Русский
Русский
English
Статистика
Реклама

Природа

Перевод Растут ли леса лучше с нашей помощью или без?

23.11.2020 16:15:20 | Автор: admin

Страны всего мира обещают высадить миллиарды деревьев с тем, чтобы вырастить новые леса. Однако в новом исследовании демонстрируется, что потенциал поглощения углерода из атмосферы и влияния на изменение климата у лесов, восстанавливающихся естественным образом, гораздо больше, чем считалось ранее.




Когда Сюзан Кук-Паттон в Смитсоновском центре исследования окружающей среды в Мэриленде семь лет назад занималась постдокторантурой по теме восстановления лесов, она, по её словам, помогла высадить 20 000 деревьев в Чесапикском заливе. Это был очень ценный урок. Лучше всего в основном росли те деревья, которые мы не сажали, вспоминает она. Они естественным образом прорастали на земле, которую мы подготовили для посадок. Множество деревьев появлялось тут и там. Это стало хорошим напоминанием о том, что природа знает, что делает.

Что работает в Чесапикском заливе, работает, вероятно, и много где ещё, говорит Кук-Паттон, ныне работающая в благотворительной экологической организации The Nature Conservancy [сохранение природы]. Иногда нам просто нужно дать природе место, чтобы она снова там выросла естественным путём. Её вывод сделан из нового глобального исследования, согласно которому потенциал естественного роста лесов в плане поглощения углерода из атмосферы и влияния на изменение климата серьезно недооценивался.

Сейчас высадка лесов находится на пике моды. В Давосе на Всемирном экономическом форуме этого года прозвучал призыв высадить триллион деревьев. Одной из реакций правительства США на проблемы климата стало сделанное в прошлом месяце обещание высадить почти миллиард (855 млн) деревьев на площади в 1,1 млн га с помощью коммерческих и некоммерческих организаций, например, American Forests.

Евросоюз в этом году пообещал в рамках инициативы Green Deal высадить 3 млрд деревьев. В рамках Боннского соглашения 2011 года и Парижского соглашения 2015 года уже существуют цели восстановить более чем 344 млн га лесов в основном, посредством их высадки. Это чуть больше, чем площадь Индии, и на такой площади может расти примерно четверть триллиона деревьев.

Высадка деревьев повсеместно считается естественным решением проблемы изменения климата, способом регулировать его в течение следующих трёх десятилетий, пока мир работает над тем, чтобы добиться экономики, не выделяющей углеродов. Однако кое-кто возражает этому.

Никто не выступает против деревьев. Однако некоторые критики утверждают, что агрессивное стремление к выполнению целей посадки будет лишь прикрытием. Сотни миллионов гектаров земли будут захвачены быстрорастущими и часто нехарактерными для данной местности коммерческими монокультурными посадками: акациями, эвкалиптом и соснами. Другие спрашивают: зачем вообще сажать деревья. Если можно просто оставить землю для того, чтобы ближайшие леса засеяли её и заново заняли? Природа сама знает, чему нужно расти, и у неё это получается лучше всего.

В новом исследовании от Кук-Паттон и её соавторов из 17 научных и экологических организаций, опубликованном в журнале Nature, говорится, что оценки скорости накопления углерода естественным повторным ростом лесов, подтверждённые в прошлом году межгосударственным комитетом ООН по изменению климата, в среднем на 32% ниже, чем нужно. В случае тропических лесов эта цифра доходит до 53%.

Это исследование наиболее подробная из всех попыток разметить места, где леса могли бы вырасти естественным путём, и оценить их потенциал в накоплении углерода. Мы изучили почти 11 000 замеров поглощения углерода повторно вырастающими лесами, сделанных в 250 исследованиях со всего мира, рассказала Кук-Паттон.


Новые растения прорастают среди сгоревших деревьев Амазонки в бразильском штате Пара

Она обнаружила, что скорость накопления углерода в разных случаях может отличаться в сто раз в зависимости от климата, почвы, высоты над уровнем моря и характера ландшафта. Это гораздо больший разброс, чем считалось возможным ранее. Даже в рамках одной и той же страны разница могла быть огромной. Но в среднем естественная регенерация оказалась не только более разнообразной, но и способной поглотить больше углерода, с более высокой скоростью и более безопасным образом по сравнению с плантациями.

Кук-Паттон соглашается, что изменение климата в следующие десятилетия будет набирать обороты, и скорость накопления углерода будет меняться. Но если некоторые леса будут расти медленнее или даже вымирать, то другие, вероятно, будут расти быстрее благодаря эффекту удобрения почвы или увеличению содержания углерода в воздухе этот эффект иногда называют глобальным озеленением.

В исследовании насчитали 670 млрд га, которые можно оставить для повторного роста деревьев. Это не считая земли для пахоты или строительства, а также существующих ценных экосистем типа лугов и северных территорий, где разогревающие эффекты лесного полога перевесят охлаждающий эффект поглощения углерода из воздуха.

Комбинируя картографические данные и цифры по накоплению углерода, Кук-Паттон оценивает, что естественный прирост леса до 2050 года сможет связать в своей биомассе и почве 73 млрд тонн углерода. Это эквивалентно семи годам текущих промышленных выбросов по её словам, самое мощное из естественных решений проблемы климата.

Кук-Паттон сказала, что местные оценки накопления углерода в исследовании заполняют важный пробел в данных. Многие страны, собирающиеся выращивать леса для накопления углерода, собрали данные о том, чего можно достигнуть высадкой деревьев, однако не посчитали эквивалентных данных для естественной регенерации лесов. Мне постоянно присылают письма с вопросами, сколько углерода можно связать при помощи проектов естественного прироста лесов, говорит она. Мне приходилось отвечать, что это много от чего зависит. Но теперь у нас есть данные, которые позволят людям оценить, что будет, если просто поставить забор и дать лесу вырасти обратно самостоятельно.


Скорость накопления углерода в тоннах на гектар в год, в естественным образом восстанавливающихся лесах и саваннах

Новые местные оценки также позволяют сравнивать потенциалы естественного восстановления и посадок. Думаю, что посадки тоже могут иметь место к примеру, там, где пострадала почва, и деревья не растут, сказала она. Но думаю, что естественное восстановление леса серьёзно недооценено.

Что хорошего в естественном росте лесов чаще всего оно вообще не требует действий от человека. Природа постоянно восстанавливает леса по частям иногда по краям полей, или на заброшенных пастбищах, в кустарнике, в местах бывшей вырубки, или там, где лес находится в упадке.

Но поскольку для этого не нужно никаких политических инициатив, инвестиций или наблюдения, данных по этому вопросу сильно не хватает. Такой, например, спутник, как Landsat, хорошо справляется с поиском мест, где уничтожаются леса, поскольку это происходит внезапно и хорошо видно. Однако последующее их восстановление идёт медленнее, его тяжелее заметить и его редко изучают. Статистика по потере мирового лесного покрова, попадающая в громкие заголовки, обычно игнорирует эти процессы.

В исследовании редкого типа Филип Кёртси из Арканзасского университета недавно попытался обойти эту проблему, разработав модель, предсказывающую на основе спутниковых снимков причины исчезновения лесного покрова и, следовательно, потенциальную возможность его восстановления. Он обнаружил, что только четверть площади от исчезнувших лесов навсегда занимают результаты деятельности человека, такие, как постройка зданий, инфраструктуры или фермерство. Оставшиеся три четверти это лесные пожары, переложное земледелие, временные пастбища или заготовка леса. По крайней мере, у них есть потенциал естественного восстановления.

Ещё одно исследование, опубликованное в этом году, рассказывает о том, что такое восстановление идёт в широких масштабах и быстро даже в таких характерных для исчезновения леса местах, как Амазонка. Когда Юнься Ван из Лидского университета в Англии проанализировала недавно опубликованные Бразилией данные по Амазонке, она обнаружила, что 72% леса, которые сжигают фермеры для создания новых пастбищ, это не нетронутый лес, как предполагалось ранее, а недавно восстановившийся. Территорию очищали от леса, превращали в пастбище для скота, а потом оставляли. Лес возвращался туда так быстро, что её приходилось заново очищать уже через шесть лет. Такое быстрое восстановление вызывало путаницу, из-за которой эту территорию часто относили к местам, где старый лес вымирает.

