos de
computación bio-inspirados
bio inspirados
Algunas revistas científicas:
MIT Press
Springer
IEEE Press
Springer
Elsevier MIT Press IEEE Press
Springer
Springer
Bibliografía. Algoritmos basados en
colonias de hormigas
E. Bonabeau, M. Dorigo, G. Theraulaz
Swarm Intelligence. From Nature to Artificial
Systems.
Oxford University Press
Press, 1999
1999.
M. Dorigo, T. Stuetzle
Ant Colony Optimization.
MIT Press, 2004.
Bibliografía. Computación
evolutiva
A.E. Eiben, J.E. Smith
Introduction to Evolutionary Computation.
Springer Verlag 2003.
2003
(Natural Computing Series)
D.B.
D
B Fogel (Ed
(Ed.))
Evolutionary Computation. The Fossil Record.
(Selected Readings on the
Historyy of Evolutionaryy Computation).
p
)
IEEE Press, 1998.
Bibliografía Redes neuronales
Bibliografía.

Neural networks for pattern
recognition
g
C. M. Bishop
Oxford University Press, 1995

Redes de neuronas artificiales.
artificiales Un
enfoque práctico.
P. Isasi
sas Viñuela,
ue a, I. M. Ga
Galván
á León
eó
McGraw Hill, 2004
Bibliografía: Swarm intelligence
Kennedy, JJ., Eberhart
Kennedy
Eberhart, R
R. C
C., and Shi
Shi, Y
Y.,
Swarm intelligence
San Francisco: Morgan Kaufmann Publishers
Publishers, 2001
2001.
Bibliografía: Sistemas inmune
artificiales
Artificial Immune Systems: A New
Comp tational Intelligence Approach
Computational
Castro, Leandro Nunes de, Timmis,
Jonathan
2002, Springer.
Immunity-Based Systems
A Design Perspective
Ishida Yoshiteru
Ishida,
2004, Springer.