The bio-manufacturing of recombinant proteins from mammalian cell cultures requires robust processes that can maximize protein yield while ensuring the efficacy of these proteins as human therapeutics. Recognizing that the challenge of improving protein yield and quality can be met through various approaches, this paper presents three strategies currently being developed in our group. A method for rapidly selecting subpopulations of cells with high production characteristics is proposed. This method combines the efficiency of green fluorescent protein/fluorescence-activated cell sorting (GFP/FACS)–based screening with homologous recombination to generate and select high-producing subclones. Next, the development of chemically defined, protein-free media for enhancing monoclonal antibody production is described. Analysis of culture media effects on the genome-wide transcriptional program of the cell is presented as a means to optimize the culture media and identify potential targets for genetic manipulation. Finally, we propose a method for increasing the extent of intracellular sialylation by improving the transport of CMP-sialic acid into the trans-Golgi. This is hypothesized to increase the sialic acid availability, and may enhance the degree of sialylation in the glycoprotein product. / Singapore-MIT Alliance (SMA)

Thesis (PhD) - Swinburne University of Technology, 2008. / A dissertation presented for fulfillment of the requirements for the degree of Doctor of Philosophy, Swinburne University of Technology - 2008. Typescript. Bibliography: p. 349-377.

A new adaptive learning Artificial Immune System (AIS) based committee machine is developed in this thesis. The new proposed approach efficiently tackles the general problem of clustering high-dimensional data. In addition, it helps on deriving useful decision and results related to other application domains such classification and prediction. Artificial Immune System (AIS) is a branch of computational intelligence field inspired by the biological immune system, and has gained increasing interest among researchers in the development of immune-based models and techniques to solve diverse complex computational or engineering problems. This work presents some applications of AIS techniques to health problems, and a thorough survey of existing AIS models and algorithms. The main focus of this research is devoted to building an ensemble model integrating different AIS techniques (i.e. Artificial Immune Networks, Clonal Selection, and Negative Selection) for classification applications to achieve better classification results. A new AIS-based ensemble architecture with adaptive learning features is proposed by integrating different learning and adaptation techniques to overcome individual limitations and to achieve synergetic effects through the combination of these techniques. Various techniques related to the design and enhancements of the new adaptive learning architecture are studied, including a neuro-fuzzy based detector and an optimizer using particle swarm optimization method to achieve enhanced classification performance. An evaluation study was conducted to show the performance of the new proposed adaptive learning ensemble and to compare it to alternative combining techniques. Several experiments are presented using different medical datasets for the classification problem and findings and outcomes are discussed. The new adaptive learning architecture improves the accuracy of the ensemble. Moreover, there is an improvement over the existing aggregation techniques. The outcomes, assumptions and limitations of the proposed methods with its implications for further research in this area draw this research to its conclusion.

