Zaloguj się, aby obserwować tę zawartość
Obserwujący
0
Gąsienica na leczeniu
dodany przez
KopalniaWiedzy.pl, w Nauki przyrodnicze
-
Podobna zawartość
-
przez KopalniaWiedzy.pl
W sytuacji, gdy dochodzi do wykrycia uwolnienia substancji niebezpiecznych, najważniejsze jest szybkie i precyzyjne zlokalizowanie źródła uwolnienia oraz przewidzenie kierunku rozchodzenia się substancji. Używane obecnie modele dyspersyjne wymagają bardzo dużych zasobów obliczeniowych. Mogą jednak zostać zastąpione przez modele bazujące na Sztucznych Sieciach Neuronowych, SSN (ang. Artificial Neutral Networks, ANN), co pozwoli na monitorowanie skażenia w czasie rzeczywistym. W badaniu możliwości wykorzystania takich modeli uczestniczą naukowcy z Departamentu Układów Złożonych NCBJ.
Obszar odpowiadający części centralnego Londynu, będący podstawą do przygotowania danych dla SSN, jak również wykorzystany w eksperymencie DAPPLE (skrzyżowanie Marylebone Road i Gloucester Place, 51.5218N 0.1597W)
Od kilku lat w Centrum Analiz Zagrożeń MANHAZ prowadzone są prace nad algorytmami umożliwiającymi lokalizację źródła skażenia, w oparciu o, pochodzące z sieci detektorów, dane na temat stężeń uwolnionej substancji. Głównym zadaniem istniejących we wszystkich miastach grup reagowania kryzysowego, jest szybkie odpowiadanie na wszelkie zagrożenia dla ludzi i środowiska. Podstawowym czynnikiem decydującym o powodzeniu lub niepowodzeniu danego działania jest czas reakcji.
Obecnie różne substancje chemiczne są używane w większości dziedzin przemysłu, co sprawia, że transport i przechowywanie materiałów toksycznych wiąże się z ciągłym ryzykiem uwolnienia ich do atmosfery i do zajścia skażenia. Dużym wyzwaniem są sytuacje, w których czujniki rozmieszczone na terenie miasta zgłaszają niezerowe stężenie niebezpiecznej substancji, której źródło nie jest znane. W takich przypadkach ważne jest, aby system był w stanie w czasie rzeczywistym oszacować najbardziej prawdopodobną lokalizację źródła zanieczyszczenia, wyłącznie w oparciu o dane o stężeniu, pochodzące z sieci czujników.
Algorytmy, które radzą sobie z zadaniem można podzielić na dwie kategorie. Pierwszą są algorytmy opierające się na podejściu wstecznym, czyli analizie problemu zaczynając od jego ostatniego etapu, ale są one dedykowane obszarom otwartym lub problemowi w skali kontynentalnej. Drugą kategorię stanowią algorytmy, które bazują na próbkowaniu parametrów odpowiedniego modelu dyspersji (parametrów takich, jak lokalizacja źródła), aby wybrać ten, który daje najmniejszą różnicę między danymi wyjściowymi, a rzeczywistymi pomiarami stężeń, wykonywanymi przez sieć detektorów. Podejście to sprowadza się do wykorzystania algorytmów próbkowania, w celu znalezienia optymalnych parametrów modelu dyspersji, na podstawie porównania wyników modelu i detekcji zanieczyszczeń.
Ze względu na efektywność zastosowanego algorytmu skanowania parametrów, każda rekonstrukcja wymaga wielokrotnych uruchomień modelu. Rekonstrukcja w terenie zurbanizowanym, która jest głównym przedmiotem zainteresowania badaczy, wymaga zaawansowanych modeli dyspersji, uwzględniających turbulencje pola wiatru wokół budynków. Najbardziej niezawodne i dokładne są modele obliczeniowej dynamiki płynów (ang. Computational Fluid Dynamics, CFD). Stanowią one jednak bardzo wymagające obliczeniowo wyzwanie. Musimy zdawać sobie sprawę z tego, że aby znaleźć najbardziej prawdopodobne źródło skażenia, model dyspersji trzeba uruchomić dziesiątki tysięcy razy. Oznacza to, że użyty model musi być szybki, aby można go było zastosować w systemie awaryjnym, pracującym w czasie rzeczywistym. Zakładając na przykład, że średni czas potrzebny na wykonanie samych obliczeń modelu dyspersji w terenie zurbanizowanym wynosi 10 minut, pełna rekonstrukcja z jego wykorzystaniem będzie trudna do przeprowadzenia w dopuszczalnie krótkim czasie.
