- E. coli’nin kemotaksisi, tek bir hücrenin besin derişimindeki değişimleri algılayıp kısa süreli kimyasal bellek ve hareket kontrolüyle daha avantajlı yönü bulma sürecidir
- Hareket stratejisi, ileri yüzme olan run ile yönü rastgele değiştiren tumble oranının ayarlanmasına dayanır; CheY ve fosforillenmiş CheY-p temel sinyali taşır
- Çekici madde derişimi arttığında CheY-p akışı azalır, kamçı motorunun ters dönmesi düşer; bunun sonucunda tumble’a göre run süresi uzar ve besine doğru hareket etme olasılığı artar
- Reseptörlerin metilasyonu, mevcut derişimi yeni referans çizgisi olarak ayarlayan bir adaptasyon düzeneğidir; E. coli’nin çekici madde derişimi 5 basamaklık bir aralıkta bile küçük değişimleri algılamasını sağlar
- Reseptör dizilimleri, fosforilasyon/defosforilasyon devreleri, kamçı motoru, protein difüzyonu ve bireyler arasındaki molekül sayısı farkları bir araya gelerek tek bir hücrenin fiziksel bilgisayar gibi çalışmasını sağlar
E. coli yönünü run ve tumble ile seçer
- E. coli, belirli kimyasalları algılayan reseptörlerle çekici maddeleri saptar ve kamçı kuyruğunu kullanarak hareket biçimini değiştirir
- Hareket, iki durumun birleşimi olarak basitleştirilebilir
- run: Birden çok kamçı motoru aynı yönde döner, kuyruklar tek bir demet hâlinde sarılır ve hücre ileri doğru ilerler
- tumble: Bir veya daha fazla motor ters yönde döner, kuyruk demeti çözülür ve hücre rastgele bir yöne doğru döner
- Homojen bir kimyasal ortamda run ve tumble’ın karıştığı rastgele yürüyüş yapar
- Temel durumda run yaklaşık 1 saniye sürer
- Tumble, run’dan yaklaşık 10 kat daha kısadır
- Run ve tumble oranı, keşif ile yararlanma arasında denge kurar
- Run çok uzun veya çok sık olursa besini geçip gidebilir
- Run çok kısa veya çok seyrek olursa besini bulmak zorlaşır
CheY ve CheY-p hareket kararını iletir
- Temel sinyal molekülü CheY’dir
- CheY sitoplazmada dolaşır ve reseptör kompleksi ile kamçı motoru arasında bilgi taşır
- Reseptör kompleksiyle karşılaştığında belirli bir oranda fosforillenerek CheY-p hâline gelir
- CheY-p, CheY’den farklı olarak kamçı motoruna güçlü biçimde bağlanır
- Motora yeterli CheY-p bağlanırsa motorun dönüşü tersine döner
- Dönüşün tersine dönmesi tumble’a yol açar
- Çekici madde derişimi arttığında CheY’nin CheY-p’ye dönüşme akışı zayıflar
- CheY-p azaldıkça motora bağlanan CheY-p de azalır
- Motorun ters dönmesi ve tumble azalır
- Hücre daha uzun süre run yapar ve çekici maddeye doğru hareket etme olasılığını artırır
- Bu sinyal akışı bir kimyasal yükselteç gibi çalışır
- Bakteri hücresi sinyali 50 kattan fazla yükseltebilir
- Reseptör doluluk oranındaki %2’lik değişim, kamçı motoru çıktısında %100’lük değişime yol açabilir
- Hücre hacmi başına 3’ten az moleküllük değişimler bile algılanabilir
Metilasyon mevcut derişimi yeni referans çizgisine dönüştürür
- Yalnızca çekici madde artışına tepki veren basit bir sistem, derişim çok yükseldiğinde kolayca doygunluğa ulaşabilir
- Gerçekte E. coli, çekici madde derişiminin 5 basamaklık aralığında hassas biçimde tepki verir
- Hücre ulaştığı mevcut derişimi yeni normal durum olarak ele alır
- Bu durumda küçük bir artış yeniden hassas bir tepkiyi tetikler
- Bu adaptasyon, reseptör yapısının metilasyonu ile ilişkilidir
- Çekici madde reseptöre bağlandığında reseptörün destek yapısı biçim değiştirir
- Yapıdaki cepler açılır ve metil gruplarının bağlanmasına olanak tanır
