Algoritma Swarm Inteligent Untuk Mengobati Kanker

Menggunakan teknologi Nanorobots

Pendahuluan
Nanorobots adalah teknologi masa depan ahli bedah yang akan bergerak pada sistem
vaskular manusia ,dengan melakukan manuver tugas medis khusus mereka seperti
mengidentifikasi dan menghancurkan sel-sel kanker, memperbaiki jaringan, uji klinis dan
sebagainya. Karena, mereka diharapkan untuk melaksanakan tugas-tugas kompleks. dengan
desain sederhana mereka memerlukan sistem kecerdasan berkelompok, yang akan memastikan
kolaborasi mereka , biokompatibilitas nanorobots ini serta kemampuan untuk beradaptasi di
lingkungan yang dinamis pada tubuh manusia. Banyak Algoritma Swarm telah diusulkan sejauh
ini untuk teknologi nanorobot. Pada Ulasan ini, tiga algoritma yang akan dibahas, yaitu: Ant
Colony Optimization(ACO), Particle Swarm Optimization (PSO) dan Artificial Bee Colony
Optimization (ABC).
Banyak algoritma lainnya yang berasal dari tiga algoritma ini. Diaplikasikan untuk
Pengobatan kanker yang lebih rinci dan masalah berdasarkan desain dan fungsi mereka,
sehubungan dengan biokompatibilitas mereka berkolaborasi dan telah dianalisis untuk Solusi
yang mungkin disarankan untuk mengatasi masalah ini sehingga Nanorobots dapat menemukan
aplikasi mereka yang sebenarnya di bidang kedokteran.

Pengenalan
Penelitian kanker merupakan salah satu bidang penelitian terkemuka di lapangan
bioteknologi sejak beberapa dekade. Kanker adalah salah satu penyebab utama kematian di
seluruh dunia (Gianni Di Caro et al., 2005) dan dapat dilihat bahwa jumlah orang yang
menderita Kanker tumbuh pada tingkat yang mengkhawatirkan per tahun. ada yang
pengobatan kanker seperti Radioterapi, Kemoterapi dll, banyak digunakan namun kurang
efektif dan menyebabkan efek samping. Baru-baru ini, peneliti telah berkumpul dan memuncul
teknologi untuk memberikan terapi yang ditargetkan untuk pengobatan kanker dengan efek
samping yang minimal, dengan Nanoteknologi kemampuannya dapat menangani atom dan
tingkat molekuler dan dapat memberikan lebih dari satu solusi untuk masalah yang dihadapi.

Penggunaan nanopartikel emas sangat ekstensif dikembangkan untuk target sel-sel

kanker. selanjutnya, Para peneliti sedang mempelajari kelayakan nanorobots, yang perakitan
komponen nano menjadi fungsional entitas tunggal yang mampu merangsang sistem pembuluh
darah manusia , mengidentifikasi target, dan menghancurkan Sel-sel kanker sendiri tanpa
banyak stimulus eksternal. Dengan kata lain, ini pra-diprogram perangkat rekayasa yang dapat
digunakan untuk menghitung indra, sinyal, dan pengolahan informasi dan menggerakkan pada
tingkat mikroskopis dengan presisi.

