Editado por el editor de la serie Gerd Finke Pierre Dumolard
Publicado por primera vez en Francia en 2002 por Hermes Science/Lavoisier titulado: «Recherche Opérationnelle y Réseaux: Méthodes d’Anusyze Spatiale» Publicado por primera vez en Gran Bretaña y Estados Unidos en 2008 por Istd Ltd y John Wiley & Sons, Inc. aparte de cualquiera de cualquier Trato justo a los fines de la investigación o estudio privado, o crítica o revisión, según lo permitido en la Ley de Derechos de Autor de Derechos de Autor, Diseños y Patentes de 1988, esta publicación solo puede reproducirse, almacenarse o transmitirse, de cualquier forma o de cualquier medio, con la Prior Permiso por escrito de los editores, o en el caso de la reproducción reprográfica de acuerdo con los términos y licencias emitidas por la CLA. Las consultas sobre la reproducción fuera de estos términos deben enviarse a los editores en la dirección alquilada: ISTE Ltd 27-37 St George’s Road London SW19 4EU UK UK
Este volumen presenta las principales herramientas de investigación de operaciones (o) que ayudan en la planificación y gestión de todo tipo de redes. El término «red» debe entenderse en un sentido muy amplio. En efecto, este término también designa redes físicas, como redes de carreteras o ferrocarriles, así como redes lógicas, utilizadas para la planificación compleja de proyectos, por ejemplo. En este caso, los elementos de la red corresponden a actividades, y las interconexiones describen relaciones temporales. O considera problemas reales en dos fases: una fase de modelado que corresponde al desarrollo de un modelo matemático es seguido por un procedimiento de solución, exacto o aproximado, y en algorítmico general. Estas dos fases están estrechamente conectadas y proponen colecciones de modelos, adaptadas a numerosas aplicaciones, así como las técnicas de resolución correspondientes. Los modelos se pueden clasificar en dos grandes categorías, las basadas en una formulación algebraica y los basados en el concepto de gráficos. Estos dos modelos se presentan en los Capítulos 1 y 2 y los enfoques de solución general están en el Capítulo 3. Luego, en los capítulos 4 a 8, se detallan algunas aplicaciones elegidas. Se refieren a las redes de gestión de proyectos, recolección y distribución, redes de telecomunicaciones y modelos de gráficos para la planificación de la misión de los satélites de observación. El Capítulo 1 presenta las ideas principales de programación lineal. Este modelo se basa en nociones básicas de álgebra lineal. El objetivo es optimizar una función lineal (maximizar las ganancias, minimizar la distancia cubierta, minimizar el costo de transporte, etc.) satisfaciendo la introducción escrita por Gerd Finke.
Ciertas condiciones (restricciones). Estas restricciones son lineales (ecuaciones o desigualdades) y modelan el uso de recursos de capacidad finita, límites de distancia, restricciones presupuestarias, etc. Se describen los conceptos fundamentales de la programación lineal: el tipo de solución (solución básica), la dualidad y la interpretación económica. Sin embargo, el objetivo de este capítulo se encuentra más en el nivel de modelado que en el desarrollo de la teoría. El software es fácilmente accesible, principalmente en forma estándar. El objetivo de este capítulo es describir el uso de un tipo de software y mostrar cómo se pueden interpretar los resultados. El modelado por programación lineal es muy flexible y permite una solución eficiente a los problemas, gracias al algoritmo Simplex. Pero hay una restricción esencial: se deben aceptar soluciones de valor fraccional. Desafortunadamente, para muchos de los problemas, deben considerarse variables discretas (de valores enteros) y a menudo toman valores 0 o 1 que indican una decisión (un sitio, elegido o no, o un recurso, usado o no). Para estos problemas de programación enteros, no existe un algoritmo universal eficiente. La tarea de crear un modelo «bueno» se vuelve mucho más difícil y requiere que explotemos la estructura particular del problema. Los gráficos son estructuras extremadamente útiles para describir y comprender numerosos problemas. Estas impresionantes herramientas de modelado se detallan en el Capítulo 2. Los gráficos están formados por vértices (depósitos, ciudades, clientes) y de conexiones entre estos vértices (rutas, cables). A menudo se proporciona otra información, por ejemplo, la cantidad de mercancía disponible en un vértice y la longitud o el costo de una conexión (borde, arco) que conecta dos vértices. Estos gráficos, llamados gráficos valorados, constituyen lo que se llaman redes abstractas. En este capítulo, una gran cantidad de ejemplos ilustran la riqueza de este modelo. Se introducen los conceptos habituales (caminos, árboles y flujos) con aplicaciones a veces inesperadas. La teoría de grafos ha creado su propia solución algorítmica. Estos procedimientos pueden ser una alternativa a la programación lineal con variables enteras, o incluso en ciertos casos dan el único acceso posible a una solución eficiente. El Capítulo 3 presenta el espectro de diversas técnicas