免疫系统的计算机模型研究

摘要

近代计算机科学技术发展的显著特点之一是与生命科学的相互交叉、相互渗透。生命科学的发展尤其是生物学的发展为计算机科学的探索提供了许多新方法和新思路。目前，针对生命科学与计算机科学的交叉领域的研究已成为当今科学研究领域内的一个重要研究方向，并取得了举世瞩目的研究成果。而免疫系统作为人体的第二大复杂系统，其丰富的特性使得它越来越受计算机科学家和工程研究人员的青睐。虽然免疫系统的特征、机制及免疫学理论在工程领域已经得到许多开发和应用，但是人工免疫系统的部分成功并不能证明当前的免疫系统理论都是正确无误的。实际上，与之相反，无论是免疫学家还是人工免疫系统研究人员对许多免疫过程和现象的认识与理解都还欠缺，尤其是后者，许多免疫机制的理论还存在争议。通过对免疫系统的计算机模型的研究我们可以进一步对存在争议的免疫机制进行验证和反思，从而促进免疫系统的研究。具有一定的可行性和应用价值。
　　在本文中，本文针对免疫系统的计算机模型研究过程中主要做了以下工作:
　　首先，鉴于免疫系统是一个复杂系统，本文用复杂网络相关理论对免疫系统进行数据挖掘，本文创新性的用合作网的概念对免疫系统和神经内分泌系统进行网络刻画，根据网络中度、项目度、集群系数等相关统计学知识，发现由免疫系统和神经内分泌系统构成的合作网中，节点度和项目度都呈现SPL分布，说明介质的相互连接有线性优选的，也有随机选择的，也有两种因素同时存在的，验证了在神经内分泌-免疫系统里，细胞分泌的介质之间的相互作用影响也存在着不同的选择。通过网络中度和项目度的大小分布从另一方面体现了各种细胞在免疫系统中的重要程度，为接下来建立计算机概念模型提供对象基础。
　　接着，细胞自动机理论是人工生命学的理论雏形，本文在细胞自动机的理论模型基础上提出了改进型的CS模型，并根据模型用java程序语言开发一个基于细胞自动机的免疫仿真系统，加入流感病毒的相关数据，仿真并验证了仿真系统的合理性，同时对系统参数设置进行了讨论。
　　最后，针对免疫系统的仿真是概念模型，其仿真结果从一定程度上也能表现免疫系统内部元素之间的互相关系及内部联系。近年来，国际上关于GEP的研究持续升温，我们结合GEP在函数挖掘方面的优点，对免疫系统的仿真结果进行深入研究，通过GEP算法在函数挖掘方面的应用，以免疫系统的仿真结果为源数据，用GEP算法求数据之间的函数关系，取得较为理想的结果。
　　总的来说，免疫系统是一个具有自组织、自适应性的复杂巨系统，以计算机理论及技术为工具为免疫学家测试免疫学理论提供了新方法，本论文从提出这种利用复杂网络进行数据挖掘，到根据挖掘数据构建对象的概念模型并进行仿真，再到最后利用GEP对仿真结果进行函数挖掘的研究方式给面向医学的免疫系统研究提供了一种很好的研究方法。

目录

摘要

第一章 绪论

1．1 引言

1．2 国内外研究现状

1．3 我的工作

第二章 相关知识

2．1 复杂网络

2．1．1 复杂网络的网络特性和研宄背景

2．1．2 复杂网络的研究工具

2．1．3 复杂网络的统计性质

2．1．4 网络的拓扑结构

2．2 生物免疫系统与计算免疫系统研究

2．2．1 免疫系统的层次结构

2．2．2 免疫系统的系统组成

2．2．3 免疫系统的重要机制

2．2．4 计算免疫系统概念及意义

2．2．5 计算免疫学的免疫系统建模要求

2．3 本章小结

第三章 基于复杂网络的免疫系统研究

3．1 引言

3．2 复杂网络的合作网络模型

3．3 基于复杂网络的免疫系统研究

3．3．1 免疫系统的合作网络

3．3．2 免疫系统的合作网络模型构建

3．3．3 免疫系统合作网实证研究

3．4 本章小结

第四章 基于CS的改进模型建模与研究

4．1 引言

4．2 IMMSIM模型

4．3 细胞自动机模型

4．3．1 细胞自动机的研究与发展

4．3．2 细胞自动机的组成结构

4．3．3 细胞自动机研究免疫系统的优缺点分析

4．4 改进的CS模型

4．4．1 仿真环境

4．4．2 仿真对象

4．4．3 仿真规则

4．4．4 改进的CS模型的UML描述

4．5 系统的详细设计与结果分析

4．5．1 系统的设计思想

4．5．2 系统的流程图

4．5．3 系统模拟

4．5．4 对免疫系统参数的讨论分析

4．6 本章小结

第五章 基于GEP的函数发现

5．1 引言

5．2 基因表达式编程(GEP)

5．2．1 基因表达式编程基本思想

5．2．2 基因表达式编程的关键技术

5．2．3 基因表达式编程重点研宄方向

5．3 基于基因表达式编程的函数挖掘建模

5．3．1 函数表达式的编码结构

5．3．2 函数表达式的适应度函数的确定

5．3．3 函数表达式的遗传操作

5．3．4 基于GEP的函势算法

5．4 GEP算法的实现与分析

5．4．1 实验数据的选择

5．4．2 实验结果与分析

5．5 本章小结

第六章 总结和展望

6．1 本文工作总结

6．2 进一步工作

参考文献

致谢

攻读硕士学位期间发表的论文及研究成果

声明