- Metilasyon ilerledikçe reseptörün sinyal iletme gücü yumuşar; aynı tepkiyi elde etmek için daha fazla çekici madde gerekir
- Her reseptörde birden çok metilasyon konumu ve her reseptörde birden çok destek yapısı bulunduğundan sönümleme düzeyi geniş aralıkta ayarlanabilir
- Reseptör metilasyon düzeyi basit bir kimyasal bellek gibi çalışır
- E. coli, çevredeki çekici madde derişiminin son birkaç saniyede artıp artmadığını ya da azalıp azalmadığını iç kimyasal modifikasyon durumunda saklar
- Bu bilgi, o an yüzülen yönün avantajlı mı dezavantajlı mı olduğunu değerlendirmek için kullanılır
Fosforilasyon ve defosforilasyon hızlı bir kontrol devresi oluşturur
- Kemotaksi devresi, proteinleri sürekli modifiye edip geri döndüren dinamik bir sistemdir
- CheA, CheY’yi fosforilleyerek CheY-p’ye dönüştürür
- CheZ, CheY-p’yi defosforilleyerek CheY’ye geri çevirir
- CheR reseptörü metiller
- CheB reseptörden metil gruplarını kaldırır
- Bu tür devreler dışarıdan enerji israf eden bir döngü gibi görünse de hücre için hızla ayarlanabilen bir aygıt hâline gelir
- Fosforilasyon ve defosforilasyon akışları sürekli döndüğü için bir taraftaki tepki azaltılır veya artırılırsa aktif protein derişimi hızla değişir
- Yeni proteinleri uzun üretim yollarıyla üretmektense tepki hızını daha hızlı ayarlayabilir
- Fosforilasyon/defosforilasyon kontrolü yaşamın genelinde çok yaygındır
- İnsan proteinlerinin yaklaşık %30–50’si kovalent bağlı fosfat grubu içerir
- Tipik bir memeli hücresi belirli bir anda yüzlerce tür protein kinaz kullanır
- Kemotakside bu döngünün hızı, hücrenin çekici madde düzeyi değişimlerine tepki verme hızını belirler
- Çekici madde eklendiğinde CheY’nin CheY-p’ye dönüşme akışı azalır
- Defosforilasyon devam eder ve CheY artar
- CheY artınca tumble azalır, run artar
Reseptörler biçim değişikliğiyle dış sinyali içeri iletir
- E. coli hücre zarına, çekici maddelere göre özelleşmiş reseptör proteinleri gömülüdür
- Örneğin aspartik asidi algılayan reseptör, aspartik asit molekülünün iyi oturduğu bir yarığa sahiptir
- E. coli’de bu tür çekici maddeye özgü 5~6 duyusal protein bulunur
- Reseptör, hücre zarının dışındaki algı bölgesi ile hücre içindeki CheW ve CheA sinyal proteinlerini birbirine bağlar
- Reseptörün toplam uzunluğu yaklaşık 350 angström, yani 35 nanometredir
- Bu tür yapılar X-ışını kırınımı ve kriyo-elektron mikroskobu gibi yöntemlerle incelenir
- Basitleştirildiğinde reseptör kompleksi büyük bir piston gibi çalışır
- Aspartik asit dış algı bölgesine bağlanır
- Reseptör sütun yapısı incelikli biçimde şekil değiştirir
- CheY’yi fosforillemesi gereken CheA kinazı inaktif durumda sabitlenir
- Reseptör kompleksleri E. coli gövdesinin ön kısmına yakın büyük diziler oluşturur ve kesitte altıgen desen gibi görünür
- İnsan koku duyusu da benzer bir ilkeye dayanır
- Koku molekülleri burun içindeki belirli reseptör proteinlerine bağlanır
- İnsanlarda yüzlerce koku reseptör proteini bulunur
- Köpeklerde 1.000’den fazla koku reseptörü geni vardır
Hücre içi sinyal iletimi hızlı difüzyona ve çarpışmalara dayanır
- CheY-p belirli bir yoldan motora yönlendirilmek yerine sitoplazmada difüze olur ve yaklaştığında bağlanır
- Hücre içi çok yoğun olsa da moleküller hızlı hareket eder
- Tipik bir bakteri hücresinde bir uçtaki enzim ile karşı uçtaki şeker molekülü ortalama olarak yaklaşık 1 saniye içinde en az bir kez çarpışabilir