de solución. Se dan algunos elementos de la teoría de la complejidad, distinguiendo los problemas fáciles, como la programación lineal en variables fraccionadas o rutas de longitud mínima en gráficos, y problemas difíciles, como la programación lineal entera o el problema del vendedor ambulante. Se presentan técnicas de solución, incluidos métodos exactos (rama y unión, programación dinámica) y, en particular, métodos aproximados: heurística y metaheurística (recocido simulado, método tabú y algoritmos genéticos). El Capítulo 4 aborda la gestión y la programación de grandes proyectos y, en particular, describe la técnica de evaluación y revisión del programa (PERT). Es una herramienta bastante general, aplicable a proyectos complejos, como la construcción de un
xi
Edificio de apartamentos, un barco o una presa, así como grandes proyectos agrícolas. Este método se basa en una red de eventos cuyos arcos indican la sucesión de las diferentes fases de trabajo necesarias para realizar el proyecto. Sin dar una lista exhaustiva, algunos grandes problemas espaciales se describen en los siguientes capítulos. En el Capítulo 5, se considera la gestión de grandes redes de transporte urbano, tanto aire como ferroviario. Las aplicaciones reales son numerosas: transporte escolar, transporte de discapacitados, asignación y determinación de las horas de conductores de autobuses e ingenieros de locomotoras y rotación de la tripulación para una aerolínea. Es notable que para esta multitud de aplicaciones se aplique una estructura única, descrita por rutas que respeten un intervalo de tiempo en una red de espacio-tiempo. El número de rutas posibles, y por lo tanto el número de variables de elección en estos modelos, puede alcanzar varios millones. En consecuencia, incluso las relajaciones lineales del problema ya no pueden resolverse directamente por el método Simplex. Se deben utilizar otros procedimientos más elaborados; Por ejemplo, el método de generación de columnas, el objeto de la investigación reciente. El Capítulo 6 presenta otros aspectos en las redes de transporte que están conectados a la distribución y recolección de bienes a los clientes. Surgen dos tipos de modelos, dependiendo de la posición de los clientes. Si se encuentran en los vértices de la red (ciudades, por ejemplo), el problema estudiado es un problema de los recorridos de vehículos, relacionado con el problema del vendedor ambulante. Por otro lado, si los clientes están situados a lo largo de las carreteras, los problemas conducen a los llamados problemas de cartero chino. En el Capítulo 7, se estudian grandes redes de telecomunicaciones. Muchos actores intervienen en estas redes y la calidad del servicio se vuelve dominante para los usuarios. Hay dos grandes categorías de redes de telecomunicaciones: redes fijas con conexiones de cables y redes móviles donde las comunicaciones son realizadas por ondas radioeléctricas para clientes que se mueven en cierto territorio. Los métodos son diferentes para estos dos tipos de redes. Aquí se aplica una amplia gama de técnicas: programación lineal o algoritmos en gráficos, por ejemplo, coloreando para la asignación de frecuencia en una red de radio móvil. Finalmente (capítulo 8), el último problema presentó se refiere a la planificación de la misión para los satélites de observación. Los usuarios de satélite exigen imágenes de tiras terrestres que se realicen mientras el satélite gira alrededor de la tierra en su órbita. Se desarrolla un modelo de gráfico uniforme para describir una secuencia de imágenes sin conflicto y respetar todas las restricciones. Por lo tanto, en base a los dos tipos o formulaciones, se han descrito y modelado numerosas aplicaciones, especialmente en redes. Para entonces, las técnicas de solución o de solución, fue posible obtener métodos de solución algorítmica eficientes, exactos o aproximados, para ayudar en el proceso de toma de decisiones.
¿Qué es optimizacion de redes investigación de operaciones?
Disciplina que estudia, sobre una base cuantitativa, los modelos conceptuales de los procesos de toma de decisiones relacionados con el funcionamiento de los sistemas organizados, los métodos para proporcionar el comportamiento de estos sistemas (especialmente en relación con el crecimiento de su complejidad) e identificar el Las decisiones que optimizan su rendimiento, así como las herramientas para evaluar las consecuencias de ciertas decisiones a priori.
Por lo general, para lidiar con un problema de análisis y decisión, estamos buscando un modelo simplificado que lo represente con la aproximación correcta (en otras palabras, buscando el compromiso correcto entre la simplicidad y la precisión del modelado) y luego desarrollar herramientas metodológicas y de aplicación para las suyas. Resolución práctica basada en el modelo diseñado. Gran parte de estos problemas se formulan como problemas de optimización en los que, en función de la información disponible y de manera compatible con las limitaciones, desea identificar las decisiones que se tomarán para buscar un objetivo en el mejor de los casos.