Kemungkinan besar ahli bedah invivo kecil telah melakukan penelitian sebagai awal
pada tahun 1950 ketika Fisikawan Amerika dikutip "Ada banyak ruang di bagian bawah "). Ini
menunjukkan luasnya potensi medis aplikasi berdasarkan efektivitas, ketepatan,
kecepatan,mengurangi biaya, risiko, invasi dan kompleksitas ini kecil ahli bedah. Selain
pengobatan kanker, ini dapat digunakan dalam uji klinis , pembersihan dan penyumbatan
arteri.
Swarm intelijen adalah suatu sistem di mana banyak komponen sederhana berinteraksi
satu sama lain serta lingkungan, untuk menghasilkan hasil yang besar-kompleks. Jumlah
nanorobots akan disuntikkan ke dalam pembuluh, sehingga untuk menghindari tindakan acak
semua unit individu, sangat penting untuk membangun koordinasi sehingga mereka dapat
berinteraksi satu sama lain dan sinkronisasi tugas mereka dalam ruang dan waktu Untuk
koordinasi yang efektif, baik sarana komunikasi dan tugas Alokasi yang sangat penting . Sebuah
Sistem kecerdasan berkelompok yang tepat akan memungkinkan tugas ini tanpa banyak
kompleksitas desain atau Biohazard. sementara buatan perangkat seperti nanorobots yang
berfungsi dalam tubuh tanpa banyak stimulus eksternal, adalah tanggung jawab utama dari
Sistem segerombolan didirikan untuk membawa kemampuan beradaptasi terhadap perubahan
kondisi lingkungan yang memastikan bahwa tidak ada nanorobot yang hilang dalam tubuh
selama Eksplorasi target yang akan diidentifikasi dan rute lalu lintas didirikan pada pembuluh
darah di pesan untuk menghindari penyumbatan.
Konsep nanorobots terinspirasi dari organisme mikro, merancang Teoritis nanorobots
telah berlangsung sejak beberapa dekade dengan mengintegrasikan bidang Nano-bioteknologi
yang menawarkan berbagai molekul biologis dengan tindakan sensorik motorik dan kecerdasan
buatan dan Nano-elektronik berbasis embedded system: teknologi CMOS (Complementary
Metal Oxide Semiconductor), Manufaktur nanorobots merupakan serangkaian langkah-langkah
yang dimulai dengan menentukan kelayakan konsep teoritis. Hal ini diikuti oleh simulasi
komputasi rinci komponen nanorobot, rakitan dan sistem simulasi penuh menggunakan
nanorobot Kontrol Desain (NCD) simulator. Setelah simulasi selesai, pabrik melakukan simulasi
manufaktur dan fabrikasi kemudian pengujian perakitan dan uji klinis. Robert A. Freitas Jr, yang

merupakan peneliti senior di IMM, Palao Alto California melakukan pekerjaan penelitian besar
di nanorobotics medis, desain mesin molekuler, perakit molekuler dan -replication diri dalam
mesin dan pabrik sistem. Dia adalah penulis 4- seri volume buku nano, volume pertama yang
diterbitkan pada tahun 1999. Sejak itu, para peneliti di seluruh dunia telah melakukan
penelitian pada berbagai aplikasi medis nanorobots dan merancangnya. Nanorobots adalah
perakitan posisi unit seperti nanotube, nanofibers, Nanoshells aktuator, sirkuit elektronik nano
berdasarkan CMO transduser, biosensor, situs mengikat buatan, dll .Aktuator ini memiliki
anggota mobile yang bergerak secara substansial linear sebagai hasil dari bio-molekul interaksi
antara komponen berbasis biologis dalam actuator.
Aktuator tersebut dapat dimanfaatkan dalam perangkat mekanik nano untuk memompa
cairan, terbuka dan katup dekat, atau untuk memberikan gerakan translasi, nanorobots
memiliki nano-biosensor di permukaan yang mendeteksi berbagai tingkat E-Cadherin sebagai
target medis dan membantu dalam identifikasi sasaran dan peningiriman obat. Banyak
algoritma kecerdasan swarm berdasarkan konsep serangga telah diusulkan untuk masalah yang
dihadapi. Serangga dibandingkan dengan nanorobots sebagaimana diuraikan "mesin", dengan
kemampuan untuk mengatur perilaku mereka atas dasar pengolahan banyak masukan sensorik,
untuk mengatasi situasi yang tidak pasti atau memecahkan masalah yang dihadapi bersama.
Dalam novelnya "Prey", Crichton menggambarkan segerombolan nanorobots / serangga buatan
seperti yang diatur oleh pikiran kolektif yang memungkinkan mereka untuk mengambil
keputusan yang kompleks dan bahkan untuk mengantisipasi kejadian di masa depan. Dalam
merancang sebuah algoritma kecerdasan berkelompok, penggabungan konsep tertentu seperti
stigmergy, desentralisasi, self-organisasi, bifurcations, dan masukan positif-negatif, sangat
penting karena akan mempengaruhi hasil akhir yang lebih akurat.
Perilaku Swarm
Sensor dan gerak adalah dua tindakan yang paling penting dari sebuah nanorobot untuk
mengidentifikasi sasaran. Oleh karena itu mereka didefinisikan menjadi tiga jenis:
Multi-directional Sensor dan Gerak
Dalam sistem tersebut, masing-masing memiliki 2 nanorobot motor atau lebih dari 2
sensor menuju pada arah yang berbeda. Terus-menerus merasakan sinyal kimia yang ada di
lingkungan dalam berbagai arah dan membandingkan mereka. Kemudian bergerak ke arah
sinyal dengan konsentrasi yang lebih tinggi.
Meniru penginderaan bakteri dan Gerak
Setiap nanorobot hanya memiliki satu sensor dan satu motor/penggerak. Ini mencakup
lingkungan untuk setiap gradien sinyal kimia setelah interval waktu tertentu yang telah