O sistema imunológico dos vertebrados é extremamente complexo, sendo responsável por proteger o organismo contra agentes causadores de doenças. Para funcionar apropriadamente, é necessário que seus componentes reconheçam de forma eficaz os elementos patógenos, a fim de neutralizá-los, e também os elementos do próprio organismo, de forma a não reagirem a estes. Estas e outras características são similares àquelas exigidas em soluções para problemas de engenharia e computação. Desta forma, os sistemas imunológicos artificiais utilizam a contraparte biológica como metáfora para o desenvolvimento de diversas ferramentas computacionais utilizadas nas mais diversas tarefas. Esta dissertação utiliza os conceitos apresentados pelos sistemas imunológicos artificiais para o desenvolvimento de um novo algoritmo de aprendizado supervisionado, baseado principalmente no mecanismo de seleção clonal. O método proposto neste trabalho, denominado clonal selection classifier with data reduction (CSCDR), utiliza uma função de aptidão com base no número de classificações corretas e incorretas apresentadas por cada anticorpo. O algoritmo tenta maximizar este valor através do processo de seleção clonal, envolvendo mutação, maturação de afinidade e seleção dos melhores indivíduos, transformando a fase de treinamento em um problema de otimização. Isto leva a anticorpos com maior representatividade e, portanto, diminui a quantidade de protótipos gerados ao final do algoritmo. Experimentos em bases de dados sintéticas e bases de dados de problemas reais, utilizadas como benchmark para problemas de aprendizagem de máquina, demonstram a eficácia do algoritmo CSCDR como técnica de classificação. Quando comparado a outros classificadores conhecidos da literatura, o CSCDR apresenta desempenho similar e, quando comparado a algoritmos baseados em instâncias, o mesmo utiliza menores quantidades de protótipos para representar os dados, mantendo o desempenho. / The vertebrate immune system is an extremely complex system, being responsible for protecting the body against disease causing agents. To function properly, it is necessary its components effectively recognize the pathogens in order to neutralize them, and also elements of the body itself, so as not to react to these. These and other features are similar to those required solutions to problems in engineering and computing. Thus, artificial immune systems use biological counterpart as a metaphor for development of several computational tools used in various tasks. This dissertation uses the concepts presented by the artificial immune systems to develop a new supervised learning algorithm, based mainly on the mechanism of clonal selection. The method proposed in this work, named clonal selection classifier with data reduction (CSCDR), uses a fitness function based on the number of correct and incorrect classifications made by each antibody. The algorithm tries to maximize this value through the clonal selection process, involving mutation, affinity maturation and selection of the best individuals, turning the training phase in an optimization problem. This leads to more representative antibodies and therefore decreases the amount of prototypes generated at the end of the algorithm. Experiments on synthetic databases and real problem databases, used as benchmark to machine learning problems, demonstrate the effectiveness of the CSCDR algorithm as a classification technique. When compared to other well known classifiers in literature, CSCDR shows similar performance and when compared to instance based algorithms, CSCDR utilizes a smaller amount of prototypes to represent the data maintaining the same performance.

O sistema imunológico dos vertebrados é extremamente complexo, sendo responsável por proteger o organismo contra agentes causadores de doenças. Para funcionar apropriadamente, é necessário que seus componentes reconheçam de forma eficaz os elementos patógenos, a fim de neutralizá-los, e também os elementos do próprio organismo, de forma a não reagirem a estes. Estas e outras características são similares àquelas exigidas em soluções para problemas de engenharia e computação. Desta forma, os sistemas imunológicos artificiais utilizam a contraparte biológica como metáfora para o desenvolvimento de diversas ferramentas computacionais utilizadas nas mais diversas tarefas. Esta dissertação utiliza os conceitos apresentados pelos sistemas imunológicos artificiais para o desenvolvimento de um novo algoritmo de aprendizado supervisionado, baseado principalmente no mecanismo de seleção clonal. O método proposto neste trabalho, denominado clonal selection classifier with data reduction (CSCDR), utiliza uma função de aptidão com base no número de classificações corretas e incorretas apresentadas por cada anticorpo. O algoritmo tenta maximizar este valor através do processo de seleção clonal, envolvendo mutação, maturação de afinidade e seleção dos melhores indivíduos, transformando a fase de treinamento em um problema de otimização. Isto leva a anticorpos com maior representatividade e, portanto, diminui a quantidade de protótipos gerados ao final do algoritmo. Experimentos em bases de dados sintéticas e bases de dados de problemas reais, utilizadas como benchmark para problemas de aprendizagem de máquina, demonstram a eficácia do algoritmo CSCDR como técnica de classificação. Quando comparado a outros classificadores conhecidos da literatura, o CSCDR apresenta desempenho similar e, quando comparado a algoritmos baseados em instâncias, o mesmo utiliza menores quantidades de protótipos para representar os dados, mantendo o desempenho. / The vertebrate immune system is an extremely complex system, being responsible for protecting the body against disease causing agents. To function properly, it is necessary its components effectively recognize the pathogens in order to neutralize them, and also elements of the body itself, so as not to react to these. These and other features are similar to those required solutions to problems in engineering and computing. Thus, artificial immune systems use biological counterpart as a metaphor for development of several computational tools used in various tasks. This dissertation uses the concepts presented by the artificial immune systems to develop a new supervised learning algorithm, based mainly on the mechanism of clonal selection. The method proposed in this work, named clonal selection classifier with data reduction (CSCDR), uses a fitness function based on the number of correct and incorrect classifications made by each antibody. The algorithm tries to maximize this value through the clonal selection process, involving mutation, affinity maturation and selection of the best individuals, turning the training phase in an optimization problem. This leads to more representative antibodies and therefore decreases the amount of prototypes generated at the end of the algorithm. Experiments on synthetic databases and real problem databases, used as benchmark to machine learning problems, demonstrate the effectiveness of the CSCDR algorithm as a classification technique. When compared to other well known classifiers in literature, CSCDR shows similar performance and when compared to instance based algorithms, CSCDR utilizes a smaller amount of prototypes to represent the data maintaining the same performance.