- Hücre içindeki herhangi bir molekül birkaç saniye içinde neredeyse tüm diğer moleküllerle karşılaşabilir
- Böyle bir ortamda protein biçim değişiklikleri ve bağlanma afinitesi çok önemlidir
- Hücre içindeki moleküller durmadan birbirine yaklaşır ve bağlanma olasılığını sınar
- CheY-p ile CheY arasındaki fark, motor proteinine bağlanma olasılığını büyük ölçüde değiştirir
- E. coli çekici maddeye tepki verdiğinde hızı sınırlayan aşama, CheY-p’nin reseptör yakınından motora difüze olma süresidir
- Bu süre yaklaşık 0,1 saniyedir
- Floresanla işaretlenmiş CheY kullanarak canlı E. coli içinde hareketi izleyen deneyler de vardır
Kamçı motoru CheY-p bağlanmasıyla dönüş yönünü değiştirir
- Kamçı motoru incelikli bir moleküler nanomakinedir
- Enerji verimliliği neredeyse %100’e yakındır
- Saniyede yaklaşık 1.500 kez döner
- Tüm moleküler nanomakineler gibi kendi kendine birleşir
- Motorun tabanında FliG, FliM, FliN proteinleri bulunur
- CheY-p ulaştığında bu proteinlere bağlanır
- Tek bir CheY-p, motor yönünü değiştirmek için yeterli değildir
- Birden fazla CheY-p bağlanınca dönüş saat yönünün tersinden saat yönüne geçer ve tumble gerçekleşir
- Motor basit bir ikili durum değil, birden fazla dönüş durumuna sahiptir
- Saat yönünün tersine hızlı dönen durumdan, hızın azaldığı kademelere kadar çeşitli durumlar vardır
- Durma durumundan geçerek saat yönünde birden çok hız durumuna geçebilir
- Önerilen yön değiştirme mekanizması, FliM ve FliGc’nin biçim değişikliklerine dayanır
- CheY-p, FliM’e bağlanır
- FliM eğilir ve bağlı FliGc 90 derece döner
- FliGc, dönen kısım ile sabit kısım arasındaki temas noktasında ters yönde sürüşü tetikler
- CheY-p bağlansa bile CheZ bunu kaldırabildiği için etki sürekli geri çevrilir
- Ek sinyal yoksa hücre hızla referans durumuna döner
Tek bir motorun ters dönmesi bile tumble oluşturabilir
- Run durumunda birden çok kamçı aynı yönde hareket ederek tek bir demet oluşturur
- Kamçı demeti basit bir pervane değil, sarmal kuyrukların dönerek viskoz sıvı içinde itki oluşturduğu bir yapıya daha yakındır
- Ayrı kamçı filamentleri aynı fazda ve birbirine yakın dönerse birbirine sarılarak demet oluşturabilir
- Bir çalışma, içi boş Tygon tüpleri bir mandrele sarıp epoksiyle doldurarak makroskobik kamçı modeli oluşturdu
- Step motorlarla saat yönünün tersine dönüş sağlanarak kamçı demetlenmesi denendi
- Her sarmalın oluşturduğu akış alanı diğer sarmalı eğerek birbirlerine sarılmalarını ve demet oluşturmalarını sağladı
- Tek bir motor ters yönde dönerse kamçı demeti çözülür ve tüm hücre tumble durumuna girer
Aynı genlere sahip hücreler de farklı hareket eder
- E. coli topluluğu, tamamen aynı davranışı gösteren homojen bir kütle değildir
- 1976 tarihli bir Nature makalesi, Salmonella ve Enterobacter kemotaksisinde genetik olmayan bireyselliği ele aldı
- Aynı suşta bile çekici madde olan veya olmayan ortamlarda tepki farkları görülür
- O dönemde kesin düzenleme mekanizması bilinmiyordu, ancak tumble düzenleyici faktörlerinin sayısındaki farkın davranış farklılığı yaratabileceği varsayıldı
- Daha sonra ortaya çıkarılan mekanizma bu düşünceyle örtüşür
- Reseptör metilasyonunu düzenleyen CheR proteini hücre içinde yalnızca yaklaşık 100 adet bulunur
- CheB ile birlikte adaptasyon ve karşı-adaptasyon hızını düzenler
- Tüm hücrede yaklaşık 10 milyon protein olsa da CheR çok az bulunduğu için birkaç adetlik fark bile davranış üzerinde büyük etki yaratabilir
- Son deneyler, floresan mikroskobiyle E. coli hücreleri arasındaki bireyselliği nicel olarak ölçtü
- Bu bireysellik yalnızca gen ifadesi farklarından değil, sinyal ağı dinamiklerinden de kaynaklanır
Kemotaksi mekanizmasını ortaya çıkaran deneyler
- Canlı hücre içindeki tüm etkinlikleri aynı anda doğrudan gözlemleyen bir teknoloji henüz yok
- Sitoplazmadaki proteinlerin sıkışık hâlini gösteren çizimler, sıkı araştırmalara dayanan sanatsal sentezlerdir
- Tüm süreç tek bir sahnenin videosu olarak doğrudan çekilmiş değildir
- Başlıca deneysel yaklaşım genetik yöntemlerdir
- Genler tek tek bozulur ve mutant E. coli’nin davranışı gözlenir
- CheY, CheZ, CheW gibi adlar, ilgili gen kaldırıldığında kemotaksi kusuru oluşmasından yola çıkar
- Tüp içi protein deneyleri de kullanılır
- CheA, CheY, fosfat grubu ve reaktanlar bir araya konarak fosforilasyonun olup olmadığı ve miktarı gözlenebilir
- 1990 tarihli Cell makalesi izleyici olarak radyoaktif fosfat kullandı
- Floresan proteinler veya antikorlar kullanılarak protein konumu ve dinamikleri de gözlemlenebilir
- Yapısal biyoloji, bağlanma bölgelerinin fiziksel mekanizmasını ortaya çıkarmak için kullanılır
- X-ışını kristalografisi
- Nükleer manyetik rezonans görüntüleme
- Kriyo-elektron mikroskobu
- Süper çözünürlüklü optik mikroskopi
- Atomik düzeyde moleküler dinamik simülasyonları
- 1972’de Howard Berg ve Douglas Brown, kendi tasarladıkları 3 boyutlu izleme mikroskobuyla bakterilerin run ve tumble davranışını gözlemledi
- O dönemdeki makalede tumble yerine “twiddle” ifadesi kullanıldı
- Kamçı itişinin fiziği, kamçıyı mikroskop lamına sabitleme yöntemiyle de incelendi
- Sabitlenmiş durumda kuyruk gövdeyi döndürdüğü için hücre gövdesinin dönüş hızı ölçülebilir
- Kamçı motorunun proton itici kuvvetiyle çalıştığı, elektriksel potansiyelin varlığına bağlı run ve twiddle değişimlerini ölçen 1977 tarihli makaleyle anlaşıldı
- Çeşitli koşullarda dönüş şiddeti gözlendiğinde, dönüşün proton akışıyla güçlü biçimde bağlantılı olduğu görüldü
- Bir tam dönüşte yaklaşık 500 proton kullanılır
Bilgisayar modelleri varsayımları test edilebilir biçime dönüştürür
- E. coli kemotaksisi “in silico” biyolojinin ilk önemli örneklerinden biridir
- Bilgisayar modelleri varsayımların açıkça düzenlenmesini zorunlu kılar
- Model oluşturmak için her bileşen ve etkileşim somut olarak yazılmalıdır
- Model çalıştığında varsayımlarda değişiklik yaparak testler yürütülebilir
- Dennis Bray’in modeli, kemotaksi yolu bileşenleri silinmiş veya aşırı ifade edilmiş 60’tan fazla mutant için doğru fenotipler üretti
- Modeli uydurma sürecinde yeni deney yönleri de doğabilir
- Kısa uyarılara verilen tepkiyi uydurmak için CheR ve CheB adaptasyon enzimlerinin etkinliğini mevcut literatür değerlerinden en az bir basamak daha yüksek almak gerekti
- Kemotaksi araştırmalarının pratik uygulama olasılıkları da vardır
- Bakterilerin kemotaksi sinyal yollarını anlamak, bunları bozma yoluyla antibiyotik araştırmalarına uzanabilir
- Kemotaksi yolunu kullanarak kanser hücrelerini veya çevresel atıkları bulan “akıllı dedektörler” üretme olasılığı da vardır
- Daha geniş açıdan bakıldığında bakterilerin iki bileşenli düzenleme yolları; hücre bölünmesi, patojenite, antibiyotik direnci, metabolitlerin sabitlenmesi ve kullanımı, çevresel stres tepkisi, spor oluşumu ve taxis gibi çeşitli işlevleri kontrol eder
1 yorum
Hacker News yorumları
John Holland'ın "Hidden Order" kitabını bir kitap olarak değil, karmaşık uyarlanabilir sistemler oluşturmanın bir yöntemi olarak okursanız, özü birkaç şeye indirgenir: çevre, birden çok varlık, varlıkların etkileşime girebildiği okuma/yazma özellikli bir mesaj veri yolu ve her varlığın kuralları ile sensörleri
Bunları bir araya getirince düşünce ya da zeka ortaya çıkar. RIP yönlendirme protokolünün de karmaşık uyarlanabilir bir sistem olup olmadığını sorabilirsiniz
Sorunun bir kısmı düşünme biçimimizde. Kendimi tek bir kişi olarak görüyorum, karmaşık uyarlanabilir bir sistem olarak değil; ama gerçekte varlıklardan oluşuyorum, bir mesaj veri yolum var ve bu varlıklar algılıyor, eyleme geçiyor ve etkileşiyor
Bir karınca yığını ile karınca kolonisi arasındaki fark nedir, zeki olan karınca mı yoksa koloni mi gibi sorular, dilin düşünceyi sınırladığı Sapir-Whorf türü bir sorun da olabilir
“Bir bölümünü” dememin nedeni, uyarlanabilir sistemin yürüttüğü düşünce ve eylemlerin çok büyük bir kısmını kendisi olarak özdeşleştirmemesidir
Bir şehirde yaşayıp fazla yer değiştirmedikçe bu daha da böyledir; çok uzak yerlere ve kültürlere gidip kendi kültürünüzün en iyisi olduğunu varsaymadığınızda ise beyinde daha fazla şey işlemeye başlar
Bu Reddit yorumu makaleden daha iyi özetliyor: https://www.reddit.com/r/MachineLearning/comments/dco3t1/com...
Bilinç belirli bir ölçekte gerçekleşiyor gibi görünüyor; tek tek hücrelerin gürültülü, olasılıksal faaliyetlerinden ziyade nöron gruplarından çıkan makro örüntüler ve faaliyetlerle birlikte değişiyor gibi. Yüz tanıma, konuşmayı algılama ya da hassas motor kontrolü nasıl ele aldığımızın bilincinde değiliz; yalnızca çok daha yüksek bir ölçekte bilinçliyiz. Ancak ABD gibi aşırı makro bir ölçekte bilinç olduğunu da düşünmüyoruz
Karmaşık uyarlanabilir sistemler iç içe geçebilir. İnsan aileleri, topluluklar, toplumlar ve hükümetler daha büyük birer Gestalt oluşturur; insanın kendisi de bunların içinde yer alan bir karmaşık uyarlanabilir sistemdir
Bu tür konuları seviyorsanız Siddhartha Mukherjee'nin “The Song of the Cell” kitabını şiddetle tavsiye ederim. Biyoloji konusunu erişilebilir kılan en iyi kitaplardan biriydi
https://www.amazon.com/Song-Cell-Exploration-Medicine-Human/...
Lise biyolojisinin nesnelerin adlarını ezberlemeye fazla odaklandığına tamamen katılıyorum. Bu kadar geniş bir dersi, ders kitabının bitmek bilmeyen bir bilgi listesine işaret ettiği bir yaklaşımla berbat etmek mümkün.
Oysa ilginç bir iki örneğe odaklanılsa, ilkokulda bile epey sofistike biyoloji öğretilebilirdi; bence sıkılanlardan çok daha fazla insan ilham alırdı.
Aynı konu ve neredeyse aynı soru sorulduğunda öğrencilerin bir seferinde hemen yanıt verip bir sonrakinde hiç yanıt verememesi gibi tuhaf bir olguyu fark ettiği bölüm.
“Dersimin asıl amacı, Brezilya’da bilimin hiç öğretilmediğini göstermekti” diyor.
https://v.cx/2010/04/feynman-brazil-education
Örneğin biyolojinin merkezi dogması, bilginin DNA’dan RNA’ya, RNA’dan da proteine çevrildiği fikridir. DNA’nın yapısı ve işlevi, RNA’nın çeşitli alt türleri, çeviri yapan proteinler, Slicer ve Dicer, üç harfli kodonlar ve amino asitler, mRNA’nın çekirdek dışına taşınması gibi konular adım adım ele alınabilir.
Ama az önce anlattığım merkezi dogmanın önemli bir kısmını artık olduğu gibi doğru kabul etmek zor. Modern mikrobiyolojinin neredeyse tamamı merkezi dogmanın “istisnaları”yla uğraşıyor; RNA ile protein arasında anlamlı bir farktan söz etmenin zorlaştığı noktalara geldik. Her hafta, hücrenin yaygın parçalarını anlamak için önemli olan RNA-protein hibritleri hakkında yeni makaleler çıkıyor; bu yüzden merkezi dogma bir yalandan çok kullanışlı bir kurguya yakın.
Bu, “for döngüsü”nün internetin çalışma biçimi olduğunu söylemeye benzer. İnternette for döngüleri vardır, önemlidir ve öğrenilmelidir; ama for döngülerine dair ilginç bir iki örnekle internet öğretilemez.
Biyolojiyi anlamak zordur; 4 milyar yılı aşkın yaşam ve ölümün ürünüdür. Birkaç örnekle bitirilemez; 12. sınıf düzeyinde bir anlayış için bir yıllık ders gerekir ve bu bile geniş bir alana yalnızca asgari başlangıç noktasıdır. İsimleri ve olguları öğrenmek, devasa miktarda bilgiyi birbirine bağlamak gibi zahmetli bir iş gerekir. Eğlence odaklı eğitim değil, emek gerekir.
Bu tür tek hücreli karmaşıklık ve zekâ, AGI tartışmalarında uzun zamandır benim sık döndüğüm konulardan biriydi. Bugünkü LLM furyasından çok önce de insanlar beyindeki nöron sayısını sayıp “birkaç yıl içinde beynin hesaplama gücüne sahip makineler çıkacak” türünden iddialı sözler söylüyordu.
Ama beyindeki her bir nöron şaşırtıcı derecede karmaşık ve bu karmaşıklığın düşünceye ve zekâya nasıl dönüştüğünü hâlâ pek bilmiyoruz. Fizik ve nesneler arasındaki etkileşimleri düşündüğümüzde, beyindeki her hücre bugün kullandığımız LLM’lerden daha karmaşıktır. Elbette bu, her hücrenin bir LLM gibi çıktı üretebildiği anlamına gelmiyor; tüm sisteme katkı yapan davranışın karmaşıklığının bu denli büyük olduğu anlamına geliyor.
Tek tek sinir hücrelerinin sinaptik girdileri çarpabildiğini, bütünleştirebildiğini ve geciktirebildiğini; bilginin zar voltajında, hücre içi kalsiyum yoğunluğunda ve tekil spike’ların zamanlamasında kodlanabildiğini hücresel biyofiziğin deneysel ve teorik sonuçlarıyla gösteriyor.
https://www.amazon.com/Biophysics-Computation-Information-Co...
Örneğin evrişimli sinir ağında bir çekirdeğin toplam ağırlıkları, giriş kanalı sayısı × çekirdek boyutu × filtre sayısıdır; yani 3×3 çekirdek, 3 kanal, 128 filtre varsa yalnızca 3.456 parametre eder. Ama aynı filtre tüm 2D giriş özellik haritası üzerinde kaydırıldığı için, 1280×720 HD görüntüde iki yönde stride 2 kullanıldığında 230.400 kez uygulanır ve etkin parametre aktivasyon sayısı 796.262.400 olur.
Evrişimli sinir ağlarının insan görsel korteksinden kısmen ilham aldığı uzun zamandır biliniyor [0]. Hızlı çalışması gereken insan görsel korteksinde tek bir çekirdeğin parametre paylaşımı mümkün değildir; ağırlıkların bir ölçüde paralelleştirilip beyinde kopyalanması büyük olasılıktır. Bu açıdan yapay sinir ağları avantajlıdır.
İnsan beynindeki nöronların, sürekli hücresel onarım nedeniyle bir ölçüde yedekliliğe sahip olması gerekir ve bilgisayar belleğinin doğrudan güncellenmesinden farklı olarak yalnızca Hebbian öğrenmeyle güncelleniyor gibi görünür. Ayrıca insan beyninin büyük bir kısmı hareket, dokunma, korku, kıskançlık, arzu gibi çevresel ve mantık dışı nedenlere ayrılmıştır; yapay sinir ağlarının amigdalanın savaş-kaç tepkisi gibi bölümlere aynı şekilde sahip olması gerekmez.