Ван отметила, что если бы президент Бразилии Жаир Болсонару хотел бы сдержать обещание своего предшественника Дилмы Русефа, данное им на парижском климатическом саммите 2015 года, по восстановлению 12 млн га лесов к 2030 году, ему вообще не нужно было бы сажать леса. Он просто мог бы позволить им восстановиться, не очищая от леса новые территории.

Ещё один гигантский лесной массив, бразильский атлантический лес, уже движется по этому пути, медленно восстанавливаясь после века зачисток для освобождения территории под кофейные плантации и выпас скота. Правительство приняло пакт восстановления атлантического леса, по которому выплачивает фермерам субсидии для высадки новых лесов. Часто для этого используются деревья, предназначенные для получения бумаги. Но Камила Резенде из Федерального университета Рио-де-Жанейро говорит, что большая часть леса восстанавливается не посадками, а естественным, "спонтанным" методом. Остатки леса колонизируют заброшенные фермы. Она оценивает, что с 1996 года таким образом восстановилось порядка 2,7 млн га атлантического леса это примерно десятая часть всего массива.

Что-то похожее происходит и в Европе, где лесной массив восстановился на 43%, что часто происходит благодаря естественному занятию лесом территорий. К примеру, в Италии площадь лесного покрова увеличилась на миллион гектар. В бывших странах соцлагеря в Карпатах в 1990-е годы было заброшено 16% фермерских земель. Большая часть из них вновь занята знаменитыми буковыми лесами. В России бывшие пахотные земли площадью в две Испании вновь заняли леса. Курганова Ирина Николаевна, ведущий научный сотрудник РАН, называет это отступление плуга наиболее широкомасштабным и резким изменением методов использования земли в XX веке в Северном полушарии.

В США также наблюдается регенерация лесов в связи с тем, что за последние 30 лет была заброшена почти пятая часть пахотных земель. Весь восток США очистили от лесов 200 лет назад, говорит Карен Холл из Калифорнийского университета в Санта-Круз. Большая часть леса вернулась без активной высадки деревьев. По данным американской лесной службы, за последние три десятилетия восстанавливающиеся леса связали порядка 11% выбросов парниковых газов страны.


Рабочий высаживает молодые ситхинские ели в рамках проекта восстановления лесов в Додингтоне, Англия, в 2018

Основные опасения связаны с тем, что земли, предназначенные для посадки деревьев, будут отняты у леса, который мог бы вырасти на них естественным путём. В результате в таком лесу будет жить меньше диких животных, он будет не так удобен для человека, и, возможно, он свяжет не так много углерода.

Экологи часто отмахивались от экологических преимуществ естественного восстановления леса т.н. вторичного леса. Считается, что подобное восстановление неполное, в нём редко селятся дикие животные, и оно подвержено повторной очистке. Из-за этого многие предпочитают ручную посадку деревьев, имитирующую естественный лес.

Томас Кроуфер, соавтор широко разрекламированного прошлогоднего исследования, призывающего к глобальному восстановлению миллионов деревьев для поглощения двуокиси углерода, подчёркивает, что, хотя кое-где природа и может справиться с этим, людям нужно помочь ей, распространяя семена и саженцы.

Однако сейчас эти взгляды пересматриваются. Дж. Лейтон Рид, директор лаборатории Restoration Ecology в Виргинском технологическом институте, недавно высказывал опасения о наличии предвзятости в исследованиях, сравнивающих естественную регенерацию леса с посадками. Однако он сказал: Естественный рост прекрасная стратегия восстановления для многих ландшафтов, однако активные посадки местных растений всё равно будут лучшим вариантом в местах, где почва пострадала особенно сильно, или где преобладают сорняки.

Другие утверждают, что в большей части случаев естественное восстановление вторичного леса работает лучше, чем посадки. В своей книге Вторичный рост Робин Чаздон, специалист по экологии лесов, раньше работавшая в Коннектикутском университете, говорит, что вторичные леса до сих пор неправильно понимают, недостаточно изучают и недооценивают. А ведь это молодые самоорганизующиеся лесные экосистемы в процессе развития.

Она соглашается, что эти системы не являются готовым лесом. Но обычно они восстанавливаются удивительно быстро. Недавнее исследование показывает, что самостоятельно восстанавливающиеся тропические леса восполняют 80% биологического разнообразия за 20 лет, и часто 100% за 50 лет. Результат кажется лучшим, чем получается у людей, пытающихся высадить тропические экосистемы.

Обзор более 100 проектов восстановления тропических лесов, сделанный Ренато Крузейле из Международного института устойчивого развития Рио-де-Жанейро, с Чаздон в качестве соавтора, показал, что чаще добивались успеха вторичные леса, которым давали восстановиться естественным образом, чем проекты активного восстановления с ручными посадками. Иначе говоря, ручные посадки иногда могут даже ухудшить ситуацию по всем параметрам от количества птиц, насекомых и растений, до процента покрытия лесного полога, плотности деревьев и структуры леса. Природе лучше знать.

А теперь Кук-Паттон расширила этот пересмотр взглядов на естественное восстановление лесов и на потенциал накопления углерода. Возможно, у таких лесов и это получается лучше.

Холл говорит, что этот научный пересмотр требует и пересмотра политик. Бизнес-лидеры и политики ухватились за популярную идею высадки деревьев, и множество некоммерческих организаций и правительств во всём мире запустили инициативы по высадке миллиардов и триллионов деревьев по разным социальным, экологическим и эстетическим причинам.

Она признаёт, что на некоторых особенно пострадавших почвах придётся высаживать деревья, однако это должно остаться крайней мерой, поскольку это наиболее дорогой, и часто не самый успешный вариант.

Посадка триллиона деревьев за три десятилетия будет сложной логистической проблемой. Это очень большое число. Достижение этой цели потребует высаживать по тысяче новых деревьев ежесекундно, и так, чтобы все они выжили и выросли. Если учесть стоимость питомников, подготовки почвы, посева и прореживания, говорит Крузейле, получатся сотни миллиардов долларов. Будет ли в этом смысл, если естественный рост лесов выходит дешевле и лучше?
Подробнее..

Технологии в мире животных бабочки как сверхчувствительный сенсор запахов и вкусов

30.11.2020 12:14:44 | Автор: admin

Кто способен почувствовать сотню молекул вещества в кубическом метре воздуха, тот бабочка

Природа весьма изобретательный и умелый инженер. Каждое живое существо уникально и удивительно. Одно из таких существ бабочка. Некоторые виды бабочек идеальные органы химического чувства, ведь обоняние и вкус у них если не совершенны, то близки к этому.

Почему и запахи, и вкус рассматриваем в рамках одной статьи? Дело в том, что оба чувства базируются на хеморецепторах. Только обоняние это определение наличия определенных веществ в воздухе, а вкус то же самое, только во влажной среде. У бабочек обоняние работает благодаря антеннам, а вкус благодаря ротовым органам.

Начнем с обоняния


У большей части насекомых за обоняние отвечают так называемые обонятельные сенсиллы. Их форма чаще всего коническая. Располагаются сенсиллы, как уже говорилось выше, на усиках. Чем больше сенсилл, тем насекомое более чувствительно к запахам.

Например, у пчел на антеннах располагается около 6000 сенсилл. У других насекомых их может быть больше. У некоторых видов бабочек количество сенсилл на одной антенне достигает нескольких тысяч. А у такого вида, как Antheraea polirhemus, количество сенсилл превышает 60 000.


Электронная микрофотография участка антенны кукурузной совки (Helicoverpa zea Boddie) с трихоидными сенсиллами (по Lee, Baker, 2008). Источник

Сенсиллы связаны со специализированными группами нейронов. В каждой группе их несколько десятков. Сенсиллы пористые, они играют роль уловителей молекул химических веществ. Те, попадая в поры, взаимодействуют с отростками нейронов, которые, в свою очередь, отправляют электрический сигнал в нервную систему. Это и является определением запаха.


Схема строения тонкостенной хеморецепторной сенсиллы насекомого (по Gullan, Cranston, 2005):
1 дендриты; 2 пора; 3 поровые трубочки; 4 полость кутикулярного отдела сенсиллы, заполненная рецепторной жидкостью; 5 кутикула; 6 гиподермальная клетка; 7 ресничный синус; 8 текогенная клетка; 9 трихогенная клетка; 10 тормогенная клетка; 11 шванновская клетка; 12 сенсорные нейроны; 13 аксоны; 14 сколопоидная оболочка.


