liberté

Mais il n'y a jamais assez de temps." Le vrai temps", comme le disaient les prisonniers à qui je donnais des cours, m'expliquant qu'apparemment ils avaient tout le temps du monde, mais un temps qui n'était pas le leur.

Auteur: Berlin Lucia Brown

Info: Manuel à l'usage des femmes de ménage

[ richesse ]

dernières paroles

J'ai un vengeur tout prêt de ma mort. Celui-là même te punira d'avoir méprisé mes conseils, contre lequel je te les donnais tout à l'heure. Pour toi, changé si soudainement par l'enivrement du pouvoir, ton exemple apprendra à la postérité que les hommes, une fois qu'ils se sont livrés à la fortune, oublient même la nature.

Auteur: Charidème

Info:

[ exécution ]

adaptation

On dit couramment que la cécité accroît les perceptions auditives. Je ne crois pas que cela soit vrai. Ce n’étaient pas mes oreilles qui entendaient mieux qu’autrefois, c’était moi qui me servais mieux d’elles. (…) J’avais besoin d’entendre et d’entendre encore. Je multipliais les bruits à plaisir. Je secouais des clochettes, je donnais du doigt contre tous les murs, j’essayais la résonance des portes, des meubles, des troncs d’arbres, je chantais dans les pièces vides, je jetais des galets au loin sur les entendre siffler dans l’air puis s’ébouler.

Auteur: Lusseyran Jacques

Info: Et la lumière fut, p. 33

[ non-voyant ] [ monde sonore ]

vocabulaire

Dans une récente chronique, je donnais le mot "amant" comme exemple d'un terme dont le sens avait évolué et n'était pas le même dans la langue classique et et dans la langue moderne. Une lettre de protestation émanant d'un lecteur m'invite à préciser un peu les choses. Le changement de sens est indiscutable et signalé dans tous les dictionnaires importants. Dans la langue du XVIIe siècle, il désignait le plus souvent un amoureux, un soupirant et n'impliquait pas de relation sexuelle. Cela se vérifie dans des expressions comme les vers de Corneille, qui écrit :

"Tant qu'ils ne sont qu'amants, nous sommes souveraines,

Et jusqu'à la conquête ils nous traitent de reines."

Auteur: Romilly Jacqueline de

Info: Dans le jardin des mots

[ relatif ] [ diachronie ]

humour

[...] après les injections et masturbations d'usage, je fus inséminée un dimanche par un interne italien qui sifflotait 'Avanti o popolo alla riscossa, bandiera rossa trionfera' * tout en poussant sur la seringue qui envoyait les spermatozoïdes de Monsieur Poignet dans mon utérus. L'infirmière me tenait la main en souriant, et m'affirma qu'après les avoir examinés au microscope, elle les trouvait "très sympas". Je ne savais pas qu'on pouvait distinguer le caractère des spermatozoïdes au microscope. [...]
Neuf mois plus tard ou quasi, je donnais naissance à une petite fille porteuse du patrimoine génétique "très sympa" - même si à l'adolescence ce côté de son caractère s'atténua quelque peu, sans doute en raison du versant maternel sur lequel personne n'avait jugé bon de faire des remarques encourageantes lors des séances de monitorage.

Auteur: Thiébaut Elise

Info: Ceci est mon sang, p. 203-204. * En avant ô peuple, à la révolte, le drapeau rouge triomphera !

[ insémination artificielle ]

enfance

Je me souviens des chevaux

sous la lune

je me souviens que je leur donnais

du sucre

de blancs rectangles de sucre

qui ressemblaient à de la glace

et ils avaient des têtes qui ressemblaient à

des aigles

des têtes chauves qui auraient pu mordre mais qui

ne le faisaient pas.

Les chevaux étaient plus réels que

mon père

plus réels que Dieu

et ils auraient pu m’écraser les

pieds mais ils ne le faisaient pas

ils auraient pu faire toutes sortes d’horreurs

mais ils ne le faisaient pas.

J’avais presque cinq ans

mais je n’ai pas oublié ;

dieu qu’elles étaient fortes et douces

ces langues rouges baveuses

dégoulinant de leurs âmes.

