exercices physiologiques

[…] la technique yogique implique plusieurs catégories de pratiques physiologiques et d’exercices spirituels (appelés anga, "membres"), que l’on doit avoir appris si l’on veut obtenir l’ekâgratâ et, à la limite, la concentration suprême, samâdhi. Ces "membres" du Yoga peuvent être considérés à la fois comme formant un groupe de techniques et comme étant des étapes de l’itinéraire ascétique et spirituel dont le terme dernier est la libération définitive. Ils sont : 1° les refrènements (yama) ; 2° les disciplines (niyama) ; 3° les attitudes et positions du corps (asanas) ; 4° le rythme de la respiration (prânâyâma) ; 5° l’émancipation de l’activité sensorielle de l’emprise des objets extérieurs (pratyâhâra) ; 6° la concentration (dhâranâ) ; 7° la méditation yogique (dhyâna) ; 8° samâdhi […].

Auteur: Eliade Mircea

Info: Dans "Techniques du yoga" pages 83-84

[ liste progressive ] [ enseignement ]

langage

En ce qui nous concerne, lorsqu'il s'agit de distinguer notre nation des autres, nous avons toujours utilisé le terme Mami8inni. Ce nom nous plait beaucoup, car il est très rigolo. Il se rapporte à notre goût pour la récolte des petits fruits que la terre-Maman nous offre durant la douce saison : fraises, framboises, bleuets (appelés myrtilles en Europe), etc. Or, pour cueillir ces fruits, il faut bien se pencher. Et qu'est-ce qui s'offre au regard du visiteur qui arrive sur les lieux où la communauté entière s'affaire à récolter les précieuses baies ? Toute une famille d'arrière-trains - des petits, des gros, des charnus, des maigres, des jeunes, des vieux - se dressant paisiblement sous le soleil ! Voilà qui nous sommes : la tribu aux postérieurs fièrement dressés vers le ciel !

Auteur: Rankin Dominique

Info: on nous appelait les sauvages

[ exotique ]

structuration sémiotique

Les trois typologies de signes dépendent respectivement (I) du signe lui-même, (II) de la manière dont le signe représente son objet désigné et (III) de la manière dont le signe représente son objet pour son interprète. Chacune des trois typologies est une division à trois voies, une trichotomie, via  trois catégories phénoménologiques 

1 Qualisigns, sinsigns, et legisigns.  Chaque signe est soit  A (qualisign) une qualité ou une possibilité, soit  B (sinsign) une chose individuelle réelle, un fait, un événement, un état, etc., soit C (legisign) une norme, une habitude, une règle, une loi. (Appelés aussi  a) tons, jetons, et  b) types, aussi potisignes, actisignes*, et c)  famisigns).

2 Icônes, indices et symboles.  Chaque signe fait référence soit A (icône) par sa similarité avec son objet, soit B (index) par son lien factuel avec son objet, soit  C  (symbole) par une habitude interprétative ou une norme de référence à son objet.

3 Rhèmes, dicisigns et arguments.  Chaque signe est interprété soit comme A  un terme (rhétorique), représentant son objet en termes de qualité, soit B comme une proposition (dicisign), représentant son objet en termes de faits, soit  C comme un argument (argumentaire), représentant son objet en termes d'habitude ou de droit. Voilà la trichotomie de tous les signes en tant qu'éléments de base de l'inférence. 

*En ce qui concerne les Qualisigns B ) Actisignes, ou Objets,  ce sont des Signes tels qu'expérimentés hic et nunc, tels que tout mot unique à un endroit unique dans une phrase unique d'un paragraphe unique d'une page unique d'un exemplaire unique d'un livre. Il peut y avoir répétition de tout le paragraphe, ce mot inclus, à un autre endroit. Mais cette autre occurrence n'est pas ce mot. Le livre peut être imprimé dans une édition de dix mille exemplaires ; mais ce mot n'est présent que dans mon exemplaire.*

Auteur: Peirce Charles Sanders

Info: WIkipedia et diverses sources. *Manuscrit. Lettres à Lady Welby, MS [R] L463