Многие знают, что самцы бабочек, особенно ночных, имеют гребенчатые антенны и чувствуют наличие самки за многие километры. Все благодаря огромному количеству сенсилл. Самки испускают феромоны, а самцы их улавливают и слетаются к источнику. Соответственно, наследство могут оставить те, у кого самое чувствительное обоняние (ну или кто по счастливой случайности оказался ближе всех, что тоже логично).

Энтомологи неоднократно проводили эксперименты с сатурниями. Так, выпущенные из окна движущегося поезда на разных интервалах самцы бабочек были способны вернуться к самке, находившейся от них на расстоянии вплоть до 12 км. Самцы были помечены, и около 26% из них смогли найти предмет своего обожания с расстояния в 11 км.


Известно, что самцы бабочек способны уловить молекулы феромонов самок, находясь за 3-6 км от них. Такой вид, как грушевая сатурния (павлиноглазка грушевая), способна на еще более впечатляющие гендерные подвиги, чувствуя наличие самки за 10 км. На текущий момент грушевая сатурния занимает первое место в списке живых детекторов запахов среди насекомых. Самцам тутового шелкопряда хватает 100 молекул феромона на 1м3 для того, чтобы обнаружить самку.

Прочие насекомые, конечно, тоже чувствуют запахи. Так, растительноядные членистоногие определяют подходящие им растения как раз по запаху. Иногда может показаться, что такое насекомое просто блуждает в поисках еды, но это не так оно идет к своей цели, пусть и не по прямой.


Свою пищу определяют по запаху жуки-падальщики, мухи, комары и прочие радующие нас насекомые. Давно известно, что большинство общественных насекомых тоже идентифицируют своих по запаху. Если в колонию случайно попадает чужак того же вида, его отгоняют либо убивают. Ну а что, он пахнет не так, как положено.

А что насчет вкуса?


Здесь тоже все в порядке насекомые являются почти идеальными детекторами наличия разнообразных химических веществ в жидкостях и твердых веществах. Притом органы вкуса у них располагаются в ротовых органах, на антеннах, передних лапках (привет тем же бабочкам) или даже яйцекладе. Правда, в последнем случае речь идет не совсем о вкусе, а о химических характеристиках субстрата, в которых будут отложены яйца.

Что касается бабочек, то когда они прикасаются передними лапками к сладкому веществу, их хоботок тут же реагирует. Кстати, ногами бабочки чувствуют гораздо меньшие концентрации веществ, чем человек, они примерно в 2000 раз чувствительнее. Ученые определили, что представители Lepidoptera способны отличать разные вещества друг от друга, включая очень слабые растворы хинина, сахарозы и т.п.

В основе вкусовых детекторов все те же сенсиллы, природа решила не изобретать велосипед заново. Только в этом случае сенсиллы толстостенные, а у основания каждой расположено не несколько десятков, а 3-5 нейронов. В редких случаях их количество достигает 50 это у единиц видов-дегустаторов. Принцип работы здесь все тот же: через поры химическое вещество проникает к верхней части нейрона и взаимодействует с ним.


Интересно, что во многих случаях нейроны, которые находятся у основания вкусовых сенсилл, узкоспециализированы. Пример муха Phormiaregina, у которой группы нейронов состоят всего из трех элементов. Но зато один нейрон осязательный, второй определяет сладкий вкус, атретий соленый. Все, что нужно мухе, сладкая пища, так что больше вкусов ей определять и не нужно.


А вот у других насекомых, например, пчел, нейроны более функциональны. Они могут определять все вкусы как сладкий и соленый, так и кислый или горький. Чувствительность большинства насекомых ко вкусам примерно такая же или чуть выше или ниже, чем у людей. Отличились здесь все те же бабочки.

На этом суперспособности бабочек заканчиваются?


Нет, они еще способны различать инфракрасное излучение и слышать ультразвук. Что касается первой способности, то она дает им возможность находить цветы в полной темноте или определять партнера.

А вот ультразвук вынужденный эволюционный инструмент. Ультразвуковой эхолот дает возможность бабочкам избегать летучих мышей, слыша издаваемые теми звуки. Кроме того, некоторые бабочки каким-то образом используют эхолокацию для ориентации в пространстве. Насколько можно понять, они не излучают ультразвук, а ориентируются по отраженным звукам. Такая способность дает им возможность избегать препятствий.


Подробнее..

Зеленый иммунитет как растения реагируют на травоядных насекомых

15.01.2021 12:16:15 | Автор: admin

Что спасает от гусениц, к сожалению, с котами не работает.

Взаимоотношения между растениями и травоядными животными можно с легкостью назвать сложными. С одной стороны, если бы не было травоядных, то растения могли бы расти и процветать. С другой стороны, переизбыток растений определенного вида привел бы к истощению ресурсов и вероятной гибели всего вида в конкретном регионе произрастания. В природе все связано, недаром в нашем лексиконе присутствует фраза пищевая цепочка. К примеру, овечки едят траву, а волки едят овец. Если нет волков, то овцы могут расплодиться и выкосить все поле. Если же нет овец, то волки голодают, а поле разрастается до предела, после которого также начинает чахнуть. Однако грандиозный план природы и ее взгляды на межвидовой баланс не отменяют того факта, что любые организмы тем или иным образом борются с теми, кто стоит выше в пищевой цепи. Ученым из Калифорнийского университета в Сан-Диего (США) удалось идентифицировать рецепторы, которые позволяют растениям чувствовать атаки травоядных. Как именно работает эта система, какие процессы она запускает, и как это помогает растениям противостоять травоядным? Ответы на эти вопросы мы найдем в докладе ученых. Поехали.

Основа исследования


Никто не будет отрицать важность травоядных в аспекте регулирования глобальных пищевых сетей (упрощенный пример про овец, волков и поле). Однако нельзя отрицать и пагубное влияние некоторых из них на сельское хозяйство. Все мы слышали о нашествиях саранчи, которая способна за очень короткое время подчистую уничтожить несколько гектаров посевов. Люди справляются с этой проблемой самыми разными методами: от применения химикатов до генетической модификации сельхоз культур.

Растения также не сидят сложа руки в ожидании быть съеденными. Многие виды обладают специфической реакцией на воздействие со стороны травоядных, которая базируется на восприятии специфических молекулярных структур, связанных с травоядными животными (HAMP от specific herbivore-associated molecular patterns). Ранее определить источник этой реакции не представлялось возможным. Однако в рассматриваемом нами сегодня исследовании ученые идентифицировали рецепторы, которые обеспечивают передачу сигналов и защиту в ответ на определенные HAMP, присутствующие в оральном секрете (OS от oral secretions) гусениц.

К примеру, коровий горох (Vigna unguiculata) и фасоль обыкновенная (Phaseolus vulgaris) специфически реагируют на OS посредством распознавания протеолитических фрагментов хлоропластной АТФ-синтазы (cATPC от chloroplastic ATP synthase -subunit), называемых инцептинами.

Доминирующий инцептин, присутствующий во время атаки гусеницы на коровий горох, представляет собой пептид из 11 аминокислот (AA от amino acid), называемый Vu-In (+ICDINGVCVDA-). Эпитоп* Vu-In не является редкостью среди cATPC последовательностей у растений, однако только виды из подтрибы* бобовых Phaseolinae реагируют на инцептин.
Эпитоп* часть макромолекулы антигена, распознаваемая иммунной системой.
Триба* ранг в биологической систематике, стоящий ниже семейства и выше рода.
У растений внеклеточные пептидные сигналы могут распознаваться специфическими рецепторами опознавания паттерна (PRR от pattern recognition receptors). По мнению ученых, бобовые кодируют рецептор инцептина (INR), обеспечивающий распознавание Vu-In. Посему в данном труде были рассмотрены все процессы, протекающие с участием инцептина, как ответ растения на атаку гусеницы.

Результаты исследования


Чтобы идентифицировать INR кандидатов, необходимо было исследовать вариацию ответа растений как на Vu-In, так и на менее биоактивный C-концевой усеченный инцептин, названный Vu-In-A (+ICDINGVCVDA-), обнаруженный в OS травоядной гусеницы (Anticarsia gemmatalis), предпочитающей именно бобовые. Дополнительно была проверена зародышевая плазма* коровьего гороха на наличие положительных ответов, вызванных Vu-In-A.
Зародышевая плазма* живые генетические ресурсы, такие как семена или ткани, хранимые в специальных банках (например, Всемирное семенохранилище на Шпицбергене) для разведения, сохранения и/или исследования.
Образцы Danila, Suvita и Yacine после нанесения Vu-In-A на поврежденные листья показали индуцированное производство этилена, тогда как от других образцов ответных реакции не было (1A).