Las aplicaciones típicas son: Gestión de almacenes, en la que se debe determinar la cantidad óptima de un conjunto de recursos, reservados para el empleo futuro, en relación con los costos de producción y los costos de suministro; Planificación y gestión de actividades para el diseño de un sistema complejo, en el que se deben elegir los tiempos de inicio de las actividades de acuerdo con su duración, las limitaciones de precedencia entre las actividades y los recursos utilizados, para minimizar los tiempos de finalización del proyecto y costos de realización; Opciones de cartera, en las cuales, dada una disponibilidad asignada de recursos financieros y un conjunto de oportunidades de inversión con métodos y rendimientos bien conocidos, es necesario decidir cuánto e invertir para las diferentes alternativas, para maximizar la ganancia general. ; Ubicación de centros de servicio, en los cuales, dada la disponibilidad de recursos financieros, costos de instalación, solicitudes y métodos de servicio, es necesario determinar cuántos centros activar, de qué tamaño y dónde colocarlos, para optimizar el rendimiento de el sistema de servicio; Planificación de la producción y la logística industrial, que incluye distribución y gestión de materiales, mantenimiento de máquinas y equipos, gestión de recursos humanos, elección de arquitectura de producción, seminusización y secuenciación de procesos; Diseño y evaluación del rendimiento de los sistemas complejos, en el que los diferentes elementos interactúan y contribuyen a determinar el rendimiento general, como sucede en el desarrollo de muchos productos industriales, sistemas de servicio, circuitos integrados, redes de telecomunicaciones, sistemas de procesamiento, etc.; Mejora de la calidad de productos, sistemas y servicios, planificación de intervenciones públicas, gestión del territorio. En general, investigación o. Es (o debería ser, en teórico) una parte integral de todas las fases del proceso de gestión y gestión de los recursos de la empresa, y solo mediante el uso de decisiones y herramientas de gestión y gestión cada vez más sofisticadas puede controlarse efectivamente la compleja red de interacciones presentes presentes en sistemas modernos de producción y servicio.
La investigación de la expresión o. (Investigación de operaciones) se remonta al período de la Segunda Guerra Mundial, durante el cual algunos países decidieron enfrentar métodos científicos relacionados con operaciones militares con métodos científicos. El gobierno británico, primero, reunió a científicos de diferentes sectores disciplinarios con el objetivo de combinar la investigación tecnológica y organizacional y relacionada con los métodos para llevar a cabo operaciones, para mejorar el rendimiento general del aparato de guerra, no tanto desarrollar nuevos armamentos nuevos , cuánto mejorando el uso de los existentes. Se llamó al grupo a cargo de estas actividades, según la propuesta de dos de sus miembros, R. Watson Watt y A.P. Rowe, setión de investigación operativa.
Incluso en los Estados Unidos, a partir de 1943, se creó una organización similar para lidiar con la Guerra Submarina y, posteriormente, del Sistema de Suministro y Apoyo logístico. La entrada de científicos estadounidenses en esta área de investigación también condujo al cambio del nombre en la investigación de operaciones. Estos orígenes explican por qué las raíces culturales de la investigación o. Se hunden en la historia de diferentes disciplinas y cómo se encuentra en la intersección entre los diferentes sectores metodológicos y de aplicación (como la optimización, la ciencia económica, el estudio sistemático de los procesos de producción de la gran industria manufacturera, etc.).
¿Qué es la optimización de redes de actividades?
La optimización de la red es un término general que se refiere a una variedad de herramientas, estrategias y mejores prácticas para monitorear, administrar y mejorar el rendimiento de la red.
En el entorno empresarial altamente competitivo y dinámico de hoy, no es suficiente que las redes esenciales se desempeñen adecuadamente. A medida que avanzamos más hacia la era digital, el mundo depende cada vez más de la transferencia de datos confiable, rápida, segura, disponible, 24/7. Desafortunadamente, el hardware o el software subóptimo desactualizado o poco dimensionado pueden limitar el ancho de banda disponible e introducir una mayor latencia. Las opciones de seguridad de red obsoletas o subutilizadas pueden afectar negativamente el rendimiento y dejar los sistemas sin protección. Las oleadas o picos repentinos en el tráfico pueden abrumar las funciones de red esenciales y ralentizar los tiempos de respuesta. Y la lista continúa, creando potencialmente cientos de problemas de montaje capaces de deteriorar la experiencia del usuario final.