[0] https://msail.github.io/post/cnn_human_visual/
John Bonner’ın mükemmel kitabı “The Evolution of Culture in Animals” sayesinde tek hücrelerin bile “öğrenme” ve “kültür” gösterebileceği fikriyle tanıştım.
Bonner, hayvanlar arasında kopukluklar kurmak ya da insanı kategorik olarak ayrı bir yere koymak yerine, hem kültürü hem de öğrenmeyi bir süreklilik olarak gören bir bakış açısı geliştiriyor. Elbette farklar var.
https://press.princeton.edu/books/paperback/9780691023731/th...
Bu yazı, deyim yerindeyse o tavşan deliğine derinlemesine iniyor.
Bu tür içerikleri seviyorsanız, beyindeki tek bir nöronun karmaşıklığını ele alan “Information Processing in Single Neurons” adlı bir kitap da var
https://www.amazon.com/Biophysics-Computation-Information-Co...
Bu sürecin modelini kurmak için gereken tüm matematiği içeren, 2013 tarihli tamamen açık erişimli bir derleme var: “Quantitative modeling of bacterial chemotaxis: Signal amplification and accurate adaptation, Yuhai Tu”
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3737589/
İşin özü, reseptör iş birliği ve doğru adaptasyonun basit matematiksel modellerle nicel olarak açıklanabilmesi; sinyal yükseltme ile adaptasyonu birlikte içeren “standart model”in, zamanla değişen keyfi uyaranlara E. coli’nin verdiği yanıtı nicel olarak öngörmesi
Üstel rampalar, metilasyon oranı fonksiyonu F(a) üzerinden rampa oranına bağlı aktivite değişimleri oluşturur; salınımlı sinyal yanıtı ise düşük frekans bölgesinde E. coli’nin zaman türevini hesapladığını gösterir. Ayrıca E. coli, ligand konsantrasyonunun logaritmasını hatırlar ve E. coli kemotaksisinde Weber-Fechner yasası geçerlidir
Sinyal yükseltme mekanizması olarak reseptör komplekslerinin iş birlikçi faz geçişi de ele alınır ve fizikteki Ising ferromanyetik spin-spin etkileşimine benzer bir model kullanılır
Canlı bir hücrenin içindeki tüm faaliyetleri gözlemleyecek teknolojiye henüz sahip olmadığımız kısmında, hücre içindeki tüm atomların haritasını çıkarmaya ne kadar yakınız diye merak ediyorum
1 ml suda 1E23 atom var; E. coli yaklaşık 500 nm × 500 nm × 1 µm olduğundan, tüm hücrede yalnızca yaklaşık 2E10 atom bulunur
Tüm hücreyi dondurup ardından bir elektron demetiyle atomları tek tek kopararak kütlelerine göre tanımlamak gibi bir şey mümkün olabilir mi?
Ancak akıl almaz derecede pahalıdır ve pratikte tanımlanabilen şey genellikle bütün protein düzeyindedir. Yine de bunu bağlam içinde görebilmek muazzam derecede önemli
Hangi çözünürlüğün anlamlı olduğu ve hangi sürecin hangi dalını izlemek istediğiniz de ayrı bir sorun
Rastgele dönüp sonra düz gitme yöntemi, 1. nesil Roomba mantığını biraz hatırlatıyor
Sondaki “How did we figure all this stuff out?” bölümü gerçekten şaşırtıcı
Doğanın ölçek değişmezliği de burada açıkça görülüyor. Hücreler insan ölçeğine göre “küçük”, ama insan ölçeğinde var olan herhangi bir makine kadar karmaşık. Doğada mutlak anlamda küçüklük ya da büyüklük yok
in silico deneyler alan dışındaki kişiler tarafından hafife alınabilir. Hesaplama gücündeki artışın bu alanı nasıl değiştirdiği ve değiştirmeye devam edeceği açık. Rastgele molekülleri kurcalamaktan ya da Petri kabında tehlikeli şeyler büyütmekten, DNA tabanlı hızlı bilgisayar simülasyonlarına geçmek öğrenme hızı açısından büyük bir sıçrama
Ölçek için fiziksel sınırlar da var. Kemiklerin taşıyabileceği ağırlığın bir sınırı var; kimyasal süreçler de örneğin azami enerji dağıtım hızı gibi kısıtlamalara tabi