Rozwiązaniem tego problemu, nad którym pracuje dr Anna Wawrzyńczak-Szaban z Centrum Analiz Zagrożeń MANHAZ w NCBJ, przy współpracy z Instytutem Informatyki UPH w Siedlcach, jest wykorzystanie w systemie rekonstrukcji sztucznej sieci neuronowej, zamiast modelu dyspersji, w terenie zurbanizowanym. Chodzi o to, by sztuczna sieć neuronowa była skuteczna w symulacji transportu zanieczyszczeń w powietrzu, na terenie zurbanizowanym. Jeśli to się powiedzie, SSN może działać jako model dyspersji w systemie lokalizującym w czasie rzeczywistym źródło skażenia. Podstawową zaletą SSN jest bardzo krótki czas odpowiedzi – opisuje dr Anna Wawrzyńczak-Szaban. Oczywiście SSN musi być wytrenowana w stałej topologii miasta, przy użyciu rzeczywistych warunków meteorologicznych z wykorzystaniem odpowiedniego i zwalidowanego modelu dyspersji. Proces ten wymaga wielu symulacji, służących jako zestawy danych treningowych dla SSN. Proces uczenia sieci SSN jest kosztowny obliczeniowo, ale po przeszkoleniu, metoda byłaby szybkim narzędziem do szacowania stężeń punktowych dla danego źródła zanieczyszczenia.
W pracy opublikowanej przez naukowców1) przedstawiono wyniki trenowania sieci neuronowej w oparciu o dane, uczące rozprzestrzeniania się toksyn w powietrzu w centrum Londynu, wykorzystując domenę testową eksperymentu polowego DAPPLE2). Dane uczące SSN wygenerowano za pomocą modelu dyspersji Quick Urban & Industrial Complex (QUIC). Przetestowaliśmy różne struktury SSN, czyli liczby jej warstw, neuronów i funkcji aktywacji. Wykonane testy potwierdziły, że wyszkolona SSN może w wystarczającym stopniu symulować turbulentny transport toksyn, unoszących się w powietrzu na obszarze silnie zurbanizowanym – objaśnia dr Anna Wawrzyńczak-Szaban. Ponadto pokazaliśmy, że wykorzystując SSN można skrócić czas odpowiedzi systemu rekonstrukcji. Czas wymagany, przez prezentowaną w pracy SSN, do oszacowania trzydziestominutowych stężeń gazu w 196 000 punktów sensorowych wyniósł 3 s W przypadku modelu QUIC, czas został oszacowany jako co najmniej 300 s, co daje nam 100-krotne przyspieszenie obliczeń. Biorąc to pod uwagę, czas rekonstrukcji w rzeczywistej sytuacji awaryjnej może być krótki, co skutkuje szybką lokalizacją źródła zanieczyszczenia.
W trakcie badań okazało się, że zapewnienie trenowanej SSN pełnej informacji prowadzi czasami do pewnych wyzwań obliczeniowych. Na przykład w pojedynczej symulacji rozproszenia toksyn w powietrzu, na obszarze miejskim, nawet 90% odczytów z czujników może mieć wartość zerową. Prowadzi to do sytuacji, w której postać docelowa SSN obejmuje kilka procent wartości dodatnich i większość zer. W efekcie SSN skupia się na tym, czego jest więcej – na zerach, co sprawia, że nie dostosowuje się do szukanych elementów badanego problemu. Uwzględniając zerową wartość koncentracji w danych treningowych, musimy zmierzyć się z kilkoma pytaniami: jak uwzględnić zero? Jak przeskalować dany przedział, aby „ukryć” zera? Czy w ogóle uwzględniać zera? Czy ograniczyć ich liczbę? – podkreśla dr Wawrzyńczak-Szaban.
« powrót do artykułu -
przez KopalniaWiedzy.pl
Młode dziewczyny, które stykają się z dymem papierosowym, mogą mieć w przyszłości problemy z poczęciem. Naukowcy z University of Newcastle wykazali bowiem na modelu mysim, że 3 związki z dymu papierosowego wpływają na geny uruchamiające apoptozę, czego skutkiem jest przedwczesne starzenie jajników i wytwarzanie dysfunkcyjnych jajeczek.
Nasze [3-letnie] badania laboratoryjne wykazały, że wdychanie tych toksyn na wczesnych etapach życia może prowadzić do spadku jakości i liczby komórek jajowych u samic - podkreśla Eileen McLaughlin.