ditetapkan dan pra-diprogram. Bergerak secara acak dengan aliran darah kecuali bertemu
konsentrasi jumlah sinyal kimia yang lebih tinggi.

Gerak acak
Setiap nanorobot dengan satu sensor dan satu motor, mengalir secara acak di darah
tanpa mencari gradien konsentrasi . dengan sistem ini sering menemukan sasaran situsnya
melalui kontak secara acak selama gerakan alirannya terus mengalir.
Pemilihan salah satu sistem di atas harus tergantung terutama pada aplikasi dan tujuan
utama. Sebagai contoh, untuk nanorobots yang mengukur konsentrasi bahan kimia tertentu
dalam plasma darah, seperti insulin dalam kasus diabetes, gerak acak dapat dengan mudah
diterapkan. Dalam sistem seperti itu, tidak banyak energi yang dikonsumsi, karena nanorobot
sebagian besar mengalir di darah dan tidak harus mencari situs target tertentu. Sementara
dalam kasus Nanorobots yang tujuan utamanya adalah untuk menemukan dan mengobati
penyakit tertentu seperti kanker atau penyumbatan arteri, Multi-directional Sensor dan Gerak
yang paling mudah untuk menemukan target yang diinginkan.
Banyak algoritma telah diusulkan dan diterapkan untuk simulasi komputer nanorobots .
Namun, untuk nanorobots pengobatan kanker, tiga algoritma telah dibahas, yaitu: Ant Colony
Optimization (ACO), Particle Swarm Optimization (PSO) dan Artificial Bee Colony Optimization
(ABC).

Ant Colony Optimization (ACO)

Ini pertama kali dperkenalkan oleh Dr. Marco Dorigo, bekerja sama dengan Alberto
Colorni dan Vittorio Maniezzo pada tahun 1991. Hal ini didasarkan pada perilaku sekumpulan
semut . Perlu dicatat bahwa semut awalnya bergerak secara acak ke segala arah yang berbeda
untuk mencari makanan. Setiap semut meninggalkan jejak feromon yang memiliki
kecenderungan untuk menguap setelah beberapa waktu. Feromon ini bertindak sebagai
penarik bagi semut lain koloni dan mereka mengikuti jejak yang telah ditinggalkan oleh semut
sebelumnya. feromon cenderung menguap pada jalur yang lebih panjang, sementara di jalan
yang lebih pendek, lebih menonjol, dan karenanya, jejak pendek selanjutnya diikuti oleh semut
lain satu demi satu, yang mengarah ke peningkatan daya tarik jejak. Dengan demikian,
pendekatan dapat diterapkan untuk mencari target dengan rute terpendek. Tingkat feromon
yang dimodifikasi pada saat run-time dan mengarah pada update informasi rute dengan jejak
penguapan, dan update feromon. Hasil dari pendekatan bergantung pada jejak dan daya tarik