El objetivo principal de la optimización de la red es garantizar el mejor diseño y rendimiento de la red posible a la estructura de costo más baja. La red debe promover una mayor productividad y usabilidad y permitir que los datos se intercambien de manera efectiva y eficiente. Y esto se logra administrando la latencia de la red, el volumen de tráfico, el ancho de banda de la red y la dirección del tráfico.
Cuando se trata de su red, la optimización solo puede ocurrir una vez que el estado actual se haya evaluado completamente. Sin embargo, si desea obtener una imagen clara del rendimiento de las redes dentro de su organización, encontrará que hay un número significativo de parámetros y componentes involucrados. En aras de ayudarlo a comenzar, dirigirse a las áreas más relevantes, aquí hay cinco factores esenciales a considerar al medir sus operaciones de red:
La latencia describe el tiempo que tarda los datos en viajar entre dos ubicaciones (como entre dos computadoras en una red), con una latencia más baja que indica una red más rápida y receptiva. Este retraso en la transmisión de datos solo puede ascender a unos pocos milisegundos en cada punto individual del viaje, pero cuando se combina puede sumar una cantidad notable de retraso de la red.
¿Cuál es la importancia de la optimización de redes?
La optimización de la red es un conjunto de herramientas y técnicas utilizadas para mejorar el rendimiento y la confiabilidad de la red. Como tal, no es una operación de «uno y hecho» sino un proceso continuo. Los requisitos comerciales dictan un cierto nivel de rendimiento, pero el tiempo y el presupuesto a menudo limitan lo que puede y no puede ajustar. Entonces, optimiza dentro de esas restricciones. Luego monitorea continuamente la red para asegurarse de mantener el nivel deseado de rendimiento, luego su enjuague y repetir a medida que surgen nuevas necesidades y requisitos de rendimiento.
Dada la complejidad de las redes modernas, hay muchas cosas que pueden afectar el rendimiento. Echemos un vistazo más de cerca a los consejos y trucos de optimización de red para ponerlo al día (¡juego de palabras!) En este popular tema de ingeniería de redes.
La medición de la efectividad de los esfuerzos de optimización de su red se reduce a medir mejoras en el rendimiento de su red. Como resultado, la mayoría de las métricas asociadas con el seguimiento de la optimización de la red reflejan las relacionadas con el monitoreo del rendimiento de la red. La gran diferencia es que al medir la optimización de la red comienza con una línea de base de rendimiento y realiza cambios para mejorarla.
Veamos cuatro de las métricas más comunes para ayudar a establecer una línea de base para el monitoreo continuo en sus esfuerzos de optimización de red.
La latencia y el tiempo de ida y vuelta (RTT) están estrechamente relacionados, y ambos tratan la velocidad de una red. La latencia es el tiempo que lleva datos ir de origen a destino. RTT es el tiempo que tarda los datos en ir de origen a destino y regresar nuevamente. Las razones comunes para altos niveles de latencia y tiempos de viaje de ida y vuelta incluyen:
- Distancia geográfica
¿Qué es un nodo fuente en investigación de operaciones?
El modelo booleano de una red de señalización asocia cada nodo de red (es decir, gen, proteína, molécula) I con una variable binaria Xi que describe su nivel de expresión, concentración o actividad. El valor xi = 1 (ON) representa que el componente I está activo o expresado, o tiene una concentración superior al umbral; El valor xi = 0 (OFF) denota que está inactivo o no expresado, o tiene una concentración por debajo del umbral. Los umbrales invocados en la definición de estados no necesitan cuantificarse, siempre que se sepa que existe un nivel de concentración por encima del cual el componente en cuestión puede regular efectivamente sus objetivos posteriores. En los modelos booleanos, el estado futuro del nodo I, denotado por xi*, se determina en base a una declaración lógica que involucra los estados actuales de sus reguladores, es decir, xi*= fi. Esta declaración FI, llamada función de transición booleana (o regla booleana), representa la dependencia condicional de los nodos de entrada (regulador) en la regulación del nodo aguas abajo (objetivo). Esta función generalmente se expresa a través de los operadores lógicos y, o no. Por ejemplo, F4 = (x1 o x2) y (no x3) es una función booleana que regula la variable x4. Indica que X4 estará encendido cuando al menos uno de X1 o X2 esté encendido y simultáneamente X3 está apagado. Cuando se usan paréntesis, como en este ejemplo, determinan explícitamente el orden de operaciones. Alternativamente, se puede usar el orden de precedencia de los operadores lógicos: no tiene la precedencia más alta, seguida de y luego por o, que tiene la precedencia más baja. Cualquier uso de paréntesis anula las reglas de precedencia. Como ejemplo, la regla para F4 anterior también se puede escribir como f4 = (x1 o x2) y no x3.