[ triades ] [ classification sémantique ] [ grammaire ]

sciences

36'000 sexes, mais à deux, c'est mieux pour les biologistes de l'évolution, le sexe est un mystère - et le binôme mâle-femelle un paradoxe. Explications sur l'origine des genres.
"L'émergence des genres reste un problème déroutant en biologie, lance Lukas Schärer, spécialiste de l'évolution de la reproduction à l'Université de Bâle. Nous ne comprenons pas encore tout à fait le sexe."
Car la présence de deux sexes amène un désavantage immédiat: elle réduit de moitié la probabilité de rencontrer un partenaire de reproduction. "Avoir deux genres n'est pas seulement une mauvaise stratégie; c'est la pire", renchérit Laurence Hurst, biologiste à l'Université de Bath (G.B.) et l'un des spécialistes mondiaux de l'évolution de la reproduction. Avec un seul genre - ou une multitude -, nous pourrions nous reproduire avec tout le monde.
La reproduction sexuée présente des avantages évidents sur le plan de l'évolution (voir encadré plus bas). Mais qui dit sexe ne dit pas forcément mâle et femelle: il est tout à fait possible de fusionner deux cellules similaires. "Il faut distinguer deux étapes, précise Laurence Hurst. D'abord, on doit pouvoir expliquer l'émergence de deux types de gamètes (les cellules reproductrices, ndlr) qui - tout en restant morphologiquement identiques - ne peuvent fusionner que l'un avec l'autre. Un deuxième niveau concerne leur différenciation en gamètes mâles et femelles, qui sont non seulement distincts, mais également différents." "Des théories existent, ajoute Lukas Schärer, mais leur démonstration univoque par des expériences fait encore défaut."
La faute aux mitochondries
Dans les années 1990, Laurence Hurst a proposé une piste pour élucider la première étape: un seul genre favoriserait des mutations potentiellement nuisibles. "En fusionnant, les gamètes ne combinent pas seulement les informations génétiques contenues dans leur noyau, mais partagent aussi leurs mitochondries (responsable de fournir la cellule en énergie, ndlr), explique le biologiste anglais. Comme celles-ci évoluent indépendamment du noyau, il n'est pas certain que les mitochondries dominantes, qui par exemple se reproduisent plus rapidement que les autres, s'avèrent également bénéfiques à la cellule et à l'individu."
Une solution à ce problème serait procurée par l'émergence de deux types de gamètes (appelés "+" et "-"), dont un seul est capable de transmettre ses mitochondries. On réduit ainsi les probabilités d'avoir des mutations mitochondriales délétères à la cellule. Afin de propager les types de mitochondries bénéfiques à l'individu, il y aurait un avantage évolutionniste à ce que seuls les différents types de gamètes puissent fusionner entre eux.
"Notre thèse est appuyée par des observations faites sur des protozoaires ciliés, poursuit Hurst. Ceux qui se reproduisent par fusion et mélangent leurs mitochondries ont deux genres alors que d'autres, qui ne font qu'échanger leur noyau sans partager leurs mitochondries, possèdent non pas deux mais des centaines de genres distincts. On observe le même phénomène chez les champignons: ils n'échangent que leur noyau, et certains possèdent jusqu'à 36'000 sexes." Avoir exactement deux sexes servirait ainsi à filtrer les mitochondries.
A quoi ressemble l'acte de chair lorsqu'on a plusieurs genres? "Les deux partenaires doivent être d'un genre différent, répond Lukas Schärer. Au niveau des probabilités, un nombre élevé de sexes se rapproche de l'absence de genre de plusieurs façons, car on peut se reproduire avec à peu près tout le monde. L'existence de genres protège les individus de l'auto-fertilisation, qui est dangereuse car elle expose souvent des mutations délétères." De nombreux sexes, donc, pour éviter la consanguinité.
La naissance du mâle