O sistema imunológico dos vertebrados é extremamente complexo, sendo responsável por proteger o organismo contra agentes causadores de doenças. Para funcionar apropriadamente, é necessário que seus componentes reconheçam de forma eficaz os elementos patógenos, a fim de neutralizá-los, e também os elementos do próprio organismo, de forma a não reagirem a estes. Estas e outras características são similares àquelas exigidas em soluções para problemas de engenharia e computação. Desta forma, os sistemas imunológicos artificiais utilizam a contraparte biológica como metáfora para o desenvolvimento de diversas ferramentas computacionais utilizadas nas mais diversas tarefas. Esta dissertação utiliza os conceitos apresentados pelos sistemas imunológicos artificiais para o desenvolvimento de um novo algoritmo de aprendizado supervisionado, baseado principalmente no mecanismo de seleção clonal. O método proposto neste trabalho, denominado clonal selection classifier with data reduction (CSCDR), utiliza uma função de aptidão com base no número de classificações corretas e incorretas apresentadas por cada anticorpo. O algoritmo tenta maximizar este valor através do processo de seleção clonal, envolvendo mutação, maturação de afinidade e seleção dos melhores indivíduos, transformando a fase de treinamento em um problema de otimização. Isto leva a anticorpos com maior representatividade e, portanto, diminui a quantidade de protótipos gerados ao final do algoritmo. Experimentos em bases de dados sintéticas e bases de dados de problemas reais, utilizadas como benchmark para problemas de aprendizagem de máquina, demonstram a eficácia do algoritmo CSCDR como técnica de classificação. Quando comparado a outros classificadores conhecidos da literatura, o CSCDR apresenta desempenho similar e, quando comparado a algoritmos baseados em instâncias, o mesmo utiliza menores quantidades de protótipos para representar os dados, mantendo o desempenho. / The vertebrate immune system is an extremely complex system, being responsible for protecting the body against disease causing agents. To function properly, it is necessary its components effectively recognize the pathogens in order to neutralize them, and also elements of the body itself, so as not to react to these. These and other features are similar to those required solutions to problems in engineering and computing. Thus, artificial immune systems use biological counterpart as a metaphor for development of several computational tools used in various tasks. This dissertation uses the concepts presented by the artificial immune systems to develop a new supervised learning algorithm, based mainly on the mechanism of clonal selection. The method proposed in this work, named clonal selection classifier with data reduction (CSCDR), uses a fitness function based on the number of correct and incorrect classifications made by each antibody. The algorithm tries to maximize this value through the clonal selection process, involving mutation, affinity maturation and selection of the best individuals, turning the training phase in an optimization problem. This leads to more representative antibodies and therefore decreases the amount of prototypes generated at the end of the algorithm. Experiments on synthetic databases and real problem databases, used as benchmark to machine learning problems, demonstrate the effectiveness of the CSCDR algorithm as a classification technique. When compared to other well known classifiers in literature, CSCDR shows similar performance and when compared to instance based algorithms, CSCDR utilizes a smaller amount of prototypes to represent the data maintaining the same performance.