Una función de transición booleana también puede representarse mediante una tabla de verdad, en la que cada fila enumera una posible combinación de valores de estado para los reguladores del nodo y el valor de salida asociado de la función. La Tabla 4.1 presenta las tablas de verdad para las funciones booleanas correspondientes a las operaciones no (tercera columna), o (cuarta columna), y (última columna). La tabla de verdad de una función booleana con variables K tiene 2K filas y columnas K + 1 (ver Ejercicio 4.3).
Tabla 4.1. Tablas de verdad que ilustran el no, y y los operadores
La tercera columna (FC) indica que el valor de «no xa» es lo contrario (negación lógica) del valor de Xa. La cuarta columna (FD) indica que «xa o xb» es 1 cada vez que cualquiera de las entradas es 1. La última columna (Fe) indica que «xa y xb» es 1 solo cuando ambas entradas son 1.
¿Qué es un nodo fuente en investigacion de operaciones?
A veces, al modelar una red con más de una fuente, se introduce un supersource en el gráfico. [2] Esto consiste en un vértice conectado a cada una de las fuentes con bordes de capacidad infinita, para actuar como una fuente global. Una construcción similar para sumideros se llama SuperSink. [3]
A la izquierda, verá una red de flujo con la fuente etiquetada S, SUND T y cuatro nodos adicionales. El flujo y la capacidad se denotan f/c { displayStyle f/c}. Observe cómo la red defiende la simetría sesgada, las limitaciones de capacidad y la conservación del flujo. La cantidad total de flujo de S a T es 5, que se puede ver fácilmente desde el hecho de que el flujo saliente total de S es 5, que también es el flujo entrante a T. Sabemos que no aparece ningún flujo o desaparece en ninguno de los otros nodos.
A continuación, ve la red residual para el flujo dado. Observe cómo hay una capacidad residual positiva en algunos bordes donde la capacidad original es cero, por ejemplo para el borde (d, c) { displayStyle (d, c)}. Este flujo no es un flujo máximo. Hay capacidad disponible a lo largo de las rutas (s, a, c, t) { displaystyle (s, a, c, t)}, (s, a, b, d, t) { displaystyle (s, a, b, b, b , d, t)} y (s, a, b, d, c, t) { displaystyle (s, a, b, d, c, t)}, que son entonces las rutas de aumento. La capacidad residual de la primera ruta es
min (c (s, a) −f (s, a), c (a, c) -f (a, c), c (c, t) -f (c, t)) { displaystyle min ( c (s, a) -f (s, a), c (a, c) -f (a, c), c (c, t) -f (c, t))} = min (5−3, 3−2,2−1) = min (2,1,1) = 1 { displayStyle = min (5-3,3-2,2-1) = min (2,1,1) = 1 }. [Cita necesaria] Observe que mientras exista alguna ruta con una capacidad residual positiva, el flujo no será máximo. La capacidad residual para algún camino es la capacidad residual mínima de todos los bordes en ese camino.
Imagine una serie de tuberías de agua, que se ajustan a una red. Cada tubería es de cierto diámetro, por lo que solo puede mantener un flujo de una cierta cantidad de agua. En cualquier lugar que se encuentren las tuberías, la cantidad total de agua que ingresa a esa unión debe ser igual a la cantidad que sale, de lo contrario nos quedaríamos sin agua, o tendríamos una acumulación de agua. Tenemos una entrada de agua, que es la fuente, y una salida, el fregadero. Entonces, un flujo sería una forma posible para que el agua de origen a sumidero para que la cantidad total de agua salga de la salida sea consistente. Intuitivamente, el flujo total de una red es la velocidad a la que sale el agua de la salida.
¿Qué es un nodo de demanda?
Se supone que cada mercado potencial (o nodo de demanda) compra una cantidad máxima de producto (gas seco para distribuidores de gas, NGL para plantas petroquímicas) en función de sus propias capacidades de transporte o procesamiento. Tal perfil de demanda puede ser estacional, especialmente en los mercados de gas seco. Las restricciones (11) restringen el flujo total de gas seco y NGL que se pueden vender durante cada período del horizonte de planificación.
El HAN generalmente incluye varias estaciones de compresor para suministrar el hidrógeno a varios nodos de demanda a su presión requerida. El problema de optimizar la asignación de hidrógeno con incertidumbre en cualquier optimización de la red de asignación en una planta se puede establecer de la siguiente manera:
Un conjunto de fuentes internas NS está disponible con flujo y calidad inciertos en un intervalo limitado con una desviación conocida de su valor nominal.
