science physique

Les lois du mouvement de Newton ont permis d'énoncer sur une page des faits naturels qui, autrement, auraient nécessité des bibliothèques entières. Les lois de Maxwell sur l'électricité et le magnétisme ont eu un effet d'abrègement similaire.

Auteur: Libby Willard Frank

Info: In "Man's Place in the Physical Universe", Bulletin of the Atomic Scientists (septembre 1965), 21, n° 7, 16

[ historique ] [ mécanismes modélisés ] [ résumés mathématiques ]

homme-machine

L'analyse du concept d'esprit est une question philosophique importante, mais cet examen ne peut être réduit à la programmation de modalités physiologiques... Il souligne l'importance de la question quant à la façon dont les gens pensent et la façon dont les ordinateurs peuvent simuler la pensée.

Auteur: Sowa John Florian

Info:

[ réflexion ] [ mécanismes ] [ comparaison ] [ modélisation ] [ cybernétique ]

verbalisation

Toute sa théorie de la mémoire [de Freud] tourne autour de la succession des Niederschriften, des inscriptions. L’exigence fondamentale de tout ce système est d’ordonner dans une conception cohérente de l’appareil psychique les champs divers de ce qu’il y voit fonctionner effectivement dans les traces mnésiques.

Auteur: Lacan Jacques

Info: Le séminaire, livre VII : L'éthique de la psychanalyse

[ cartographie mentale ] [ mécanismes psychiques ]

psychologie

Au final la computation a démystifié beaucoup de grand mots. Les croyances sont des inscriptions dans la mémoire, les désirs des inscriptions pour des buts, la pensée est un calcul, les perceptions sont des inscriptions activées par des capteurs, tenter quelque chose est l'exécution d'opérations mises en oeuvre par un but.

Auteur: Pinker Steven

Info: How the Mind Works

[ mécanismes mentalistes ]

introspection

Mais il y a d'autres façons de revenir, de faire retour, qui ne sont pas ressasser ou radoter. On revient, on tourne autour, on revisite. On opère des connexions entre des situations que rien ne semblait nous prédisposer à rapprocher. Avez-vous observé la manière dont fonctionne notre mémoire ? De façon discontinue, désordonnée, accidentelle. Quand nous nous rappelons quelque chose, nous ne remontons pas le fil du temps comme quand nous rembobinons un film ou une cassette. Notre mémoire fonctionne par bonds, par sauts. Les souvenirs surgissent, abrupts, parfois imprévisibles. A l'improviste.
Alors disons que la mémoire résiste à la grammaire. S'il nous arrive de la plier à l'ordre grammatical, à des fins "publiques" (sociales), il n'en va pas nécessairement de même dans l'usage "privé " que nous en faisons.

Auteur: Hocquard Emmanuel

Info: In "Le Cours de Pise", éd. P.O.L, p. 518

[ mécanismes internes ] [ montage ] [ aléatoire ] [ associations ] [ analogies ]

humanisme frelaté

Lorsque vous entendez quelqu’un parler de "mâle blanc" vous pouvez être sûr que vous avez affaire à un idiot, dans le sens où il ne sait pas que son sujet est pris dans un discours, il croit que le langage est un pur instrument à sa disposition, ne se rendant compte à aucun moment qu’avant d’être parlant il est toujours déjà parlé...

IL N’Y A DE RACES QUE DE DISCOURS.

Pourquoi le principal effet de la lutte officielle contre le racisme est-il de perpétuer le racisme?

Ceux qui revendiquent publiquement au nom de l'Autre et pour l'Autre les modes de vie spécifiques de l'Autre ne font rien d'autre qu'affirmer leur propre supériorité, leur narcissisme pathologique, comme s'ils étaient eux-mêmes dégagés de leur propre communauté originelle, et qu'ils pouvaient ainsi statuer et juger en toute neutralité sur ce qui est bon pour l'Autre et pour les autres.

L'antiracisme est un racisme au second degré, le racisme "politiquement correct", un nanti-raciste est quelqu'un qui vit du racisme.

Le "politiquement correct" est à l'origine de toutes les violences sociales.

Il n'y a de races que de discours, le "discours" étant à entendre dans sa stricte acception lacanienne, comme dispositif prenant en compte la jouissance du sujet qui tente de faire lien social...

Si le Discours Universitaire est, en tant que Discours du Maître perverti, la structure qui soutient le discours dominant, c’est que que le Signifiant qu’il recèle, le Signifiant "un", placé au lieu de la Vérité, en bas à gauche, est précisément ce signifiant-là qui n’autorise pas le sujet à "refouler" complètement sa position d’énonciation, à oublier ce "d’où" il est toujours parlé autant qu’il parle, cela fait dire à Lacan qu’un peu de honte suffit à ne pas avoir une vie entière à mourir de honte...

Auteur: Dubuis Santini Christian

Info: Publication facebook du 01.08.20

[ reproduction inconsciente des mécanismes de domination ]

rétroactions informatives

Voici un résumé-synthèse exhaustif de notre échange machine-homme sur les parallèles entre épigénétique et langage.

L'épigénétique représente un dialogue complexe à plusieurs niveaux :

- Entre les gènes et l'environnement

- Entre l'hôte et les symbiotes

- Entre les cellules d'un même organisme

- Entre les générations

Ce dialogue se produit principalement au niveau moléculaire, impliquant l'ADN, les histones et les ARN. Il opère à différentes échelles, de l'intracellulaire à l'intergénérationnel.

Interactions à longue distance

Les interactions épigénétiques peuvent se produire sur de grandes distances, impliquant :

- Des boucles chromatiniennes

- Des domaines topologiquement associés (TADs)

- Des interactions interchromosomiques

Ces interactions s'étendent au-delà de la cellule, englobant l'organisme entier et son environnement.

Analogies avec le langage humain

Plusieurs parallèles ont été établis entre l'épigénétique et le langage humain :

- Importance du contexte dans l'interprétation

- Flexibilité et adaptabilité

- Utilisation de métaphores et symboles

- Opération à plusieurs niveaux de signification

- Aspects héréditaires et évolutifs

- Fonction de dialogue et de communication

Comparaisons approfondies

(Version chatgpt) Dans le cadre du langage humain, si l'on veut établir une analogie entre l'épissage (un processus biologique) et un phénomène en syntaxique linguistique, on peut le comparer à une forme de montage ou d'édition qui permet de structurer les phrases en enlevant certaines parties inutiles et en conservant celles qui ont un sens pertinent.

En biologie moléculaire, l'épissage est un processus qui intervient lors de la transcription de l'ADN en ARN. Il consiste à retirer les introns (les segments non codants) et à relier les exons (les segments codants), ce qui permet de produire un ARNm mature prêt à être traduit en protéine.

L'analogie en linguistique pourrait être la manière dont, dans une phrase ou un texte, on :

- Supprime les informations redondantes ou non pertinentes (similaires aux introns),

- Garde les informations significatives pour l'expression d'un message cohérent (exons ).

C'est un peu comme si, en écrivant ou en parlant, on filtre certaines idées ou mots pour structurer le message de façon optimale. En ce sens, l'épissage pourrait correspondre à un processus de révision ou de condensation syntaxique dans lequel les phrases sont réorganisées, simplifiées ou « épurées » pour produire un message compréhensible et cohérent.

En résumé, dans le cadre linguistique :

- Les introns = Les mots ou informations inutiles ou redondantes,

- Les exons = Les mots ou idées essentiels à la phrase,

- L'épissage = Le processus de suppression et de réorganisation des éléments pour créer un message final " mature " et fonctionnel.

SInon :

- Le langage humain tend vers une base double booléenne, tandis que l'épigénétique opère sur une base tétravalente plus nuancée.

- Le " langage " épigénétique est considéré comme plus ancré dans la réalité biologique immédiate.

Réflexions sur le langage humain

Le langage humain a été caractérisé comme :

- Plus "hors-sol" et abstrait

- Un outil grégaire favorisant la cohésion sociale

- Capable d'une virtualisation plus poussée

- Orienté vers la création de nouveaux concepts

Cette capacité d' abstraction et de virtualisation du langage humain représente à la fois une avancée significative et un potentiel éloignement de la réalité immédiate.

Conclusion

Cette analyse comparative met en lumière la complexité et la flexibilité de l'épigénétique, tout en soulignant le rôle unique du langage humain dans l'abstraction et la création conceptuelle. Elle révèle comment ces deux systèmes, bien que fondamentalement différents, offrent des perspectives complémentaires sur la communication et l'adaptation dans le monde biologique et social.

Auteur: perplexity.ai

Info: 6 octobre 2024

[ systèmes adaptatifs ] [ réseaux d'interaction dynamiques ] [ mécanismes d'auto-régulation ] [ cycles d'apprentissage biologique ] [ processus itératifs ] [   encodage adaptatif ] [ flux multi-échelles ] [ dialogues moléculaires et conceptuels ] [ cascades de signalisation récursives ] [ architectures évolutives ] [ réseaux de signalisation plastiques ] [ transduction ]

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 ]