Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte

Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt.

The role of NPxY domains in LRP1 receptor maturation and function

Analyses of low density lipoprotein receptor-related protein 1 (LRP1) mutant mouse embryonic fibroblasts (MEFs) generated from LRP1 knock-in mice revealed that inefficient maturation and premature proteasomal degradation of immature LRP1 is causing early embryonic lethality in NPxY1 and NPxY1+2 mutant mice. In MEFs, NPxY2 mutant LRP1 showed efficient maturation but, as expected, decreased endocytosis. The single proximal NPxY1 and the double mutant NPxY1+2 were unable to reach the cell surface as an endocytic receptor due to premature degradation. In conclusion, the proximal NPxY1 motif is essential for early sorting steps in the biosynthesis of mature LRP1.rnThe viable NPxY2 mouse was used to provide genetic evidence for LRP1-mediated amyloid-β (Aβ) transport across the blood-brain barrier (BBB). Here, we show that primary mouse brain capillary endothelial cells (pMBCECs) express functionally active LRP1. Moreover, demonstrate that LRP1 mediates [125I]-Aβ1-40 transcytosis across pMBCECs in both directions, whereas no role for LRP1-mediated Aβ degradation was detected. Aβ transport across pMBCECs generated from NPxY2 knock-in mice revealed a reduced Aβ clearance in both directions compared to WT derived pMBCECs. Finally, we conclude that LRP1 is a bona-fide receptor involved in bidirectional transcytosis of Aβ across the BBB.rn

Molecular genetic causes of columnar growth in apple (Malus x domestica)

The columnar growth habit of apple is interesting from an economic point of view as the pillar-like trees require little space and labor. Genetic engineering could be used to speed up breeding for columnar trees with high fruit quality and disease resistance. For this purpose, this study dealt with the molecular causes of this interesting phenotype. The original bud sport mutation that led to the columnar growth habit was found to be a novel nested insertion of a Gypsy-44 LTR retrotransposon on chromosome 10 at 18.79 Mb. This subsequently causes tissue-specific differential expression of nearby downstream genes, particularly of a gene encoding a 2OG-Fe(II) oxygenase of unknown function (dmr6-like) that is strongly upregulated in developing aerial tissues of columnar trees. The tissue-specificity of the differential expression suggests involvement of cis-regulatory regions and/or tissue-specific epigenetic markers whose influence on gene expression is altered due to the retrotransposon insertion. This eventually leads to changes in genes associated with stress and defense reactions, cell wall and cell membrane metabolism as well as phytohormone biosynthesis and signaling, which act together to cause the typical phenotype characteristics of columnar trees such as short internodes and the absence of long lateral branches. In future, transformation experiments introducing Gypsy-44 into non-columnar varieties or excising Gypsy-44 from columnar varieties would provide proof for our hypotheses. However, since site-specific transformation of a nested retrotransposon is a (too) ambitious objective, silencing of the Gypsy-44 transcripts or the nearby genes would also provide helpful clues.