Цель исследования состоит в подтверждении результативности стратегии обучения коллективного классификатора, основанной на популяционной динамике в режиме конкуренции с сосуществованием, управляемой обучающими примерами, применительно к классификатору, отклик которого описывается моделью синтетической генной цепи, а также в сопоставлении стратегий обучения, основанных на режимах конкуренции с единственным победителем и с сосуществованием.

Методы. Используются модели конкурентной популяционной динамики, ранее предложенные для описания процесса обучения коллективных классификаторов, в форме систем обыкновенных дифференциальных уравнений. Отклик классификатора
описывается ранее предложенной моделью синтетической генной цепи. Результативность обучения характеризуется вероятностью правильного ответа обученного классификатора, оцениваемой по ответам на тестовые примеры. Сопоставляются результаты для двух стратегий обучения на примере двух задач классификации при разных способах определения порога классификации (по аналитической оценке и путём подбора) и при изменении параметров классификатора.

Результаты. Стратегия обучения, основанная на конкуренции с сосуществованием, даёт лучший или аналогичный результат в сравнении с обучением в режиме конкуренции с единственным победителем, в зависимости от условий задачи классификации и процесса обучения. При этом первая стратегия, в отличие от второй, не требует использования внешнего сортировщика клеток и своевременного прерывания процесса обучения и допускает квазиоптимальную аналитическую оценку порога классификации. Это достигается ценой усложнения системы, ограничения на количество типов клеток в составе классификатора и замедления процесса обучения.

Заключение. Коллективный классификатор, обучаемый в режиме конкуренции с сосуществованием, представляет собой искусственную экологическую систему с конкуренцией, управляемой обучающими примерами. Такая стратегия обучения сложна в плане биологической реализации, однако является шагом на пути к созданию самообучаемых многоклеточных классификаторов.