También se conocen un conjunto de demandas internas de ND de tal manera que cada demanda acepta un flujo con una calidad que es menor que una calidad máxima predeterminada.
El flujo no utilizado de las fuentes internas se envía a una demanda externa, llamada desechos, sin ninguna calidad máxima o límites de flujo.
El objetivo de este estudio es minimizar el trabajo de compresión para suministrar el flujo y también minimizar el requisito de recursos en una fiabilidad fija de cada demanda, así como cada fuente. El modelo comprende las siguientes restricciones.
Deje que FIJ y FRJ representen el flujo desde la fuente y el recurso hasta la demanda. Los saldos de flujo para la estación de compresor y la estación de demanda pueden abordarse como la ecuación. (1) y la ecuación. (2):
Debido a la restricción de calidad en cada demanda, el requisito de carga de masa de hidrógeno para cualquier demanda interna puede expresarse matemáticamente de la siguiente manera: (Eq. 3)
¿Cuántas son las fases principales para implementar la IO Taha?
El bloqueo del punto de control ha demostrado formalmente que la reactivación de las respuestas inmunes antitumorales puede retroceder tumores. Sin embargo, esto solo ocurre en una fracción de pacientes. Incorporar estas terapias en combinaciones más poderosas es, por lo tanto, un siguiente paso lógico. Aquí, revisamos los roles funcionales de los puntos de control inmunes y los determinantes moleculares de la actividad clínica de bloqueo de punto de control. Tumores infiltrados de células T de tamaño limitado, que difieren sustancialmente de «yo», generalmente responden al bloqueo de punto de control. Por lo tanto, proponemos que reducir la carga tumoral y el aumento de la inmunogenicidad tumoral son factores clave para mejorar la inmunoterapia. Por último, describimos los criterios para seleccionar socios combinados de inmunoterapia adecuados y destacamos la importancia de los biomarcadores de actividad para la optimización oportuna del tratamiento.
La capacidad del sistema inmune para reconocer y eliminar las células tumorales incipientes, y así encuestar contra el desarrollo tumoral, fue reconocido hace más de un siglo por Paul Ehrlich (Ehrlich et al., 1957) y estudió con más detalle por Lewis Thomas y Macfarlane Burnetetet Burnetet Burnetet (Burnet, 1957; Lawrence, 1959). Dada la función supresora tumoral fisiológica de un sistema inmune sano, un diagnóstico de cáncer también puede considerarse un diagnóstico de un sistema inmune disfuncional. La evolución de las interacciones inmunomorales, desde la protección del tumor hasta la promoción del tumor, durante la progresión del cáncer se ha conceptualizado en la elegante teoría de la inmunoeditación por Robert Schreiber, por lo que el sistema inmune, que inicialmente controla y elimina las células malignas, ejerce una presión selectiva insegura una presión selectiva. favorecer el crecimiento de clones mal inmunogénicos que pueden escapar del reconocimiento inmune (Dunn et al., 2004). Los enfoques para revitalizar las funciones inmunes antitumorales y mejorar la capacidad del sistema inmune para reconocer las células malignas se han diseñado con el intento de erradicar el cáncer (inmunoterapia contra el cáncer). Las remisiones tumorales logradas por la estrategia de William Coley para inyectar tumores con una mezcla de bacterias con el objetivo de reactivar las funciones inmunes anticancerígenas constituyeron la primera evidencia de que la evasión inmune tumoral puede ser un proceso reversible (Coley, 1891).
