Учимся помогать адаптивной иммунной системе - PSORDOC

Учимся помогать адаптивной иммунной системе

Ученые из Института промышленных наук Токийского университета продемонстрировали, как адаптивная иммунная система использует метод, аналогичный обучению с подкреплением, для контроля иммунной реакции на повторные инфекции. Эта работа может привести к значительным улучшениям в разработке вакцин и мерах по укреплению иммунной системы.

В человеческом теле , как адаптивная система Иммунная борется микробов, помня предыдущие инфекции , поэтому он может быстро реагировать , если возвращать одни и те же возбудители. Этот сложный процесс зависит от взаимодействия многих типов клеток. Среди них есть Т-хелперы, которые помогают, координируя реакцию других частей иммунной системы.- так называемые эффекторные клетки, такие как Т-киллеры и В-клетки. Когда обнаруживается вторгающийся патоген, антигенпрезентирующие клетки переносят идентифицирующую часть зародыша в Т-клетку. Некоторые Т-клетки активируются и многократно размножаются в процессе, известном как клональный отбор. Затем эти клоны собирают определенный набор эффекторных клеток для борьбы с микробами. Хотя иммунная система широко изучалась на протяжении десятилетий, «алгоритм», используемый Т-клетками для оптимизации реакции на угрозы, в значительной степени неизвестен.

Теперь ученые из Токийского университета использовали структуру искусственного интеллекта, чтобы показать, что количество T-помощников действует как «скрытый слой» между входами и выходами в искусственной нейронной сети, обычно используемой в адаптивном обучении. В этом случае представленные антигены являются входными, а ответные эффекторные иммунные клетки являются выходом.

«Так же, как нейронную сеть можно обучить машинному обучению, мы считаем, что иммунная сеть может отражать ассоциации между паттернами антигенов и эффективными ответами на патогены», — говорит первый автор Такуя Като.

Основное отличие адаптивной иммунной системы от компьютерного машинного обучения заключается в том, что можно варьировать только количество Т-хелперных клеток каждого типа, в отличие от веса связи между узлами на каждом уровне. Команда использовала компьютерное моделирование, чтобы предсказать распределение численности Т-клеток после адаптивного обучения. Было обнаружено, что эти значения согласуются с экспериментальными данными, основанными на генетическом секвенировании реальных Т-хелперных клеток.

(1433 публикаций на сайте)

(Пока оценок нет)
Загрузка...
Понравилась статья? Поделиться с друзьями:
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!:

Содержание

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам:

Adblock
detector