Auteur: Bukowski Charles

Info: Les Jours s'en vont comme des chevaux sauvages dans les collines, Poche 2011

[ équidés ] [ poème ] [ homme-animal ]

féminisme

J’ai longtemps fait passer les hommes en premier : ils m’ont pris tout mon temps sans beaucoup me donner en retour, m’ont demandé d’être constamment meilleure à leurs yeux, sans chercher à être meilleurs aux miens. J’ai compris que si, moi, je leur donnais beaucoup de place dans ma vie, je n’étais pas leur priorité. D’autres hommes passeraient toujours avant l’estime qu’ils me portent.

Alors maintenant, je privilégie les femmes. Dans les livres que je lis, les films que je regarde, les contenus que j’absorbe, dans mes relations quotidiennes, pour que les hommes n’aient plus autant d’importance. Je privilégie cette sororité qui me fait du bien et qui me porte, qui me nourrit. Dans ma créativité, dans mon militantisme, dans mes réflexions sur moi-même et sur la société, tant de domaines où, je l’ai enfin compris, je n’ai pas besoin des hommes pour me construire.

Auteur: Harmange Pauline

Info: Moi les hommes, je les déteste

[ désillusion ]

Internet

Mon cabinet dentaire du Caire a été attaqué par les islamistes à deux reprises. Les mêmes ont failli nous lyncher, mon traducteur et moi, à l'Institut du monde arabe, à Paris, où je donnais une conférence en 2013. Je vis depuis des années avec l'idée que des gens veulent ma mort, parce que je serais, selon eux, contre l'islam - les journalistes de Charlie Hebdo ont d'ailleurs été exécutés pour les mêmes raisons. A leurs yeux, j'ai de l'influence, ce dont je suis fier. Bien sûr, j'ai eu peur. La peur vient se nicher dans votre tête mais disparaît aussi sec lorsque vous êtes confrontés aux situations les plus extrêmes. Quand, aux premiers jours de la révolutions égyptienne, un jeune homme qui se tenait à mes côtés a été abattu par un sniper, ma peur s'est définitivement envolée. Et puis, j'oublie tout dès que je prends la plume, ce qui m'évite de m'autocensurer. Pourtant, j'ai arrêté d'écrire pour la presse de mon pays. Le régime militaire n'a jamais opposé de veto à mes textes, mais il a fait pression sur les journaux pour que je sois traité d'une manière inacceptable, m'amenant à rompre notre collaboration. Restent mes livres, les médias occidentaux et surtout Twitter, où je compte 1500 000 followers. La preuve qu'il est désormais impossible de faire taire un écrivain.

Auteur: El Aswany Alaa

Info: Télérama N° 3392 - janvier 2015

[ liberté ] [ islam ]

obséquiosité

— Veux-tu me rendre un service ?

— Oui… Oui…

Je craignis qu’il ne me sollicitât d’une chose insignifiante ou bien trop importante. J’aime à rendre des services, de petits services, bien entendu, pour montrer ma bonté.

— Prête-moi cinquante francs.

Nos regards se rencontrèrent. Mille pensées me vinrent à l’esprit. Certainement, il en fut de même chez Billard. Entre nous, il n’y avait plus de barrière. Il lisait dans mon âme aussi facilement que je lisais dans la sienne.

La seconde d’hésitation qui, dans une telle circonstance, frappe chaque homme, disparut et, d’une voix qu’il m’était permis de rendre solennelle, je dis :

— Je vous les prêterai.

J’étais heureux, plus d’inspirer de la reconnaissance que de prêter. La conversation allait reprendre. Maintenant, je ne gênais plus. Je pouvais rester jusqu’à minuit, revenir demain et après-demain et toujours. S’il m’avait emprunté cinquante francs, c’était qu’il avait confiance en moi.

L’argent de ma pension était dans ma poche. Pourtant, je ne donnais pas à Billard ce qu’il m’avait demandé. Je faisais semblant de ne plus y songer. Je sentais que plus j’attendrais, plus on ferait l’aimable.

À présent, je jouais un rôle. À chacun de mes mouvements, on m’épiait, espérant que je sortirais mon portefeuille. Depuis des années, je n’avais eu une pareille importance. Un sourire accueillait chacune de mes paroles. On m’observait ; on craignait que je n’oubliasse.

Il faudrait être un saint pour résister à la tentation de prolonger cette joie.

Ah, comme j’excuse les gens riches !

Auteur: Bove Emmanuel Bobovnikoff Dugast Vallois

Info: Mes amis

[ pouvoir ] [ rapports de force ]

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 ]