La inmunoterapia contra el cáncer se ha inspirado profundamente en los estudios inmunes en dos campos principales: enfermedades infecciosas y trasplante alogénico de médula ósea (BMT). Estos estudios proporcionaron evidencia, respectivamente, que el sistema inmune humano puede ser «capacitado» para reconocer y limpiar patógenos para el desarrollo de inmunidad específica y que un sistema inmune alogénico puede inducir respuestas inmunes antitumorales y remisiones clínicas en un huésped diferente (es decir, Efectos de injerto versus leucemia) (Barnes et al., 1956; Horowitz et al., 1990). Ambas observaciones indicaron claramente que la inmunidad puede establecerse con éxito contra «objetivos» de diferentes orígenes (diferentes organismos o individuos). El reconocimiento de que las células tumorales constituyen una forma alterada de «yo» condujo así al uso de material antigénico tumoral como una estrategia de vacuna contra el cáncer para favorecer las respuestas de células T específicas del tumor y la erradicación de la enfermedad. Sin embargo, a pesar de la actividad esporádica en subconjuntos de pacientes con ciertas neoplasias malignas, las vacunas contra el cáncer no han tenido éxito en tener un impacto significativo en los ensayos clínicos de fase tardía (Butts et al., 2014; Rosenberg et al., 2004) (Vansteenkiste J.F. et al. ., Annals of Oncology 25 (Suppl_4): IV409, 2014 doi: 10.1093/annonc/mdu347.1). El desarrollo posterior de un enfoque alternativo para provocar respuestas inmunes antitumorales al inactivar receptores inmunes inhibitorios (puntos de control inmunes) (Leach et al., 1996; Okazaki et al., 2013) ha permitido recientemente la demostración de que la inmunoterapia puede controlar de manera duradera cáncer avanzado avanzado avanzado cáncer avanzado avanzado . Desinhibición de las respuestas inmunes preexistentes al bloquear el punto de control inmune CTLA-4 (proteína 4) asociada a los linfocitos T citotóxicos) y/o PD-1 (proteína de muerte celular programada) para facilitar ampliamente la activación inmune extiende significativamente la supervivencia del cáncer avanzado avanzado pacientes. Los éxitos del bloqueo del punto de control inmune, inicialmente obtenido en pacientes con melanoma avanzado (Hodi et al., 2010; Robert et al., 2011), se han extendido rápidamente a pacientes con otros tipos de cáncer (Brahmer et al., 2012; Garon et al. Al., 2015; Le et al., 2017; Le et al., 2015; Topalian et al., 2012). Hasta la fecha, la terapia de bloqueo de punto de control inmune es parte del estándar de atención para pacientes con melanoma avanzado, cáncer de pulmón de células no pequeñas (CPLC, carcinoma escamoso y no escamoso), carcinoma de células de Merkel, carcinoma celular escamoso y cuello de la cabeza y cuello, urotelial y riñón y riñón cánceres, cánceres de altos cánceres de microsatélites (MSI) (como el cáncer colorrectal de MSI alta), el linfoma refractario de Hodgkin, el carcinoma hepatocelular y el cáncer gástrico, y se está investigando intensamente en ensayos clínicos para el tratamiento de enfermedades malignas adicionales. Estos resultados positivos, además de revitalizar el entusiasmo y el interés en la inmunoterapia contra el cáncer, subrayaron la información biológica no tan obvia que, en una fracción sustancial de pacientes con cáncer, el sistema inmunitario aún puede reconocer las células tumorales si son suficientes señales co-estimuladoras entregado. La reducción de la supresión inmune al bloquear los puntos de control inmunes puede proporcionar una estimulación inmune suficiente para desencadenar la inmunidad antitumoral terapéutica. Sin embargo, la experiencia clínica acumulada hasta ahora con el bloqueo del punto de control inmune también ha demostrado claramente que la refractardad del tumor primario y la resistencia tumoral adquirida a estos agentes son factores comunes que evitan el logro de un beneficio clínico en la mayoría de los casos (Sharma et al., 2017). Además, los eventos adversos inmunes de alto grado, en particular con el bloqueo Dual CTLA-4 y PD-1, deben considerarse cuando se toman decisiones clínicas. En este artículo, discutimos los pasos hacia el desarrollo de programas de inmunoterapia más efectivos para más pacientes con cáncer. Específicamente, revisamos la información inmunológica y clínica lograda con el uso del bloqueo del punto de control como guía para incorporar este enfoque en combinaciones terapéuticas más exitosas basadas en dos estrategias principales: reducción de la carga tumoral (efectos antitumorales directos) y el aumento de la inmunogenicidad tumoral (efectos antitumorales inmunitarios indirectos).
Los anticuerpos (ABS) que bloquean los puntos de control inmunes CTLA-4 y PD-1/PD-L1 han sido una forma bastante exitosa de inmunoterapia contra el cáncer. En los últimos 10 años, muchos pacientes con diferentes tipos de cáncer han sido tratados con un bloqueo de punto de control inmune con diversos grados de éxito, con pacientes con melanoma y linfoma de Hodgkin que experimentan el mayor beneficio, en términos de frecuencia de respuestas objetivas. El bloqueo de la vía CTLA-4 y PD-1 ha impactado significativamente la supervivencia de los pacientes con melanoma metastásico, produciendo respuestas duraderas en aproximadamente el 20-40% de los pacientes cuando se usan como monoterapias y en hasta el 60% de los cuando se combinan (Hodi et al. , 2010; Larkin et al., 2015; Robert et al., 2015a; Robert et al., 2015b; Weber et al., 2015; Wolchok et al., 2017). El bloqueo de PD-1 también ha logrado resultados clínicos impresionantes en pacientes con NSCLC avanzados, donde ahora se está investigando en combinación con el bloqueo CTLA-4 (Hellmann et al., 2016).