Mais pourquoi les + et les - se sont-ils ensuite différenciés en "mâles" et "femelles"? Dans les années 1970, le biologiste Geoff Parker a proposé un mécanisme évolutionniste. Des mutations ont changé la taille des cellules reproductives. Graduellement, deux types d'individus ont été sélectionnés, qui produisent soit des spermatozoïdes petits, nombreux et de valeur limitée, soit des oeufs gros, rares et précieux. Les premiers peuvent être produits en très grand nombre, ce qui augmente la probabilité de rencontre. Grâce à leur grande taille, les seconds ont davantage de chances d'être fécondés et peuvent fournir une grande quantité de matière au zigote (obtenu par la fusion des gamètes), ce qui améliore ses chances de survie. "L'évolution de l'anisogamie (des gamètes de tailles différentes, ndlr) a eu lieu plusieurs fois au cours de l'évolution et ceci de manière indépendante", rappelle Brian Charlesworth, professeur de biologie évolutionnaire à l'Université d'Edimbourg. "L'anisogamie a probablement moins de chance d'évoluer dans des espèces plus petites, car l'avantage procuré par un grand oeuf joue un rôle plus faible", note Lukas Schärer.
Reste encore la différentiation au niveau de l'individu: pourquoi la plupart des animaux comprennent des mâles et des femelles - au lieu de favoriser l'hermaphrodisme? Ce dernier s'accompagne du risque d'autofertilisation et des problèmes dus à la consanguinité, mais atténue la difficulté de trouver un partenaire. Cet avantage pourrait être un facteur déterminant chez les plantes: incapables de se déplacer, elles sont en grande majorité hermaphrodites. Au contraire des animaux, qui eux ont les moyens de partir chercher l'âme soeur.
Les bienfaits du sexe
Le but de la chair, c'est de mélanger pour mieux s'adapter. En combinant les gènes des deux parents, la reproduction sexuée permet de sélectionner les bonnes mutations et de purger les mauvaises. "Des expériences avec des levures modifiées pour se reproduire asexuellement ont montré qu'elle s'adaptent moins rapidement aux changements de l'environnement, détaille Laurence Hurst de l'Université de Bath (G.B.). On a pu observer que certaines espèces capables d'utiliser les deux modes de reproduction favorisent la voie sexuée lorsqu'elles se voient soumises à des pressions de l'environnement." Une fois le danger passé, elles retournent au sexe en solitaire - également favorisé lorsque la rencontre d'un partenaire s'avère trop difficile.
Le kamasutra de la Nature
Entre des bactéries échangeant du matériel génétique et des champignons possédant des milliers de sexes, la Nature ne montre aucun tabou. Les hermaphrodites simultanés tels que la majorité des plantes et escargots possèdent les appareils génitaux mâles et femelles, alors que les hermaphrodites séquentiels (certains poissons et crustacés) changent de sexe au cours du temps. Les êtres hétérogames (amibes sociales, micro-crustacés, algues) peuvent alterner entre reproduction asexuée et sexuée. On a observé que les femelles d'un certain nombre d'animaux (dont le dragon du Komodo et le requin marteau) peuvent parfois se passer de mâle pour se reproduire par parthénogenèse lorsque rencontrer l'âme soeur s'avère trop difficile. Les polyploïdes, eux, ne possèdent pas des paires de chromosomes comme la plupart des animaux sexués, mais de multiples copies: une espèce de salamandre n'a que des femelles possédant leurs chromosomes en triple. Elles se reproduisent par "cleptogénèse", en volant des spermatozoïdes de variétés voisines.
80 millions d'années sans sexe: un scandale évolutionnaire
Même si les premiers êtres vivants unicellulaires comme les bactéries se sont toujours reproduits de manière asexuée, "la plupart des êtres multicellulaires asexués ont évolué à partir d'espèces sexuées, note Brian Charlesworth de l'Université d'Edimbourg. Ils n'ont pas eu le temps de se diversifier et sont normalement d'origine récente." La découverte que des invertébrés aquatiques asexués appelés bdelloidés ont survécu quelque 80 millions d'années fut qualifiée de "scandale évolutionnaire" par le biologiste John Maynard Smith. Autre particularité, ces invertébrés pratiquent une forme d'hibernation: face à une pression environnementale, ils peuvent sécher et entrer en animation suspendue. En 2008, une étude d'Harvard apporte un élément de réponse: lorsqu'ils se réveillent, les bdelloidés incorporent l'ADN étranger se trouvant à proximité. Même pour les êtres asexués, le mélange des gènes semble incontournable pour survivre.

Auteur: Saraga Daniel

Info: Largeur.com, 25 mai 2011

[ couple ] [ reproduction ]

legos protéiques

De nouveaux outils d’IA prédisent comment les blocs de construction de la vie s’assemblent

AlphaFold3 de Google DeepMind et d'autres algorithmes d'apprentissage profond peuvent désormais prédire la forme des complexes en interaction de protéines, d'ADN, d'ARN et d'autres molécules, capturant ainsi mieux les paysages biologiques des cellules.

Les protéines sont les machines moléculaires qui soutiennent chaque cellule et chaque organisme, et savoir à quoi elles ressemblent sera essentiel pour comprendre comment elles fonctionnent normalement et fonctionnent mal en cas de maladie. Aujourd’hui, les chercheurs ont fait un grand pas en avant vers cet objectif grâce au développement de nouveaux algorithmes d’apprentissage automatique capables de prédire les formes rdéployées et repliées non seulement des protéines mais aussi d’autres biomolécules avec une précision sans précédent.

Dans un article publié aujourd'hui dans Nature , Google DeepMind et sa société dérivée Isomorphic Labs ont annoncé la dernière itération de leur programme AlphaFold, AlphaFold3, capable de prédire les structures des protéines, de l'ADN, de l'ARN, des ligands et d'autres biomolécules, seuls ou liés ensemble dans différentes configurations. Les résultats font suite à une mise à jour similaire d'un autre algorithme de prédiction de structure d'apprentissage profond, appelé RoseTTAFold All-Atom, publié en mars dans Science .

Même si les versions précédentes de ces algorithmes pouvaient prédire la structure des protéines – une réussite remarquable en soi – elles ne sont pas allées assez loin pour dissiper les mystères des processus biologiques, car les protéines agissent rarement seules. "Chaque fois que je donnais une conférence AlphaFold2, je pouvais presque deviner quelles seraient les questions", a déclaré John Jumper, qui dirige l'équipe AlphaFold chez Google DeepMind. "Quelqu'un allait lever la main et dire : 'Oui, mais ma protéine interagit avec l'ADN.' Pouvez-vous me dire comment ?' " Jumper devrait bien admettre qu'AlphaFold2 ne connaissait pas la réponse.

Mais AlphaFold3 pourrait le faire. Avec d’autres algorithmes d’apprentissage profond émergents, il va au-delà des protéines et s’étend sur un paysage biologique plus complexe et plus pertinent qui comprend une bien plus grande diversité de molécules interagissant dans les cellules.

" On découvre désormais toutes les interactions complexes qui comptent en biologie ", a déclaré Brenda Rubenstein , professeure agrégée de chimie et de physique à l'Université Brown, qui n'a participé à aucune des deux études. " On commence à avoir une vision plus large."

Comprendre ces interactions est " fondamental pour la fonction biologique ", a déclaré Paul Adams , biophysicien moléculaire au Lawrence Berkeley National Laboratory qui n’a également participé à aucune des deux études. " Les deux groupes ont fait des progrès significatifs pour résoudre ce problème. "

Les deux algorithmes ont leurs limites, mais ils ont le potentiel d’évoluer vers des outils de prédiction encore plus puissants. Dans les mois à venir, les scientifiques commenceront à les tester et, ce faisant, ils révéleront à quel point ces algorithmes pourraient être utiles.

Progrès de l’IA en biologie

L’apprentissage profond est une variante de l’apprentissage automatique vaguement inspirée du cerveau humain. Ces algorithmes informatiques sont construits à l’aide de réseaux complexes de nœuds d’information (appelés neurones) qui forment des connexions en couches les unes avec les autres. Les chercheurs fournissent au réseau d’apprentissage profond des données d’entraînement, que l’algorithme utilise pour ajuster les forces relatives des connexions entre les neurones afin de produire des résultats toujours plus proches des exemples d’entraînement. Dans le cas des systèmes d'intelligence artificielle protéique, ce processus amène le réseau à produire de meilleures prédictions des formes des protéines sur la base de leurs données de séquence d'acides aminés.

AlphaFold2, sorti en 2021, a constitué une avancée majeure dans l’apprentissage profond en biologie. Il a ouvert la voie à un monde immense de structures protéiques jusque-là inconnues et est déjà devenu un outil utile pour les chercheurs qui cherchent à tout comprendre, depuis les structures cellulaires jusqu'à la tuberculose. Cela a également inspiré le développement d’outils supplémentaires d’apprentissage biologique profond. Plus particulièrement, le biochimiste David Baker et son équipe de l’Université de Washington ont développé en 2021 un algorithme concurrent appelé RoseTTAFold , qui, comme AlphaFold2, prédit les structures protéiques à partir de séquences de données.

Depuis, les deux algorithmes ont été mis à jour avec de nouvelles fonctionnalités. RoseTTAFold Diffusion pourrait être utilisé pour concevoir de nouvelles protéines qui n’existent pas dans la nature. AlphaFold Multimer pourrait étudier l’interaction de plusieurs protéines. " Mais ce que nous avons laissé sans réponse ", a déclaré Jumper, " était : comment les protéines communiquent-elles avec le reste de la cellule ? "

Le succès des premières itérations d'algorithmes d'apprentissage profond de prédiction des protéines reposait sur la disponibilité de bonnes données d'entraînement : environ 140 000 structures protéiques validées qui avaient été déposées pendant 50 ans dans la banque de données sur les protéines. De plus en plus, les biologistes ont également déposé les structures de petites molécules, d'ADN, d'ARN et leurs combinaisons. Dans cette expansion de l'algorithme d'AlphaFold pour inclure davantage de biomolécules, " la plus grande inconnue ", a déclaré Jumper, "est de savoir s'il y aurait suffisamment de données pour permettre à l'algorithme de prédire avec précision les complexes de protéines avec ces autres molécules."

Apparemment oui. Fin 2023, Baker puis Jumper ont publié les versions préliminaires de leurs nouveaux outils d’IA, et depuis, ils soumettent leurs algorithmes à un examen par les pairs.

Les deux systèmes d'IA répondent à la même question, mais les architectures sous-jacentes de leurs méthodes d'apprentissage profond diffèrent, a déclaré Mohammed AlQuraishi , biologiste des systèmes à l'Université de Columbia qui n'est impliqué dans aucun des deux systèmes. L'équipe de Jumper a utilisé un processus appelé diffusion – technologie qui alimente la plupart des systèmes d'IA génératifs non basés sur du texte, tels que Midjourney et DALL·E, qui génèrent des œuvres d'art basées sur des invites textuelles, a expliqué AlQuraishi. Au lieu de prédire directement la structure moléculaire puis de l’améliorer, ce type de modèle produit d’abord une image floue et l’affine de manière itérative.

D'un point de vue technique, il n'y a pas de grand saut entre RoseTTAFold et RoseTTAFold All-Atom, a déclaré AlQuraishi. Baker n'a pas modifié massivement l'architecture sous-jacente de RoseTTAFold, mais l'a mise à jour pour inclure les règles connues des interactions biochimiques. L'algorithme n'utilise pas la diffusion pour prédire les structures biomoléculaires. Cependant, l'IA de Baker pour la conception de protéines le fait. La dernière itération de ce programme, connue sous le nom de RoseTTAFold Diffusion All-Atom, permet de concevoir de nouvelles biomolécules en plus des protéines.

" Le type de dividendes qui pourraient découler de la possibilité d'appliquer les technologies d'IA générative aux biomolécules n'est que partiellement réalisé grâce à la conception de protéines", a déclaré AlQuraishi. "Si nous pouvions faire aussi bien avec de petites molécules, ce serait incroyable." 

Évaluer la concurrence

Côte à côte, AlphaFold3 semble être plus précis que RoseTTAFold All-Atom. Par exemple, dans leur analyse dans Nature , l'équipe de Google a constaté que leur outil est précis à environ 76 % pour prédire les structures des protéines interagissant avec de petites molécules appelées ligands, contre une précision d'environ 42 % pour RoseTTAFold All-Atom et 52 % pour le meilleur. outils alternatifs disponibles.

Les performances de prédiction de structure d'AlphaFold3 sont " très impressionnantes ", a déclaré Baker, " et meilleures que celles de RoseTTAFold All-Atom ".

Toutefois, ces chiffres sont basés sur un ensemble de données limité qui n'est pas très performant, a expliqué AlQuraishi. Il ne s’attend pas à ce que toutes les prédictions concernant les complexes protéiques obtiennent un score aussi élevé. Et il est certain que les nouveaux outils d’IA ne sont pas encore assez puissants pour soutenir à eux seuls un programme robuste de découverte de médicaments, car cela nécessite que les chercheurs comprennent des interactions biomoléculaires complexes. Pourtant, " c'est vraiment prometteur ", a-t-il déclaré, et nettement meilleur que ce qui existait auparavant.

Adams est d'accord. "Si quelqu'un prétend pouvoir utiliser cela demain pour développer des médicaments avec précision, je n'y crois pas", a-t-il déclaré. " Les deux méthodes sont encore limitées dans leur précision, [mais] les deux constituent des améliorations spectaculaires par rapport à ce qui était possible. "

(Image gif, tournante, en 3D : AlphaFold3 peut prédire la forme de complexes biomoléculaires, comme cette protéine de pointe provenant d'un virus du rhume. Les structures prédites de deux protéines sont visualisées en bleu et vert, tandis que les petites molécules (ligands) liées aux protéines sont représentées en jaune. La structure expérimentale connue de la protéine est encadrée en gris.)

Ils seront particulièrement utiles pour créer des prédictions approximatives qui pourront ensuite être testées informatiquement ou expérimentalement. Le biochimiste Frank Uhlmann a eu l'occasion de pré-tester AlphaFold3 après avoir croisé un employé de Google dans un couloir du Francis Crick Institute de Londres, où il travaille. Il a décidé de rechercher une interaction protéine-ADN qui était " vraiment déroutante pour nous ", a-t-il déclaré. AlphaFold3 a craché une prédiction qu'ils testent actuellement expérimentalement en laboratoire. "Nous avons déjà de nouvelles idées qui pourraient vraiment fonctionner", a déclaré Uhlmann. " C'est un formidable outil de découverte. "

Il reste néanmoins beaucoup à améliorer. Lorsque RoseTTAFold All-Atom prédit les structures de complexes de protéines et de petites molécules, il place parfois les molécules dans la bonne poche d'une protéine mais pas dans la bonne orientation. AlphaFold3 prédit parfois de manière incorrecte la chiralité d'une molécule – l'orientation géométrique distincte " gauche " ou " droite " de sa structure. Parfois, il hallucine ou crée des structures inexactes.

Et les deux algorithmes produisent toujours des images statiques des protéines et de leurs complexes. Dans une cellule, les protéines sont dynamiques et peuvent changer en fonction de leur environnement : elles se déplacent, tournent et passent par différentes conformations. Il sera difficile de résoudre ce problème, a déclaré Adams, principalement en raison du manque de données de formation. " Ce serait formidable de déployer des efforts concertés pour collecter des données expérimentales conçues pour éclairer ces défis ", a-t-il déclaré.

Un changement majeur dans le nouveau produit de Google est qu'il ne sera pas open source. Lorsque l’équipe a publié AlphaFold2, elle a publié le code sous-jacent, qui a permis aux biologistes de reproduire et de jouer avec l’algorithme dans leurs propres laboratoires. Mais le code d'AlphaFold3 ne sera pas accessible au public.

 " Ils semblent décrire la méthode en détail. Mais pour le moment, au moins, personne ne peut l’exécuter et l’utiliser comme il l’a fait avec [AlphaFold2] ", a déclaré AlQuraishi. C’est " un grand pas en arrière. Nous essaierons bien sûr de le reproduire."

Google a cependant annoncé qu'il prenait des mesures pour rendre le produit accessible en proposant un nouveau serveur AlphaFold aux biologistes exécutant AlphaFold3. Prédire les structures biomoléculaires nécessite une tonne de puissance de calcul : même dans un laboratoire comme Francis Crick, qui héberge des clusters informatiques hautes performances, il faut environ une semaine pour produire un résultat, a déclaré Uhlmann. En comparaison, les serveurs plus puissants de Google peuvent faire une prédiction en 10 minutes, a-t-il déclaré, et les scientifiques du monde entier pourront les utiliser. "Cela va démocratiser complètement la recherche sur la prédiction des protéines", a déclaré Uhlmann.

Le véritable impact de ces outils ne sera pas connu avant des mois ou des années, alors que les biologistes commenceront à les tester et à les utiliser dans la recherche. Et ils continueront à évoluer. La prochaine étape de l'apprentissage profond en biologie moléculaire consiste à " gravir l'échelle de la complexité biologique ", a déclaré Baker, au-delà même des complexes biomoléculaires prédits par AlphaFold3 et RoseTTAFold All-Atom. Mais si l’histoire de l’IA en matière de structure protéique peut prédire l’avenir, alors ces modèles d’apprentissage profond de nouvelle génération continueront d’aider les scientifiques à révéler les interactions complexes qui font que la vie se réalise.

" Il y a tellement plus à comprendre ", a déclaré Jumper. "C'est juste le début."

Auteur: Internet

Info: https://www.quantamagazine.org/new-ai-tools-predict-how-lifes-building-blocks-assemble-20240508/ - Yasemin Saplakoglu, 8 mai 2024

[ briques du vivant ] [ texte-image ] [ modélisation mobiles ] [ nano mécanismes du vivant ]