Security assurance in a computer system can be viewed as distinguishing between self and non-self. Artificial Immune Systems (AIS) are a class of machine learning (ML) techniques inspired by the behavior of innate biological immune systems, which have evolved to accurately classify self-behavior from non-self-behavior. This work aims to leverage AIS-based ML techniques for identifying certain behavioral traits in high level hardware descriptions, including unsafe or undesirable behaviors, whether such behavior exists due to human error during development or due to intentional, malicious circuit modifications, known as hardware Trojans, without the need fora golden reference model. We explore the use of Negative Selection and Clonal Selection Algorithms, which have historically been applied to malware detection on software binaries, to detect potentially unsafe or malicious behavior in hardware. We present a software tool which analyzes Trojan-inserted benchmarks, extracts their control and data-flow graphs (CDFGs), and uses this to train an AIS behavior model, against which new hardware descriptions may be tested.

京都大学 / 新制・課程博士 / 博士(医学) / 甲第24314号 / 医博第4908号 / 新制||医||1062(附属図書館) / 京都大学大学院医学研究科医学専攻 / (主査)教授 小林 恭, 教授 松田 文彦, 教授 柳田 素子 / 学位規則第4条第1項該当 / Doctor of Medical Science / Kyoto University / DFAM

O presente estudo objetivou estimar parâmetros genéticos visando quantificar a variabilidade genética de uma população de café robusta (Coffea canephora Pierre ex A. Froehner) introduzida da Costa Rica e analisar o seu potencial genético para o desenvolvimento de futuras cultivares clonais para o estado de São Paulo. Outro intuito foi verificar a possibilidade de submeter essa população à seleção recorrente, tornando-a, assim, fonte de alimentação e sustentação de programas de melhoramento genético do café robusta. O experimento foi composto por 25 tratamentos, sendo 21 progênies de C. canephora e quatro cultivares de C. arabica, plantados em Mococa (SP). O delineamento experimental utilizado foi em látice balanceado 5x5 quadruplicado, com seis repetições e uma planta por parcela. Foram realizadas doze colheitas e após a sexta colheita as plantas foram podadas. Em 2004, foi realizada uma seleção fenotípica dessa população a fim de clonar os melhores indivíduos. Essa seleção resultou em novo experimento, instalado em Campinas, seguindo o delineamento de blocos ao acaso, com três repetições, 28 clones e quatro plantas por parcela, sendo realizadas cinco colheitas consecutivas. As análises estatísticas e biométricas foram realizadas considerando os modelos lineares mistos (procedimento REML/BLUP), por meio do software Selegen, cujos componentes de variância são estimados pelo método da máxima verossimilhança restrita (REML) e os valores genotípicos preditos pela melhor predição linear não viesado (BLUP). As análises mostraram que, na população em estudo, observou-se elevada variabilidade genética, passível de ser explorada tanto para a extração de clones quanto para a seleção recorrente. As adversidades climáticas severas fizeram com que a seleção fosse prejudicada. Nessa situação é preferível não considerar o período afetado e analisar os dados após a recuperação das plantas. A seleção baseada em seis colheitas forneceu estimativas de parâmetros e ganhos genéticos similares aos obtidos na seleção baseada em duas colheitas de alta produção. Os ganhos genéticos esperados nas duas formas de propagações foram elevados e a seleção clonal proporcionou maiores ganhos do que a sexual. No experimento clonal foi possível identificar materiais com potencial produtivo e que poderão vir a ser recomendados para o cultivo no estado de São Paulo. Apesar de a interação genótipos x colheitas ter sido do tipo complexa, devido ao veranico ocorrido, esta não afetou significativamente o ordenamento dos melhores clones e nem comprometeu as estimativas dos parâmetros genéticos. Os coeficientes de variação experimental e genético bem como seu valor relativo deverão ser analisados conjuntamente com o número de repetições e a acurácia seletiva. A seleção recorrente deverá ser conduzida concomitantemente com o programa de seleção clonal, a fim de evitar o esgotamento da variabilidade genética e o comprometimento do programa de melhoramento genético visando o desenvolvimento de cultivares clonais. Tendo em vista que a população inicial foi constituída por um pequeno número de progênies, é aconselhável o monitoramento do tamanho efetivo populacional e do grau de endogamia ao longo dos ciclos de seleção recorrente. / The objective of this research was to estimate genetic parameters to quantify the variability of a population of robusta coffee (Coffea canephora Pierre ex A. Froehner) introduced into Brazil from Costa Rica in 1974 aiming at determining its genetic potential for the development of clonal or seedling cultivars for the state of São Paulo, Brazil. The feasibility has also been studied to submit this population to recurrent selection, making it a continuous source of improved base material in support of varietal improvement of robusta. An experiment consisting of 21 open pollinated seedling progenies of robusta and four cultivars of arabica was established in Mococa (SP) in 1975. Yield was observed for twelve harvests and after the sixth harvest the plants were pruned. The experimental lay out was a balanced 5x5 quadruple lattice design, with six replicates and one plant per plot. In 2004 a phenotypic selection of this population for yield was carried out aiming at cloning the best individuals. These 28 clones were planted in an experiment in Campinas in 2005, following a completely randomized block design, with 28 treatments (clones), three replications and four plants per plot. In total, yields were collected over five harvests. Statistical and biometrical analyzes were performed considering the linear mixed models (REML/BLUP), through software Selegen, where the variance components are estimated by restricted maximum likelihood (REML) and genotypic values predicted by best linear unbiased prediction (BLUP). The analyzes showed that the population had high genetic variability, which can be exploited for the extraction of both clones and seedling progenies, used for recurrent selection. Selection was impaired by severe adverse weather conditions. In such situations it is preferable not to consider the affected period and analyze the data after recovery of the plants. Due to the moisture stress that occurred in the clonal trial, genotype x environment interaction was complex. However this did not affect the ranking of superior clones nor compromised the genetic parameter estimates. Selection for yield based on six yield resulted in genetic parameters and genetic gains similar to those obtained by selection based on two high yielding harvesting periods. The expected genetic gains both for clones as for open pollinated progenies were high. However, clonal selection resulted in higher genetic gains for yield than the seedling selection. In the clonal experiment it was possible to identify materials with high yield potential that may become to be recommended for cultivation in São Paulo State. The experimental, genetics and relative coefficients of variation, should be analyzed together with the number of replications and selective accuracy. Recurrent selection should be conducted concurrently with the clonal selection program in order to avoid depletion of genetic variability and to impairthe breeding program aiming at the development of clonal cultivars. Considering that the initial population was composed of a small number of progeny, it will be important monitoring adequately the effective size and the inbreeding coefficient during recurrent selection cycles.