Se ha demostrado que la actividad clínica del bloqueo del punto de control se correlaciona con 3 parámetros principales:
Estos resultados implican que los tumores inmunogénicos en pacientes con menores cargas de enfermedad, que difieren sustancialmente de «yo» (basado en la carga de neoantígeno) e interactúan con las células T efectoras (basadas en la expresión de PD-L1), tienen más probabilidades de responder al bloqueo de punto de control (( respuestas de células T Ki67+ CD8+ que conducen a la eliminación tumoral). Por lo tanto, las estrategias que pueden aumentar la inmunogenicidad tumoral, favorecer el tráfico de células T intra-tumoras y reducir la carga tumoral deberían priorizarse teóricamente para la combinación con el bloqueo del punto de control para maximizar la probabilidad de un éxito terapéutico.
¿Cuántas son las fases principales para implementar la IO?
En un artículo anterior, expliqué las tres fases de PP.io, «Centro fuerte», «Centro Débil», «Decenter». ¿Por qué debería implementar gradualmente la red de almacenamiento descentralizada PP.io en tres pasos:
En pocas palabras, en el triángulo imposible de blockchain, renuncié temporalmente a la descentralización por escalabilidad y consistencia.
Permítanme explicar primero qué es la teoría del triángulo imposible. Es decir, estos tres puntos, escalables, descentralizados y consistentes, no se pueden seleccionar todos juntos. Solo dos de ellos pueden ser seleccionados como máximo. Bitcoin y Ethereum sacrificaron la escalabilidad porque lo hicieron como una moneda digital cifrada.
Cuando estaba diseñando pp.io, sacrificé la descentralización por las necesidades reales de la escena.
¿Cuál es mi proceso de pensamiento detallado? Los siguientes tres aspectos son lo que consideré principalmente.
Los mecanismos de prueba de la criptomoneda, como Bitcoin y Ethereum, son muy simples. Están haciendo problemas matemáticos y adivinando números basados en un entero. Todos adivinan un número, tratando de encontrar un número con los ceros más consecutivos al principio, que también cumple con las reglas del juego. Quien adivina este número gane por primera vez, por lo que obtiene la recompensa del nuevo bloque.
Como puede ver, el algoritmo es muy simple. Debido a su simplicidad, este algoritmo es matemáticamente muy riguroso. Mientras este proceso de cálculo sea matemáticamente imposible de calcular hacia atrás, es muy seguro y no tiene lagunas. Debido a que este es solo un juego matemático, el algoritmo es, por supuesto, simple. Sin embargo, este cálculo matemático no tiene sentido: cuantas más personas se consumen minas de bitcoin, más recursos humanos se consuman.
¿Cómo se divide la investigacion de operaciones?
Se definen en esta sección un conjunto de términos que se usan en la práctica de la investigación de operaciones de enseñanza. Como con cualquier conjunto de términos, la lista no es exhaustiva. Sin embargo, creemos que los términos definidos son característicos de la práctica actual y abarcan un espacio significativo de la investigación de operaciones modernas.
La edición anterior, (1989) terminología de la ingeniería industrial, es la base para la mayoría de las definiciones de esta sección. Muchas gracias al comité de 1989 por su trabajo. Se han agregado algunos términos nuevos para esta edición y varios términos tuvieron sus definiciones ajustadas para reflejar la práctica o comprensión actual.
Máximo absoluto (mínimo). Se dice que la función f (x) definida sobre un conjunto d toma su máximo absoluto (mínimo) sobre d en un punto x* en d si f (x) ≤ f (x*), (f (x) ≥ f (x*)), para cada punto x en D.
Prueba acelerada. Una prueba en la que se elige el nivel de estrés aplicado para exceder el establecido en las condiciones de referencia para acortar el tiempo requerido para observar la respuesta al estrés del ítem o magnificar la respuesta en un momento dado. Para ser válido, una prueba acelerada no debe alterar los modos básicos y/o mecanismos de falla. [20]
Factor de aceleración. La relación entre los tiempos necesarios para obtener una proporción establecida de fallas para dos conjuntos diferentes de condiciones de estrés que involucran los mismos modos y/o mecanismos de falla. [20]
MUESTREO DE ACEPTACION. Inspección de muestreo en la que se toman decisiones para aceptar o no tener un producto o servicio; Además, la metodología que trata los procedimientos por los cuales las decisiones de aceptar o no aceptar se basan en los resultados de la inspección de muestras. Nota: En el muestreo de lote por lot, la aceptación y la no aceptación se relacionan con el lote individual. En muestreo continuo, aceptación y no aceptación se relacionan con unidades individuales, o con bloques de unidades consecutivas, dependiendo del procedimiento establecido.
Artículos Relacionados:
