relation amoureuse

J'attrape mon portable sur la table de nuit et le rallume. Cet objet s'installe dans ma vie, je l'oublie de moins en moins, il est devenu ce que je touche en premier le matin et en dernier le soir. Peu à peu, il avale tout : réveil, montre, agenda, appareil photo...

Depuis que je vis ici, il a dévoré mes enfants, mes amis, mon mari.

Est-ce parce qu'il contient Laurent que ce téléphone m'est désormais essentiel ? Sa voix y est enfermée avec tout un bric-à-brac d'objets du quotidien.

Auteur: Martinez Carole

Info: Les roses fauves

[ mobile phone ] [ addiction technologique ]

pré-internet

Lorsque le sans-fil sera parfaitement appliqué, la terre entière sera transformée en un immense cerveau, ce qu'elle est en réalité, toutes les choses étant des particules d'un ensemble réel et rythmique. Nous pourrons communiquer les uns avec les autres instantanément, quelle que soit la distance. Non seulement cela, mais grâce à la télévision et à la téléphonie, nous nous verrons et nous nous entendrons aussi parfaitement que si nous étions face à face, malgré des distances de plusieurs milliers de kilomètres ; et les instruments qui nous permettront de le faire seront d'une simplicité étonnante par rapport à notre téléphone actuel. Un homme pourra en porter un dans la poche de son gilet.

Auteur: Tesla Nikola

Info: In l'interview de John B. Kennedy, dans "When Woman is Boss", Collier's Magazine (30 janvier 1926), 17.

[ visionnaire ] [ téléphone mobile ]

technologie

La machinerie hyperpuissante des réseaux sociaux, fondée sur les ressorts les plus primaires de la psychologie humaine, n’a pas été conçue pour nous apaiser. Bien au contraire, elle a été construite pour nous maintenir dans un état d’ incertitude et de manque permanent.

Le client idéal de Sean Parker, de Zuckerberg et de tous les autres est un être compulsif, contraint par une force irrésistible de revenir sur la plateforme des dizaines, voire des centaines de fois par jour, à la recherche de ces petites doses de dopamine dont il est devenu dépendant.

Une étude américaine a démontré qu'en moyenne chacun d'entre nous exerce 2617 pressions par jour sur son smartphone. Pas vraiment le comportement d'une personne saine d'esprit, mais plutôt celui d'un junkie en phase terminale, qui se shoote à longueur de journée à coups de refresh et de like.

Auteur: Empoli Giuliano da

Info: Les ingénieurs du chaos, 2019

[ addiction ] [ mobile phone ] [ pnl ] [ captage de l'attention ]

analogie

Si on compare musique et écriture, les axes moteurs sont clairement la dominante pour la première et le verbe pour la seconde.

Si vous stoppez un mouvement harmonique musical sur l'accord de dominante, sans le résoudre, c'est à peu près comme si vous stoppez une phrase comme : "hier j'ai pris..." sans la préciser plus avant. Où comme si en maths on annonçait : bonjour, je vais vous dire mon âge, il est de de 10 X...   Dans les trois cas on reste comme suspendus dans le vide. 

Tels sont certaines des appréciations apportées par nos éducations communautaires. Programmations des habitudes. L'être a besoin de "reconnaître" des schémas dans les langages, de se rassurer, de les partager avec ses semblables. 

Rapidement certains s'ennuient, recherchent du piments, des saillances... contrastes, dépaysements... Voilà peut-être bien une des motivations dans notre quête enfantine d'extraterrestres.

D'un autre côté, structurés par ces éducations-vies-cultures qui codent "objectivement" la majeure partie des imprégnations multiples qui couches après couches nous ont constitués dès l'origine, nous voilà incapables de les voir, de les discriminer du reste...

Seulement capables de discerner ce que nous avons appris à voir, à écouter... et à utiliser.

Auteur: MG

Info: 8 mars 2015

[ limitation ] [ syntagmes ] [ langage ] [ mobile ] [ immobile ] [ fonction motrice ] [ cultures oeillères ] [ tension résolution repos ]

homme-machine

C'est un biologiste - Ludwig von Bertalanffy - qui, il y a longtemps, a perçu l'unité essentielle des concepts et des techniques de systèmes dans les divers domaines de la science et qui, dans ses écrits et ses conférences, a cherché à faire reconnaître la "théorie générale des systèmes" comme une discipline scientifique distincte. Il est toutefois pertinent de noter que les travaux de Bertalannfy et de son école, motivés principalement par les problèmes posés par l'étude des systèmes biologiques, sont beaucoup plus empiriques et qualitatifs dans leur esprit que ceux des théoriciens des systèmes qui ont reçu leur formation dans les sciences exactes. En fait, il y a encore un fossé assez large entre ceux qu'on nommera théoriciens des systèmes "animés" et les théoriciens des systèmes "inanimés", et il n'est pas du tout certain que ce fossé soit réduit, et encore moins comblé, dans un avenir proche. Certains pensent que ce fossé reflète l'inadéquation fondamentale des mathématiques conventionnelles -  celles de points précisément définis comme les fonctions, d'ensembles, les mesures de probabilité, etc. pour l'analyse des systèmes biologiques, et que pour traiter efficacement ces systèmes, nous avons besoin d'un type de mathématiques radicalement différent, les mathématiques des quantités floues ou nébuleuses qui ne sont pas descriptibles en termes de distributions de probabilité. En fait, le besoin de telles mathématiques devient de plus en plus évident, même dans le domaine des systèmes inanimés. 

Auteur: Zadeh Lotfi Aliasker

Info: "From circuit theory to system theory", Proceedings I.R.E., 1962, 50, 856-865. cité dans : Brian R. Gaines (1979) " General systems research : quo vadis ?

[ mobile-immobile ] [ entropie-néguentropie ]

dualité

C'est pour cette raison que Jung a peut-être raison de supposer que l'énergie est un concept universel applicable aussi bien au fonctionnement psychique qu'à l'univers physique. Jung décrit ensuite comment l'énergie a deux attributs, l'intensité et l'extensité. L'étendue (extensité) de l'énergie n'est pas transférable d'une structure à une autre sans en changer la structure ; l'intensité de l'énergie l'est. Par extensité, Jung fait référence à la qualité de l'énergie. En d'autres termes, il fait remarquer qu'il y a "quelque chose" qui se déplace d'un endroit à l'autre lorsqu'une transformation énergétique se produit.

Par exemple, une balle qui est frappée en ligne droite transporte avec elle de l'énergie en constante transformation. Il y a une énergie cinétique et une énergie potentielle gravitationnelle. La quantité d'énergie cinétique est continuellement transférée en énergie potentielle au fur et à mesure que la balle monte. Ainsi, au sommet de sa trajectoire, la balle est momentanément au repos, c'est-à-dire sans énergie cinétique, mais avec toute son énergie potentielle. L'évaluation de ses quantités d'énergie est intensive mais les qualités cinétiques et le potentiel sont considérables. La balle ne peut pas transférer sa qualité cinétique en qualité potentielle sans changer sa forme, par exemple en se cassant en plusieurs pièces.

De même, il y a un facteur psychique important qui n'est pas transférable. Le concept d'extensité et d'intensité de Jung est précurseur du concept d'ordre implicite et explicite de David Bohm, sur lequel j'aurai plus de choses à dire plus tard. Aussi précurseur de la division conceptuelle du monde en objets et en actions d'objets : sujets et verbes. Tout ceci comportant une complémentarité, une double manière de traiter l'expérience. Ce sont des indices de la division entre esprit et matière, physique et psychique, mots et images.

Auteur: Fred Alan Wolf

Info: The Dreaming Universe: A Mind-Expanding Journey into the Realm Where Psyche and Physics Meet

[ physique quantique ] [ bipolarité ] [ tao ] [ mobile ] [ immobile ] [ chair-esprit ]

monologue

Alors, entrons dans le dialogue avec une question que je me posais depuis très longtemps : comment Dieu parle-t-il, et à qui ? Lorsque je l’ai posée, voici la réponse que j’ai reçue :
Je parle à chacun. Tout le temps. La question n’est pas : à qui je parle, mais : qui écoute ?
Intrigué, j’ai demandé à Dieu d’élaborer à ce sujet. Voici ce que Dieu a dit :
Tout d’abord, remplaçons le mot parler par communiquer. C’est un bien meilleur terme, plus riche, plus précis. Lorsque nous essayons de nous parler (Moi à toi, toi à Moi) nous sommes immédiatement contraints par l’incroyable limite des mots. Voilà pourquoi je ne communique pas seulement en paroles. En réalité, je le fais rarement. Je communique le plus souvent par le sentiment. Le sentiment est le langage de l’âme.
Si tu veux savoir ce qui est vrai pour toi en ce qui concerne une chose précise, observe comment tu te sens par rapport à celle-ci. Les sentiments sont parfois difficiles à découvrir (et souvent même plus difficiles à reconnaître). Mais ta vérité suprême se trouve tapie dans tes sentiments les plus profonds.
Il s’agit d’arriver à ces sentiments. Je te montrerai comment. A nouveau. Si tu le souhaites.
J’ai alors dit à Dieu que je le souhaitais vraiment mais, qu’ à présent, je souhaitais encore davantage recevoir une réponse entière et complète à mes questions. Voici ce que Dieu m’a dit :
Je communique aussi par la pensée. La pensée et les sentiments ne sont pas la même chose, même s’ils se produisent parfois en même temps. En communiquant par la pensée, j’utilise souvent des images. C’est pourquoi les pensées sont plus efficaces que les seules paroles, en tant qu’outils de communication.
En plus des sentiments et des pensées, j’utilise également le véhicule de l’expérience pour communiquer intensément.
Finalement, lorsque les sentiments, les pensées et l’expérience échouent, j’utilise des paroles. En vérité, les paroles sont l’outil de communication le moins efficace. C’est l’outil le plus souvent ouvert à l’interprétation, le plus souvent mal compris.
Pourquoi donc ? A cause de la nature des paroles. Les paroles ne sont que des émissions de sons : des bruits qui représentent les sentiments, les pensées et l’expérience. Ce sont des symboles. Des signes. Des insignes. Elles ne sont pas la vérité. Elles ne sont pas ce qu’elles représentent.

Auteur: Neale Donald Walsch

Info: Conversations avec Dieu

[ mobile ] [ humain ] [ être infini ] [ prière ] [ spiritualité ]

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 ]