Изображение 1

Хотя ответы на Vu-In-A были количественно низкими по сравнению с полностью активным Vu-In (1A), можно с уверенностью заявить, что существование качественной вариации ответа на более слабый вариант элиситора может быть опосредован генетической изменчивостью INR.

Для картирования INR были использованы популяции из 85 рекомбинантных инбридных линий* (РИЛ или RIL от recombinant inbred lines), полученных от скрещивания образцов Yacine (Vu-In-A-чувствительный) и 5877 (Vu-In-Aнечувствительный) для картирования локусов количественных признаков (QTL от quantitative trait locus). Также использовался набор из 364 образцов коровьего гороха для полногеномного поиска ассоциаций* (GWAS от genome-wide association studies).
Рекомбинантные инбридные линии* (RIL) представляют собой набор штаммов, которые можно использовать для картирования локусов количественных признаков. Родительские штаммы скрещиваются для создания рекомбинантов, которые затем инбредируются (скрещивание близкородственных форм в пределах одной популяции) до изогенности (генетической идентичности), что приводит к целостному образцу для картирования и анализа признаков.
Полногеномный поиск ассоциаций* исследование, связанное с определением ассоциаций между геномными вариантами и фенотипическими признаками.
Vu-In-A вызывал непостоянное производство этилена в разных образцах. QTL-картирование и GWAS показали, что ответы Vu-In-A сильно связаны с одним генетическим локусом в обеих популяциях ( и ).

В отличие от качественных вариаций в ответах растений на Vu-In-A, количественные вариации в ответ на Vu-In приводили к различным локусам-кандидатам, которые не соответствовали статистическим пороговым значениям QTL и GWAS, а потому в дальнейшем не рассматривались.

Наиболее высоко ассоциированными маркерами с ответом Vu-In-A как при картировании QTL, так и при GWAS, были однонуклеотидные полиморфизмы (SNP от single-nucleotide polymorphism) 2_22560, 2_22561 и 2_09070, охватывающие область 22 килобаз (кб) на 7-ой хромосоме (1D).
Килобаза* (кб) тысяча пар оснований. Относится к спаренным основаниям, которые являются парой двух азотистых оснований нуклеотидов на комплементарных цепочках нуклеиновых кислот, соединенная водородными связями.
Оба маркера (2_22560 и 2_22561) попали в RLP-кодирующий ген Vigun07g219600, что согласуется с потенциальной ролью в рецептор-опосредованных ответах инцептина.

Дабы оценить функцию INR кандидата, была выполнена временная экспрессия гена Vigun07g219600 из эталонного образца IT97K- 499-35 в Nicotiana benthamiana (растение, родственное табаку). После этого была проверена чувствительность к Vu-In.

Признаками защитных реакций, опосредованных рецепторами, являются выброс активных форм кислорода (АФК или ROS от reactive oxygen species) и выработка этилена. Временная экспрессия рецептора EFTu (EFR) в N. benthamiana вызвала ответы на пептид elf18, но не на Vu-In (2A).


Изображение 2

Экспрессия Vigun07g219600 избирательно активировала Vu-In-индуцированные ROS (2B и 2C) и продукцию этилена (2D) для Vu-In, но не elf18. Это подтвердило, что именно ген Vigun07g219600 кодирует функциональные INR.

Чтобы понять основу фенотипической изменчивости коровьего гороха, было выполнено клонирование и экспрессирование аллелей INR от шести образцов с дифференциальными ответами Vu-In-A. Вариация ответа Vu-In-A, первоначально наблюдаемая у коровьего гороха, соответствовала силе аллеля INR, поскольку только аллели INR от Vu-In-A-образцов гороха обеспечивали индуцированную Vu-In продукцию АФК и этилена в N. benthamiana (2E). Ученые отмечают, что ни один из протестированных аллелей не давал Vu-In-A ответов в N. benthamiana.

Учитывая, что все 364 протестированные образцы коровьего гороха реагируют на Vu-In, данные анализа подтверждают, что естественные вариации INR коровьего гороха определяют порог активации для слабого элиситора (Vu-In-A).

Важно и то, что INR представляет собой богатый лейцином (LRR)-RLP класс рецепторов, отличающийся от LRR-RK отсутствием внутриклеточного киназного домена. INR содержит 29 полурегулярных LRRs с промежуточным мотивом, предшествующим трансмембранному домену и короткому цитозольному сегменту. Локус INR у коровьего боба содержит Vigun07g219700 (72% сходства с AA), который неспособен обеспечивать Vu-In-индуцированную продукцию этилена при экспрессии в N. benthamiana. Но вот Phvul.007G077500 (из Phaseolus vulgaris) и Vradi08g18340 (из Vigna radiata), обладающие 90% сходства, вызвали образование этилена, индуцированное Vu-In.

Примечательно, что секвенированный геном P. vulgaris из образца G19833 содержит единственный рецептор RLP в локусе INR (1D) и устойчиво реагирует на инцептин.

Основной вывод проведенных сравнительных тестов заключается в том, что именно подгруппа бобовых, включающая Phaseolus и Vigna, уникальным образом кодирует функциональные INR, достаточные для того, чтобы вызывать у табака (N. benthamiana) HAMP-индуцированные ответы.


Изображение 3

Чтобы исследовать связывание инцептина, необходимо было достичь стабильной активности связывания пептида с INR внутри растения. Для этого был создан N-концевой Vu-In конъюгат (Acri-Vu-In), меченый акридином (флуоресцентный реагент). После этого измерялся сигнал люминесценции иммунопреципитированным полуочищенным INR-GFP, экспрессируемым в листьях N. benthamiana.

Иммунопреципитированный INR-Vu сохранял люминесцентный сигнал Acri-Vu-In, в то время как образец из контрольной группы, Phvul.007g087600, не демонстрировал никакого сигнала (3A). И Vu-In, и Vu-In-A конкурируют за удерживание Acri-Vu-In в концентрациях от 50 до 500 нМ (3B).

Для лучшего понимания потенциальных участков, которые могут опосредовать прямые физические взаимодействия INR с инцептином, была создана модель гомологии INR на основе кристаллической структуры эктодомена LRR FLAGELLIN-SENSING 2 (FLS2) и выполнено моделирование молекулярного докинга Vu-In. Предполагаемые конформации с наименьшей энергией оценивались по отношению к связываниям пептидов.
Молекулярный докинг* метод моделирования, позволяющий определить лучший вариант ориентации и конформации одной молекулы (лиганд) в участке связывания другой (рецептор).
Во множественных низкоэнергетических конформациях Vu-In кислотный остаток лиганда Asp10 показал консервативное положение связывания и конформацию за счет взаимодействия с обоими основными остатками INR-Vu His495 и Arg497 (3D).

Ранее проведенные исследования утверждают, что Asp10 является единственным AA, существенным для образования этилена, индуцированного Vu-In. Чтобы это проверить, INR-Vu у His495 / Arg497 заменили на Ala495 / Ala497. Это привело к потере удерживания Acri-Vu-In и продукции ROS, индуцированной Vu-In у N. benthamiana (3D).

Данные анализа показывают, что INR-Vu является достаточным для удержания Acri-Vu-In в табаке и что эта активность частично опосредуется боковыми цепями His495 / Arg497.

Поверхностные рецепторы LRR-типа у растений обычно связываются с корецепторами рецепторной киназы соматического эмбриогенеза (SERK) для передачи сигнала. Кроме того, RLP постоянно связываются с SOBIR1, который противодействует белку BIR1 и способствует защите растений.

Ассоциация INR как с AtSOBIR1, так и с VuSOBIR1 (Vigun09g096400) была конститутивной (3E), тогда как INR сильнее ассоциировалась с корецепторами AtSERK после обработки пептидом (3F и 3G). Следовательно, INR связывается с SOBIR1 аналогично вышеупомянутым LRR-RLP.