masing-masing. Prinsip organisasi diri yang digunakan untuk mengkoordinasikan populasi unit
buatan. Informasi sebelumnya tentang struktur solusi yang menjanjikan dikombinasikan dengan
informasi posterior tentang struktur diperoleh sebelumnya hasil yang baik, dalam algoritma ini
adalah:
1: Set parameter awal dari sistem
2: Set nilai trail feromon awal
3: while (hasil tidak terpenuhi)
Membangun solusi Ant
Terapkan pencarian lokal
tour cek Terbaik
Update trail
4: Akhir while
Terlepas dari masalah komputasi, pendekatan ini juga dinilai dapat menemukan situs
kanker dalam tubuh dan mengobatinya. Pertimbangkan segerombolan nanorobots, semuanya
dirancang sama, disuntikkan ke dalam sistem vaskular manusia. Banyak nanorobots dari
kawanan akan bergerak secara acak dengan aliran darah meninggalkan jejak feromon di
belakang. Jalur feromon ini akan menarik nanorobots lain akan bekerja sama. Jejak Feromon
nanorobots, yang hanyut jauh dengan darah tanpa terdeteksi setiap gradien konsentrasi kimia
dari situs target, pada akhirnya akan hilang. Sementara jejak nanorobots, yang diikuti oleh
segerombolan besar dan setelah menemukan gradien konsentrasi dari situs target yang relatif
cepat, akan diperbarui lebih sering oleh feromon. Oleh karena itu, menjadi satu-satunya rute
lalu lintas untuk menargetkan situs dari tempat suntikan.

Particle Swarm Optimization (PSO)

Ini pertama kali diberikan oleh Dr. Eberhart dan Dr. Kennedy pada tahun 1995,. Hal ini
terinspirasi dari perilaku berkelompok burung dan sekolah memancing. PSO memberikan
kontrol penuh pada mobilitas nanorobots. Dalam pendekatan ini, setiap partikel diprogram
untuk bergerak di jalur yang telah ditetapkan dalam ruang masalah, melacak koordinat sendiri
disebut p terbaik atau partikel posisi terbaik, yang berhubungan dengan hasil terbaik. Terusmenerus memindai posisi partikel dan terdekat lintasan mereka. Segera setelah menemukan
posisi lebih baik dari posisi saat ini yang disebut l- terbaik atau lokal terbaik (Dervis Karaboga et
al., 2009), posisi, bergerak ke sana dengan kecepatan dimodifikasi. Posisi yang terbaik

sehubungan dengan seluruh kawanan disebut posisi langkah utama terbaik g-, dalam algoritma
ini adalah:
1: Inisialisasi populasi
2: Sementara (hasil tidak terpenuhi)
Hitung nilai fitness partikel
Modifikasi partikel terbaik dalam sistem
Pilih partikel terbaik
Hitung kecepatan partikel
Update posisi partikel
3: Akhir sementara

PSO dapat dipahami dengan lebih baik dengan memahami tiga aturan yang diberikan
oleh Reynolds yang menyinkronkan gerakan kawanan: Kohesi, Pemisahan dan Keselarasan.
Aturan Kohesi: The kohesi aturan bertindak sebagai kekuatan yang mengikat. Ini
memperkuat setiap anggota kawanan untuk mengarahkan vektor kecepatannya terhadap pusat
massa dari anggota tim yang jatuh di bidang pandang peraturan ini. Dengan demikian
kecenderungan partikel apapun untuk terpisah dari kawanan diminimalkan.