Este trabalho teve como objetivo selecionar material genético de Eucalyptus spp. para produção de painéis compensados e avaliar a qualidade da madeira dos painéis confeccionados a partir de lâminas de Eucalyptus, combinadas com Pinus e virola, tendo em vista a obtenção de informações sobre o potencial do material avaliado. Para a pesquisa, um teste clonal foi instalado no delineamento estatístico blocos casualizados, composto por 29 clones e seis repetições, totalizando 174 parcelas com seis plantas cada, em espaçamento 3 m x 3 m. A bordadura foi realizada em dupla fileira com material de Eucalyptus dunnii. Os caracteres silviculturais diâmetro à altura do peito (DAP), altura total de plantas (ALT) e volume de madeira (VOL) foram avaliados aos 48 meses após o plantio. A estimativa dos parâmetros genéticos foi realizada com base no procedimento estatístico REML/BLUP. Após a confecção dos painéis compensados, foram realizados os testes da qualidade da madeira, avaliando as propriedades físicas (teor de umidade e densidade básica) e mecânicas (cisalhamento, flexão paralela e flexão perpendicular) dos painéis. Variações genéticas significativas foram observadas entre os clones, para os caracteres silviculturais avaliados nas condições ambientais do experimento, havendo possibilidade de obtenção de ganhos pela seleção. Cinco dos clones avaliados apresentaram potencial para serem aproveitados no programa de melhoramento genético da empresa e em plantios comerciais da região onde se encontra o município de Palma Sola – SC. O clone com melhor desempenho foi o USP/IPEF 68 (E. dunnii), com valores superiores em quase todos os critérios. Os painéis produzidos com miolo de Pinus e virola, onde, nestes casos, apenas a capa e a contracapa eram de lâminas de Eucalyptus, apresentaram bom desempenho, quando comparados com os painéis constituídos, exclusivamente, de lâminas de Eucalyptus. Destaque para os painéis com miolo de virola, no teste de flexão perpendicular, e para os com miolo de Pinus, no teste de flexão paralela. Os painéis constituídos 100% de Eucalyptus não contribuíram para o aumento significativo nos valores de MOE e MOR paralelo e perpendicular. Entretanto, os valores foram superiores em clones mais promissores, como o USP/IPEF 68 e USP/IPEF 64. Os resultados da resistência da linha de cola e flexão estática paralela e perpendicular obtidos neste estudo, estão adequados às normas utilizadas. Conclui-se, portanto, que o material USP/IPEF 68 (E. dunnii) é recomendado para confecção de painéis compensados devido suas qualidades inerentes à madeira. / Selection of Eucalyptus genotypes for the production of compensated panels. This work aimed to select genetic material of Eucalyptus spp. for the production of compensated panels and to evaluate the quality of the wood of panels made from Eucalyptus slides, combined with Pinus and virola, in order to obtain information on the potential of the evaluated material. For the research, a clonal test was installed in the randomized complete block design, consisting of 29 clones and six replications, totaling 174 plots with six plants each, spaced 3 m x 3 m. The border was made in double row with Eucalyptus dunnii material. The silvicultural characteristics diameter at breast height (DBH), total plant height (ALT) and volume of wood (VOL) were evaluated at 48 months after planting. The genetic parameters were estimated based on the statistical procedure REML/BLUP. After the panels were made, the wood quality tests were performed, evaluating the physical properties (moisture content and basic density) and mechanical properties (shearing, parallel bending and perpendicular bending) of the panels. Significant genetic variations were observed among the clones, for the silvicultural characters evaluated in the environmental conditions of the experiment, being possible to obtain gains by selection. Five of the clones evaluated had potential to be used in the breeding program of the company and in commercial plantations of the region where the municipality of Palma Sola - SC is located. The best performing clone was USP/IPEF 68 (E. dunnii), with values above almost all criteria. The panels produced with Pinus core and virola, where, in these cases, only the cover and the back cover were Eucalyptus slides, presented good performance when compared to panels consisting exclusively of Eucalyptus slides. The panels with the virola core, the perpendicular flexion test, and those with the Pinus core were tested in the parallel flexure test. The panels constituted 100% of Eucalyptus did not contribute to the significant increase in the MOE and MOR values parallel and perpendicular. However, the values were higher in more promising clones, such as USP/IPEF 68 and USP/IPEF 64. The results of the glue line resistance and parallel and perpendicular static flexion obtained in this study are adequate to the standards used. It is concluded, therefore, that USP/IPEF 68 (E. dunnii) material is recommended for the manufacture of plywood panels due to their inherent qualities in wood.