Изображение 4

Необходимо было проверить, достаточно ли только INR для активации защиты от травоядных у растения, от природы лишенных естественных реакций инцептина. Для этого была выполнена модификация N. benthamiana и Nicotiana tabacum трансгенами 35S: INR-Vu или 35S: INR-Pv. Множественные независимые трансгенные линии, экспрессирующие 35S: INR, успешно отвечали на Vu-In ( и ).

Транскриптомная характеристика Vu-In-индуцированных ответов в линии 1-5 INR-Pv N. benthamiana показала усиление регуляции характерных генов защиты от травоядных. Следовательно, было доказано, что два классических защитных маркера, ингибитор трипсина Кунитца (KTI) и аскорбатоксидаза (AscOx), активируются в присутствии как INR, так и Vu-In ().

В заключение был проведен практический тест, в котором использовались табак и личинки Spodoptera exigua. Гусеницы, поедающие растения, которые прошли этап трансгенных изменений, росли на 32-37% медленнее, чем в случае поедания не измененных растений (4D и 4E). Следовательно, гетерологичная экспрессия INR-Vu или INR-Pv вызывает защитные реакции у растений при атаке травоядных животных.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог


Для многих из нас растения являются частью пейзажа, будто они не живые организмы, а лишь декоративные предметы. Однако любое растение является сложным многоклеточным организмом, способным на удивительные вещи. В данном труде ученые установили, что некоторые виды бобовых распознают определенные вещества, которые входят состав орального секрета гусениц. Распознав атакующего, растение активирует защитный механизм, позволяющий ему противостоять травоядным гурманам.

Удивительно и то, что данный механизм, ввиду его активации через оральный секрет гусеницы, не будет активироваться в случае любых других физических повреждений. Другими словами, растение прекрасно понимает, когда листок был поврежден упавшей веткой, а когда его начинают есть.

Расшифровка принципов работы защитных механизмов разных видов растений имеет огромное значение для сельского хозяйства, ибо далеко не все растения обладают столь эффективной защитой. Генетические модификации, как бы к ним не относились некоторые люди, позволяют совершенствовать сельхоз культуры, делая их более устойчивыми к погодным колебаниям, нападкам паразитов и различным заболеваниям.

К примеру, возьмем один из самых популярных фруктов на планете банан. Существует так называемая панамская болезнь, вызываемая грибковым патогеном Fusarium oxysporum f.sp. cubense и поражающая ствол банановых пальм. Впервые грибок заявил о себе еще в 1950-ых годах, когда фактически истребил сорт бананов Musa acuminata, которые до этого был самым экспортируемым в страны Европы и Северной Америки.

На данный момент нет полноценной защиты или лечения от этого грибка. Распространяется он очень быстро за три года грибок может из одного дерева расползтись по всей плантации. К тому же этот грибок сохраняется в почве достаточно долго, а потому зараженную землю нельзя использовать около 40 лет. Сейчас ведутся исследования, в частности рассматривающие разные виды диких бананов, которые обладают природным иммунитетом от грибка. Выделение генов, отвечающих за защиту от грибка, и внедрение их в генную структуру коммерческих сортов является единственным вариантом эффективной болезни против панамской болезни.

Этот пример показывает, что генетические модификации это не то, что нам часто показывают в научно-фантастических фильмах с привкусом ужастика. Изменения генома того или иного организма, как правило, нацелено на его совершенствование, а порой и на его спасение. Конечно, дебаты насчет этичности некоторых генетических исследований не утихнут, пока светит Солнце. Тем не менее в любом споре рождается истина, потому развитие науки не прекращается, несмотря ни на что.

Пятничный офф-топ:

Далеко не все гусеницы предпочитают вегетарианское меню, есть и виды, которые с радостью полакомятся дрозофилой.

Офф-топ 2.0:

Пауки всегда рады, когда в их сети попадается очередная жертва, но порой для паука безопаснее отпустить добычу, нежели пытаться ее съесть.

Благодарю за внимание, оставайтесь любопытствующими и отличных всем выходных, ребята! :)

Немного рекламы


Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?
Подробнее..

Перевод Призёры ежегодного конкурса Королевского фотографического общества Британии Научный фотограф

14.02.2021 14:06:25 | Автор: admin


Королевское фотографическое общество объявило победителей очередного конкурса научный фотограф. Фотографии демонстрируются на манчестерском фестивале науки, который в этом году проходит в онлайне с 12 по 21 февраля. В конкурсе впервые принимают участие фотографии по теме изменение климата [фото кликабельны].


Ортофото Тистлегорма

Ортофото британского вооруженного сухогруза "Тистлегорм". Фотография корабля, затопленного немцами в 1941 году в Красном море, собрано из 15 005 кадров. Каждый из них был отредактирован так, чтобы общий вид был как у взгляда, направленного вертикально вниз. Популярное место для дайвинга (справа внизу видно дайверов). Корабль медленно превращается в местный коралловый риф.


Радужно-теневое селфи

Солнечный свет разлагается в спектр на стене, пройдя через призму. Чтобы оттенить спектр, фотограф снял его на фоне собственной тени на стене.


Северный Полюс под водой

Знак, обозначающий географический Северный полюс на 90 северной широты, расположен на морском льду, по большей части покрытом водой. Каждый год ледяная шапка Арктики уменьшается это прямое следствие изменения глобального климата.


Эмиссар Аполлона

Гелиоконцентраторная электростанция в Китае. 12 000 зеркал отражают солнечный свет на центральную башню, разогревая соль нитрата натрия. Теплообменник производит пар, крутящий турбины генератора. Тепловая инерция станции позволяет ей работать всю ночь, экономя до 350 000 тонн выбросов CO2 в год.


Узоры Тьюринга в реакции Белоусова Жаботинского

Гипнотизирующие узоры формируются благодаря реакции Белоусова Жаботинского, проходящей в чашке Петри. В чашке к одному химикату добавляются капли другого. В результате капли порождают концентрические круги и спирали благодаря тому, что по чашке проходят волны концентрации химических веществ. Математику процесса описал Алан Тьюринг.


Ритм пузырей для песни ''По-моему'' Фрэнка Синатры

На фото представлена последовательность изменений в мыльной плёнке, расположенной перед динамиком, через который играет песня По-моему. Различные звуковые частоты создают разные узоры, меняя толщину мыльной плёнки. На фото они отображаются в виде разных цветов.


Ловец тумана

Одна из основных проблем самообеспечения во многих регионах орошение сухих территорий. В городе Мокегуа на юго-востоке Перу развешивают сетки размером 105 м. На них конденсируется влага утреннего тумана, после чего воду собирают для орошения общественных полей.


Переезд гигантов

78-метровую лопасть для ветряка, расположенного в море близ побережья, везут через круговое движение в датском городе Тарп.


Lo Hueco

Учёные аккуратно удаляют камни с окаменелых позвонков динозавра, найденных в местечке ло Уэко в испанской провинции Куэнка. В 2007 году строители обнаружили огромные залежи окаменелостей времён верхнего мелового периода (100 млн 66 млн лет назад). На сегодня там обнаружили уже 10 000 окаменелостей.


Обеление кораллов

Макросъёмка коралла, подвергшегося отбеливанию. Это происходит, когда коралловые полипы в ответ на какой-либо стресс выбрасывают из себя водоросли, обычно живущие внутри них. Водоросли производят до 90% энергии, необходимой кораллам. Один из таких стимулов это повышение температуры воды.


Эксперимент Synlight в немецком аэрокосмическом центре

В эксперименте Synlight участвует 149 дуговых ксеноновых ламп. Они создают свет, в 10 000 раз более интенсивный, чем солнечное излучение. Он используется в разных экспериментах, например, добыче водорода из воды для создания топливных ячеек.


Сеть, удушающая океан

Кашалот, запутавшийся в старой рыболовной сети. 10% всего морского мусора составляет выброшенные рыболовные снасти, пришедшие в негодность. В подобных сетях запутывается большое количество различных морских животных, от китов и акул до черепах, рыб и морских птиц.


Мёртвая река

Скот ведут через песчаную отмель в поисках воды и травы. Кадр сделан близ города Гайбандха в Бангладеш. Там река Брахмапутра изменила своё русло, из-за чего многие деревни оказались в километрах от ближайшей доступной для их стад пресной воды.