Aturan Pemisahan: Juga dikenal untuk menghindari tabrakan, aturan ini berfungsi untuk
menjaga jarak minimum yang diperlukan partikel dari hambatan di dekatnya. Hal ini dilakukan
agar dengan merasakan hambatan di jalur partikel dan menghitung lintasan dan perencanaan
lintasan dengan sesuai. Untuk aplikasi di nanorobots, hal itu bisa dilakukan dengan menentukan
struktur kendala di kutub sistem koordinat dan kemudian menemukan kemungkinan lintasan
terbaik untuk menghindari tabrakan.
Aturan keselarasan: Aturan ini juga dikenal sebagai aturan pencocokan kecepatan
karena setiap anggota kawanan mencoba untuk mendeteksi anggota terdekat dari tim yang
sama dan mendapatkan kecepatan anggota ini. Oleh karena itu, menghitung sudut koreksi
untuk menyelaraskan dengan anggota terdekat. Data disaring untuk aturan ini untuk memilih
hanya teman terdekat, jarak terdekat dideteksi dari tim yang sama.

Artificial Bee Colony Optimization (ABC)

Artificial Bee Colony Optimization pertama kali diusulkan oleh Karaboga pada tahun 2005
berdasarkan perilaku Lebah. Ini adalah algoritma berdasarkan kerjasama dan koordinasi Lebah
mencapai tugas mereka menemukan makanan dengan membagi peran mereka. Fitur ini dari
pembagian tugas membuat algoritma yang sangat berbeda dari yang sebelumnya. Berikut
Lebah dibagi menjadi tiga jenis: lebah Kerja, lebah pengamat dan lebah pencari , .Ini tiga jenis
lebah cenderung melakukan fungsi yang berbeda. Lebah Bekerja tinggal di sumber makanan
yang ditemukan dan terus mengirim terkoordinasi target untuk lebah pengamat yang tinggal di
sarang kecuali mereka menerima koordinat makanan oleh lebah Bekerja. Sementara lebah
pencari adalah lebah yang dipekerjakan untuk menjaga sumber makanan telah ditinggalkan
oleh lebah penonton, dan mereka mencari sumber makanan yang berbeda dalam ruang Target
algoritma ini juga merupakan sistem desentralisasi di mana kerja dan hasil sangat tergantung
pada rangsangan lingkungan. Sistem alokasi tugas dapat mengurangi kompleksitas desain di
setiap nanorobot, karena setiap nanorobot akan dilengkapi dengan nano-instrumen yang
diperlukan hanya untuk fungsi yang spesifik. Fitur segerombolan seperti stigmergy, bifurcations,
organisasi diri dan umpan balik negatif positif-benar-benar digunakan dalam sistem tersebut.
Pendekatan sepenuhnya didasarkan hanya untuk mencari solusi optimal atau terbaik dari
masalah. Langkah utama dalam algoritma ini adalah:
1: Inisialisasi populasi
2: Sementara (hasil tidak terpenuhi)
Tempatkan lebah bekerja pada sumber makanan
Tempatkan lebah penonton pada sumber makanan tergantung pada jumlah nektar
mereka
Kirim lebah pencari ke daerah pencarian untuk mencari sumber makanan baru
Hafalkan sumber makanan terbaik sejauh ini
3: Akhir sementara
Pendekatan ini pada dasarnya dirancang untuk diterapkan pada nanorobots medis yang
tujuan utamanya adalah untuk menemukan situs target, seperti situs kanker. Pertimbangkan,
segerombolan nanorobots medis disuntikkan ke dalam sistem vaskular manusia paling dekat