Передовой эксперимент VIRGO+

Северное плечо гравитационной обсерватории Virgo+. Virgo+ состоит из двух плеч по 3 км в длину, расположенных под прямым углом друг к другу. Через трубы проходят лазерные лучи, проделывающие путь туда и обратно много раз, после чего они рекомбинируются и дают картину интерференции. Проходящие через детектор гравитационные волны вызывают изменения в этой картинке.


Изменение климата в Афганистане

Трёх девушек, шедших в школу в афганском городе Бамиан, накрыла пылевая буря. Учащение экстремальных погодных явлений в стране связывают с последствиями изменения климата.


Кость динозавра

Отполированный срез кости динозавра под микроскопом. Разные цвета дают отложения разных минералов. Цвета меняются из-за изменения минерального наполнения во время формирования ископаемого, и не связаны со структурой кости. На фото виден участок кости шириной 1,2 мм.


Сферическая аберрация

Простая сферическая линза внутри трубы с рисунком искажает проходящий чрез неё свет. Чем ближе к краю, тем сильнее искажение это результат сферической аберрации, когда свет не собирается в единую фокальную точку.
Подробнее..

Перевод Как StarCraft II может помочь экологам в изучении жизни на Земле

30.05.2021 18:13:46 | Автор: admin

Вряд ли Лу Барбе осмелится назвать себя заядлым геймером. Он занимается проблемами экологии в Университете Ренна во Франции, проводя большую часть времени среди растений. Но одна игра с самого детства захватила его воображение: StarCraft популярная онлайн-стратегия, в которой игроки накапливают ресурсы и создают армии инопланетных бойцов для ведения войн на внеземных территориях. "Игрок из меня никакой, говорит Барбе, но я понимаю, что происходит в игре".


Несколько лет назад, играя в StarCraft II (последнюю версию игры), Барбе понял, что помимо всех взрывов и лазерных ударов в игре происходит что-то ещё. Он обратил внимание, что события в StarCraft развиваются точно так же, как развивается любая экосистема."В игре имеется среда, говорит Барбе. В игре имеются ресурсы и организмы, конкурирующие друг с другом в этой среде. Всё это очень хорошо подходит под определение экосистемы".

На этом идея Барбе пока и ограничилась. Но в 2019 году DeepMind, дочерняя компания Google Alphabet по исследованию ИИ, выставила интеллектуального агента под названием AlphaStar против лучших в мире игроков в StarCraft II. AlphaStar превзошёл в мастерстве 99,8% геймеров-людей, получив заветное звание гроссмейстера высший ранг в игре и дополнив тем самым список побед ИИ над людьми.

После этого Барбе пришло в голову, что способности AlphaStar могут не ограничиваться управлением действиями инопланетян на выдуманной планете. Если StarCraft функционирует подобно экосистеме, возможно, игровые алгоритмы могли бы помочь исследователям в изучении экологических проблем Земли?

В статье, опубликованной в журнале Trends in Ecology and Evolution в 2020 году, Барбе вместе с другими экологами из Реннского университета и Университета Бригама Янга объясняет, как способность AlphaStar управлять сложной многомерной динамикой StarCraft может применяться для проверки идей о динамике развития экосистем в реальном мире с решением этой задачи традиционные модели пока справиться не могут.

Например, исследователи могут запускать агентов AlphaStar на картах StarCraft, созданных для имитации реалистичного распределения ресурсов, и создавать модели, на базе которых можно получить представление, как различные организмы реагируют на такие отклонения, как возникновение инвазивных чужеродных видов или уничтожение среды обитания.

Алгоритм AlphaStar, говорит Барбе, возможно, непреднамеренно стал самой сложной экологической моделью из всех существующих.

Идея использования мощных инструментов искусственного интеллекта для анализа экологических проблем не нова. Ещё 1520 лет назад инструменты ИИ использовались в экологии относительно редко, но исследователи отмечают, что в последнее время наблюдается бурный рост применения ИИ в этой области от классификации видов диких животных до прогнозирования увеличения популяций жуков в сосновых лесах.

По мнению экологов, инструменты ИИ в сочетании с новыми возможностями сбора большого количества данных о Земле позволят пересмотреть методы изучения экосистем и расширить возможности человека по прогнозированию таких изменений. В этих исследованиях могут помочь сложные алгоритмы, подобные AlphaStar, часто разрабатываемые для целей, не имеющих ничего общего с экологией.

"Сложность [большинства] экологических моделей ничтожно мала по сравнению со сложностью некоторых систем искусственного интеллекта, утверждает Бен Эббот, эколог из Университета Бригама Янга и соавтор статьи об AlphaStar. То, что умеем мы, экологи, не идёт ни в какое сравнение с тем, что умеют эти алгоритмы.

Как создавался чемпион

Для исследователей ИИ игра StarCraft II, вышедшая в 2010 году, стала сложным интеллектуальным вызовом. Так же как в шахматах или го, игроки StarCraft управляют различными отрядами, чтобы нападать на противников, но здесь игроки тоже выбирают, где и когда собирать ресурсы, когда создавать новые отряды, какие именно отряды создавать и тому подобное, и всё это в окружении множества посторонних факторов. В шахматах в одной позиции у игрока есть выбор из примерно 35 возможных ходов, в игре Go из 200250. Но в StarCraft II возможных ходов в одной позиции 1026. Кроме того, в отличие от игр, называемых теоретиками игр играми с "полной информацией", где все игроки могут видеть полное игровое пространство, события в StarCraft происходят на огромной карте, которую геймеры могут видеть лишь частично.

Дополнительная сложность состоит в том, что геймеры играют за одну из трёх инопланетных рас терранов, протоссов или зергов, каждая из которых имеет сильные и слабые стороны.

Чтобы натренировать алгоритм AlphaStar и создать ИИ, который способен брать верх над лучшими игроками в StarCraft II, исследователи DeepMind использовали методы машинного обучения. Они начали с того, что создали лигу интеллектуальных агентов, обученных на основе данных сотен тысяч матчей StarCraft, проведённых между людьми. Затем они заставили членов лиги виртуальных агентов играть друг против друга, отобрали самых сильных из них, внесли в них определённые коррективы и отправили обратно в лигу. Они повторяли этот процесс до тех пор, пока не придали AlphaStar силу джаггернаута, крушащего всё на своём пути. Ориол Виньялс, возглавлявший команду DeepMind создателя AlphaStar, сравнил саму лигу с некой экосистемой, в которой работает процесс естественного отбора. "Создавая лигу AlphaStar, мы черпали вдохновение из литературы об эволюции", рассказывает он.

Поведение медленно растущих терранов, одной из трёх инопланетных рас в StarCraft II, в экосистеме игры один в один напоминает поведение кактусов.Поведение медленно растущих терранов, одной из трёх инопланетных рас в StarCraft II, в экосистеме игры один в один напоминает поведение кактусов.

"Традиционные" исследователи ИИ черпали вдохновение в природе, Барбе же и его коллеги-экологи стали черпать вдохновение в игре. В своей работе, опубликованной в 2020 году, они подробно описывают глубокие параллели между расами терранов, протоссов и зергов в StarCraft, и конкурентными стратегиями, характерными для определённых видов организмов.

Например, отряды зергов это прирожденные колонизаторы, но слабые бойцы. Они ведут себя как сорные растения: мелкие, худосочные, хилые, но после нарушения экосистемы первыми дают ростки жизни именно они.Протоссы, с другой стороны, ведут себя как папоротники. Они расходуют много ресурсов и лучше всего растут в группах.Терраны напоминают кактусы: медленно растут, но прекрасно держат оборону. Как и в реальной экосистеме, эти "виды" используют собственные стратегии в борьбе за ресурсы в сложных схемах взаимодействия.

Барбе полагает, что наблюдение за взаимодействием между агентами AlphaStar в StarCraft может стать способом проверки гипотез об экологических и эволюционных процессах, которые обычные статистические модели смоделировать не в состоянии, например предсказать, как небольшое изменение доступных ресурсов в одном углу карты в StarCraft повлияет на поведение отрядов терранов и зергов, сражающихся в противоположном углу (правда, эту свою идею Барбе на практике ещё не проверял).

Представьте, что терраны и зерги это сосны и короеды, и вы поймёте, что такая информация может представлять довольно существенную ценность для специалистов по охране окружающей среды. Для учёных эта игра может стать песочницей экспериментов с экосистемами, рассказывает Барбе.

"Возникает весьма интересная игрушечная модель вы наблюдаете за очень упрощённой системой и можете задавать очень конкретные вопросы, говорит Энн Тессен, специалист по работе с данными из Университета штата Орегон, не имеющий отношения к работе по экологическому смыслу StarCraft. Просто нужно помнить, что вы имеете дело с моделью".

Модные технологии

Надо признать, что StarCraft II при всей своей сложности намного проще реальной экосистемы. Барбе отмечает, что в игре никак не отражены базовые природные процессы, например азотный цикл, а также никак не затрагиваются ключевые отношения между организмами, например паразитизм. К тому же в мире StarCraft II всего три вида существ.

"Проблема, на мой взгляд, заключается в том, что игровая механика, призванная быть как можно более развлекательной, лишь частично отражает реальный физический мир", считает Вернер Раммер, эколог из Технического университета Мюнхена. Раммер утверждает, что делать выводы о способностях AlphaStar вне рамок StarCraft, лишь наблюдая за его игрой, какой бы сложной и замысловатой она ни была, преждевременно.

Однако независимо от того, будут ли экологи когда-либо использовать AlphaStar в своих исследованиях, следует признать, что для решения проблем экологии и науки об окружающей среде всё чаще используются всё более сложные инструменты ИИ.

Десять лет назад, рассказывает Тессен, применение ИИ в экологии и науке об окружающей среде в основном ограничивалось задачами классификации, например быстрой идентификацией видов при анализе записей пения птиц или типов ландшафтов на спутниковых снимках. Сейчас, по его словам, ИИ в экологии выходит за узкие рамки классификации объектов и берётся за более разнообразные и амбициозные задачи, такие как составление прогнозов через анализ неупорядоченных многомерных данных, то есть именно таких данных, с которыми обычно имеет дело экология.

Однако ИИ в экологии используется всё ещё недостаточно активно, полагает Николя Лекомт, сотрудник Канадской кафедры полярной и бореальной экологии и эколог Университета Монктона в Канаде, который использует инструменты ИИ для классификации звуков арктических птиц и прогнозирования их миграции.

Экологи, как правило, не имеют навыков программирования, необходимых для обучения алгоритмов искусственного интеллекта, объясняет он. С ним соглашается Эббот, добавляя, что сбор достаточного количества данных для обучения алгоритмов непростая задача. Некоторые данные получить довольно легко, например посредством анализа спутниковых снимков, однако сбор других данных может быть сопряжён с большими трудностями, например сбор образцов почвы.

Отчасти эти проблемы объясняются недостаточным финансированием и нехваткой квалифицированных экологов, говорит Эббот. Ведь экология, отмечает он, это не самая "монетизируемая" область науки.

Такие компании, как Blizzard, создавшая StarCraft, ежегодно тратят сотни миллионов долларов на разработку алгоритмов для своих игр, говорит он. У них просто гораздо больше ресурсов, чем у нас. Но мы, конечно же, считаем, что наши проблемы гораздо важнее их проблем". Хоть это и была шутка, но в ней кроется чистая правда, в конце концов, жизнь на Земле это далеко не игра.

Машинное обучение и искусственный интеллект продолжают всё глубже проникать в самые разные сферы знаний, находя для этого всё более неочевидные и нестандартные пути. Если вам интересны новые подходы к машинному и глубокому обучению, разнообразные эксперименты с моделями, а также лежащие в основе моделей алгоритмы, вы можете обратить внимание на курс "Machine Learning и Deep Learning", партнёром которого является компания NVIDIA.

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

Другие профессии и курсы
Подробнее..

Перевод Стаи рыб следуют алгоритмам композиционного обучения

11.06.2021 16:11:37 | Автор: admin

Группа животных это больше, чем сумма всех членов группы. Поведение одинокого муравья трудно назвать осмысленным, но их колония способна построить прочную и хорошо вентилируемую муравьиную кучу. Одинокий журавль может легко заблудиться в небе, но стая журавлей безошибочно выбирает правильный путь миграции. Во многих сложных когнитивных процессах мы регулярно наблюдаем отличия в поведении группы от поведения её отдельных членов. Как это возможно? Даже автор статьи, кандидат наук, не может понять, как примитивные рыбы золотые нотемигонусы, абсолютно безнадёжные, безмозглые существа, собираясь в стаи, способны эффективно уклоняться от хищников. Автор прочитал десятки статей и учебников, проводил эксперименты, анализировал данные и консультировался с теоретиками, пытаясь понять, почему, когда речь идёт о рыбах, 1 плюс 1 получается не 2, а 3.

К старту курса о машинном и глубоком обучении мы перевели материал о том, как групповое поведение связано с композиционным (ансамблевым) обучением, где вы найдёте как кратко изложенную теорию со ссылками, так и вопросы, которые сегодня стоят перед наукой о коллективном поведении.


Полученные знания не дали мне ничего, кроме самих знаний, но вот настал день, когда я оставил академическую науку и решил заняться математическим и компьютерным моделированием. Когда я начал изучать теорию и методы анализа данных, я с удивлением заметил любопытную параллель между процессами принятия решений стаей рыб и принятием решений в алгоритмах композиционного обучения.

Здесь я расскажу о том, как группы, составленные из плохо обучаемых индивидуумов это могут быть как отдельные рыбы, так и деревья решений, могут формировать структуру, очень точно обрабатывающую данные (информационный процессор).

Машина

Сначала рассмотрим, как обстоят дела в области машинного обучения, ведь вам, вероятно, ближе алгоритмы, чем животные! Для формирования прогноза в методах композиционного обучения используется набор моделей, а не одна модель. Идея заключается в том, что ошибки в прогнозах отдельных моделей нивелируются, что приводит к более точным прогнозам в целом.

На показанной ниже схеме группа составляется из нескольких серых прямоугольников. Каждый прямоугольник отдельная модель. Чтобы сгенерировать прогнозируемое значение, входные данные отправляются в разные модели, и каждая из них формирует прогноз. После этого отдельные прогнозы сводятся к единому общему прогнозу путём усреднения (для регрессии) или принятия решения по принципу большинства (для классификации).

Одним из популярных композиционных методов является алгоритм случайного леса модель, состоящая из десятков и даже сотен деревьев поиска решений. Способов объединения деревьев в группы (лес) очень много, но суть процесса всегда одна: каждое дерево независимо тренируется на бутстрэп-наблюдениях и случайных наборах признаков. (Если для каждого дерева использовать одни и те же данные, каждый раз будет создаваться одно и то же дерево!)

В результате получается набор моделей, каждая из которых понимает тренировочные данные по-своему. Такое видоизменение имеет решающее значение. Одиночные деревья решений быстро становятся чрезмерно аппроксимированными (переобученными), так как имеют дело лишь с одним набором тренировочных данных, но таких ситуаций в реальном мире практически не бывает. Но, поскольку группа состоит из множества деревьев, такие ошибки при формировании совокупного прогноза способны нивелировать друг друга.

Теория

Повышенную точность модели случайного леса можно назвать коллективным интеллектом. Этот термин вошёл в обиход в 1906 году после того, как на ярмарке скота в Плимуте, штат Массачусетс, провели конкурс на угадывание веса быка. Угадать вес пытались почти 800 фермеров. Позже статистик сэр Фрэнсис Гальтон проанализировал все оценки и пришёл к выводу, что, несмотря на то что отдельные оценки сильно отличались друг от друга, среднее значение оценок было более точным, чем любая отдельно взятая оценка. Гальтон изложил свою теорию в знаменитом труде Vox Populi.

Для того чтобы коллективный интеллект работал, необходимо соблюдение двух основных требований. Первое требование люди должны получать разную информацию. Если у всех будет одинаковая входная информация, решение группы не будет более точным, чем решение отдельного человека. Решение группы может быть даже менее точным, чем решения отдельных людей, так как некоторые члены группы под воздействием эффекта эхо-камеры могут выдавать неверные прогнозы[1].

Второе требование отдельные оценки должны быть независимыми. Если бы эти 800 фермеров перед голосованием советовались со своими коллегами, количество уникальных точек зрения сократилось бы до нескольких сотен, а может быть, и нескольких десятков, так как мнения людей стали бы влиять друг на друга. При этом больший вес имели бы мнения людей, уверенно и напористо отстаивающих свою точку зрения, а мнения тихонь игнорировались бы; необычная информация отбрасывалась бы в пользу общеизвестной.

В каком-то смысле такие фермеры формируют картину случайного леса, на обучение которого ушли десятилетия. На протяжении всей жизни фермеры учились соотносить различные характеристики быка длину рогов, высоту в холке и прочее с его весом. На ярмарке каждый фермер брал новую точку отсчёта и проводил самостоятельную оценку. Гальтон объединил все их ответы и вывел окончательный прогноз.

Рыбы

То, что произошло на ярмарке крупного рогатого скота, можно объяснить коллективным интеллектом, но что касается наших рыб золотых нотемигонусов, ситуация гораздо интереснее. Алгоритм случайного леса не вполне подходит для описания стаи рыб по одной причине: информация, которую рыба имеет о своём окружении, сильно коррелирует с её соседями.

Взгляните на приведённое ниже изображение стаи из 150 золотых нотемигонусов. Поле зрения каждой рыбы аппроксимировали с помощью метода отслеживания лучей, в белый цвет окрашены только те лучи, которые покидают группу.

Первое, что бросается в глаза, внутренняя часть стаи является мёртвой зоной в смысле информации о внешнем мире, эти рыбы видят только других рыб. Второе, на что следует обратить внимание, отдельные особи, которым поступает информация из внешней среды, если рядом с ними находятся другие особи, получают практически идентичную информацию об окружении.

Каким же образом такая группа может принимать информированные решения о том, повернуть налево или направо, искать ли пищу или прятаться от хищника, если эта группа получает лишь малую часть независимых данных о внешнем мире? И как члены этой группы без лидера могут действовать согласованно? Ведь некоторые стаи рыб с успехом находят убежища и реагируют на опасность даже в тех случаях, когда информация, поступающая отдельным особям, пространственно автокоррелируется, что препятствует применению коллективного интеллекта.

К сожалению, точных ответов на эти вопросы пока нет. Исследователи коллективного поведения пытаются понять, как простые локальные взаимодействия приводят к сложным формам поведения на уровне группы. Существует два класса алгоритмов машинного обучения, которые, как мне кажется, могут объяснить, почему стаи рыб совершают "осмысленные" действия.

Первый класс алгоритмов алгоритмы усиления (бустинга) композиционного обучения. В методе случайного леса используется бэггинг, или бутстрэп-агрегирование, метаалгоритм композиционного обучения, предназначенный для улучшения стабильности и точности алгоритмов машинного обучения, обеспечивающий параллельное обучение каждой модели независимо друг от друга. С другой стороны, такие методы, как AdaBoost и XGBoost, тренируют модели последовательно, другими словами, более поздние модели обучаются на ошибках более ранних. Рыбы, собирающиеся в стаи, быстро обнаруживают хищников благодаря ошибкам других рыб, и рыбы, понимающие ориентиры внешней среды, обычно определяют направление перемещения группы.

Второй класс алгоритмов базируется на предположении о том, что стаи рыб действуют как крупная нейронная сеть. (От биологических нейронов до искусственных нейронных сетей и стай рыб... мы прошли полный круг!) Уходя от хищников, многие виды рыб проявляют стартл-рефлекс сверхбыстрый рефлекторный рывок в сторону от тревожного раздражителя[2].

Этот рефлекс приводит к каскадному срабатыванию стартл-рефлекса у других рыб, причём скорость такого срабатывания превышает скорость движения атакующего хищника.

Каскад стартл-рефлексов. Из научной работы Розенталя и других учёных 2015 года: https://www.pnas.org/content/pnas/early/2015/03/24/1420068112.full.pdf?with-ds=yesКаскад стартл-рефлексов. Из научной работы Розенталя и других учёных 2015 года: https://www.pnas.org/content/pnas/early/2015/03/24/1420068112.full.pdf?with-ds=yes

Здесь интересно отметить, что данные, выдаваемые членами группы (пугаются они или нет), служат входными данными для соседних рыб должны ли они пугаться. Это особенно актуально для рыб, находящихся глубоко внутри группы, которым не поступает информация из внешней среды и которые не могут интерпретировать событие возмущения воды будь это ложная тревога или приближение хищника. Реакция на эти социальные сигналы может определять, выживет рыба или умрёт.

Обычно мы представляем искусственные нейронные сети как модели биологических нейронных сетей, но в некотором смысле вся стая действует как набор нейронов при обработке информации о риске в окружающей среде. Но ещё более интересным обстоятельством является то, что эти нейроны могут менять структуру своей сети, чтобы изменить способ обработки информации.

В одной из статей мы с коллегами показали, что золотые нотемигонусы модулируют реакцию на угрозу, меняя расстояние между особями, а не ориентируясь на внутренние рефлексы, реагировать или нет на испуг соседа. Другими словами, то, как будут развиваться события превратятся ли случайные рефлексы в полноценные каскады срабатывающих рефлексов или ситуация тихо угаснет сама собой, определяет сама структура группы, а не отдельные особи.

Решения принимает нейронная сеть из нейронных сетейРешения принимает нейронная сеть из нейронных сетей

Заключение

Почему поведение групп особей отличается от поведения отдельных особей? На этот вопрос уже долгое время пытаются ответить исследователи коллективного поведения. Правильный ответ следует искать на стыке таких наук, как биология, психология, физика и информатика. В этой статье мы привели простой пример коллективного интеллекта усреднённые независимые оценки веса быка оказались более точными, чем индивидуальные оценки. Затем мы узнали, как стаи рыб, аморфная структура которых постоянно меняется по мере поступления новой информации из окружающей среды, производят коллективные вычисления.

Хотите узнать больше? Советуем почитать, как бабуины принимают демократические решения о передвижении, как у диких птиц из поколения в поколение сохраняется инновационное поведение [значение понятия можно прочитать здесь, этой ссылки в оригинальной статье нет], как слизистые грибы помогли заново создать карту токийского метро, оптимизировав распределение ресурсов. Чтобы узнать о последних исследованиях в области коллективного поведения, также рекомендуем ознакомиться с интернет-ресурсом Отдела коллективного поведения Института поведения животных им. Макса Планка.

Сноски

1. Теория
Если вы никогда не встречаете иные точки зрения в Интернете или такие иные точки зрения представлены как точки зрения идиота, то, скорее всего, вы находитесь в эхо-камере. Такое происходит довольно часто, поскольку социальные сети, как ни странно, имеют самоизолирующий эффект. Для более объективного взгляда на мир необходимо знакомиться с различными точками зрения.

2. Рыбы
Если углубиться в тонкости, на самом деле стартл-рефлекс может передаваться несколькими нейронными путями, часть из них связана с более тонкой регуляцией моторики. У рыб рефлекс может проявляться с разной интенсивностью, поэтому результат на выходе может, в частности, зависеть от этого фактора. Но при общей количественной оценке распространения информации в группе наши рассуждения можно считать хорошим приближением для "категоризации" испугов на "да, эта рыба испугалась" и "нет, она не испугалась".

Эта статья прекрасное напоминание о том, что многие решения в науке и технике позаимствованы у природы, либо просто существуют в ней уже очень давно. Если вы хотите экспериментировать с моделями машинного и глубокого обучения, повторяя и совершенствуя находки природы, находить новое в комбинациях разнообразных подходов к искусственному интеллекту, то вы можете обратить внимание на наш курс "Machine Learning и Deep Learning", партнёром которого является компания NVIDIA лидер в области вычислений для ИИ.

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

Другие профессии и курсы
Подробнее..

Категории

Последние комментарии

  • Имя: Макс
    24.08.2022 | 11:28
    Я разраб в IT компании, работаю на арбитражную команду. Мы работаем с приламы и сайтами, при работе замечаются постоянные баны и лаги. Пацаны посоветовали сервис по анализу исходного кода,https://app Подробнее..
  • Имя: 9055410337
    20.08.2022 | 17:41
    поможем пишите в телеграм Подробнее..
  • Имя: sabbat
    17.08.2022 | 20:42
    Охренеть.. это просто шикарная статья, феноменально круто. Большое спасибо за разбор! Надеюсь как-нибудь с тобой связаться для обсуждений чего-либо) Подробнее..
  • Имя: Мария
    09.08.2022 | 14:44
    Добрый день. Если обладаете такой информацией, то подскажите, пожалуйста, где можно найти много-много материала по Yggdrasil и его уязвимостях для написания диплома? Благодарю. Подробнее..
© 2006-2024, personeltest.ru