dengan situs target mungkin. Swarm terdiri dari tiga jenis nanorobots yang berbeda dirancang.
Segera setelah injeksi, sedangkan sisanya dari kawanan tetap di tempat suntikan, beberapa
nanorobots (bekerja) mulai bergerak secara acak bersama dengan aliran darah untuk mencari
situs target. Begitu mereka menemukan beberapa konsentrasi E-Cadherin, mereka mengikuti
Gradient Konsentrasi untuk mencapai lokasi tujuan. saat mencapai situs target, mereka
menempelkan diri ke sel-sel kanker dan mulai mengirimkan sinyal akustik (misalnya sinyal RF)
yang ketika diterima oleh segerombolan lain (penonton) yang hadir di tempat suntikan,
mengaktifkan mereka dan mereka bergerak menuju sumber sinyal seperti konsep atraktan.
Sekarang, sistem ini mungkin atau mungkin tidak terbukti berhasil bila diterapkan dalam
masalah kehidupan nyata, tetapi yang pasti bahwa sistem ini membutuhkan beberapa
modifikasi untuk mengubahnya menjadi pendekatan yang sangat mudah.
Ketika kita mempelajari aplikasi, banyak pertanyaan muncul: Sementara segerombolan
penonton bekerja pada sebuah situs Kanker, mereka menerima sinyal dari nanorobot
dipekerjakan berbeda, mereka akan meninggalkan tugas di tangan yang belum selesai untuk
pindah ke situs lain? Bagaimana jika setiap nanorobot dipekerjakan hilang sambil menjelajahi
ruang masalah untuk situs target karena lingkungan yang dinamis? Apakah ada kemungkinan
pembuluh darah mendapatkan diblokir oleh segerombolan (penonton) gerakan? Tidak ada
fokus diletakkan pada routing lalu lintas dari segerombolan sambil bergerak, sehingga mereka
tidak memblokir pembuluh darah atau konsentrasi mereka dalam plasma darah tidak mencapai
lebih dari 10% untuk viskositas berubah darah terhadap dinding pembuluh. Selanjutnya tidak
ada sistem untuk memastikan bahwa semua nanorobots di swarm tinggal bersama-sama, atau
orang-orang yang hilang dapat diambil. Semua meskipun menjamin eksplorasi lengkap itu tidak
memberikan hasil yang dioptimalkan kecuali dimodifikasi. Dengan sedikit modifikasi dalam
sistem, tingkat yang lebih besar dari kemampuan beradaptasi dapat dicapai.
Masa depan
Nanorobots medis masih dalam tahap simulasi. Beberapa desain kecil nanorobots telah
diproduksi namun sangat sederhana dsn masih harus dirancang. Keterbatasan ukuran
menimbulkan masalah besar dalam merancang. Saat ini, nanorobots akan didasarkan pada
teknik pencitraan. Sistem Swarm adalah salah satu faktor yang akan menimbulkan masalah bagi
aplikasi . ketika sistem segerombolan biokompatibel dirancang, akan ada revolusi besar di
bidang kedokteran. Kata biokompatibel tidak hanya mengacu pada faktor biologis, tetapi juga
fisik, kimia dan faktor mekanis yang mempengaruhi fungsi nanorobots. Banyak pekerjaan yang
masih harus dilakukan dalam mengembangkan nanocomputer dengan retensi memori yang
efisien, sehingga nanorobot benar-benar independen dan otomatis dapat digunakan .
Kesimpulan

pengobatan nano memiliki potensi untuk menghapus semua penyakit yang ada di masa
kini serta datang abad. Aplikasi terapi baru nanopartikel yang sudah ditemukan setiap hari, dan
dengan pengenalan nanorobots, kita mungkin tidak perlu ahli bedah petunjuk lagi di masa yang
akan datang. Tetapi untuk membuat teknologi yang handal seperti ini, kita tidak hanya perlu
mengembangkan subsistem yang sempurna untuk nanorobots, tetapi juga sistem Swarm yang
lebih baik. Sebuah sistem swarm harus dirancang untuk segerombolan nanorbot mengingat
tugas yang akan dilakukan oleh mereka sedemikian rupa . bahwa metode untuk mendapatkan
pekerjaan yang dilakukan dan desain nanorobot yang biokompatibel. Sementara itu, hal ini
bertujuan untuk mencapai hasil yang efisien dan mencegah Biohazard (organisme yang
menganam hidup manusia).