Obecnie pani profesor ubiega się o fundusze na zbadanie kwestii, w jaki sposób palenie przez ciężarną wpływa na płodność przyszłych pokoleń. Sądzimy, że kontakt z tymi toksynami na etapie życia płodowego [także] zmniejsza jakość i liczbę oocytów, a obniżona płodność może być przekazywana z pokolenia na pokolenie. W odniesieniu do ludzi oznaczałoby to, że jeśli twoja babcia paliła, gdy była w ciąży z twoją matką lub w jej pobliżu, gdy ta była dzieckiem, ty i prawdopodobnie twoje dzieci możecie się znajdować w grupie podwyższonego ryzyka zmniejszonej płodności.
-
przez KopalniaWiedzy.pl
Mimikra jest dobrze udokumentowanym zjawiskiem wśród dorosłych motyli (imago), jednak okazuje się, że uciekają się do niej również gąsienice, które upodabniając się pod względem ubarwienia do trujących larw, czyli uprawiając mimikrę batezjańską, mają nadzieję uniknąć zjedzenia przez drapieżniki.
Keith Willmott z Uniwersytetu Florydzkiego badał dwie podrodziny motyli: danaidowate (Danainae) z Haiti i Ithomiinae ze wschodniego Ekwadoru.
W USA gąsienice danaida wędrownego (Danaus plexippus) i monarcha rdzawego (Danaus gilippus) mają czarno-biało-żółte ubarwienie. Na Haiti te same larwy mogą się pochwalić o wiele szerszymi czarnymi pasami, przez co wydają się dużo ciemniejsze. Amerykanie zauważyli, że wzór z szerokimi pasami występuje u kilku toksycznych endemitów z Haiti. Oznacza to, że po przybyciu na wyspę D. plexippus i D. gilippus skopiowały umaszczenie trujących gatunków danaidowatych.
Podczas badań w Ekwadorze biolodzy ustalili, że różne postaci ostrzegawczego ubarwienia występują u 22 z 41 gatunków Ithomiinae. W wielu przypadkach były to znowu czarno-biało-żółte pasy, lecz o mimikrze nie mogło być mowy ze względu na zbyt duże różnice oraz rozpowszechnienie.
U 5 gatunków zauważono nieudokumentowany wcześniej wzór: żółte ciało z niebieskimi końcówkami. Willmott i inni sądzą, że gąsienice 4 nietoksycznych gatunków naśladują trujące Forbestra olivencia. Nie inwestując w wytwarzanie/pozyskiwanie toksyn, podszywają się pod ciężko pracujące koleżanki, jednak jak podkreśla Willmott, trik sprawdza się, jeśli jest wykorzystywany na tyle rzadko, że drapieżniki nie orientują się, że są oszukiwane. W innym razie zaczynają atakować częściej zarówno naśladowane, jak i naśladowczynie i konieczne staje się pozyskanie nowego wzorca ubarwienia.
-
przez KopalniaWiedzy.pl
U wielu bakterii wykształciła się lekooporność. Tempo jej narastania jest wyższe od tempa opracowywania nowych antybiotyków. Naukowcy z University of Wisconsin–Milwaukee (UMW) opracowali jednak coś nowego: związek, który blokuje działanie występującego u Gram-ujemnych bakterii systemu sekrecji typu III (ang. type III secretion system, T3SS). Jego część przypomina żądło, za pomocą którego patogeny wprowadzają do komórek gospodarza białka efektorowe, np. toksyny. Eliminując wypustkopodobne filamenty, sprawiamy, że bakterie nie mają nam jak zagrozić.
Prof. Ching-Hong Yang z UWM i prof. Xin Chen z Changzhou University przetestowali nowy związek na dwóch gatunkach bakterii atakujących rośliny i na pałeczkach ropy błękitnej, które jako bakterie oportunistyczne wywołują zakażenie u osób z obniżoną odpornością, np. pacjentów z nowotworami albo AIDS. Zauważyli, że jest skuteczny w odniesieniu do wszystkich 3 bakterii.
Wynikami zespołu zainteresowały się dwie firmy, które prowadzą testy oryginalnej substancji i pochodnych w nadziei na ich komercjalizację.
Z relacji prasowej uniwersytetu wynika, że naukowcy uzyskali więcej niż jeden tego typu związek. Omówiono jednak tylko ten działający na T3SS. Białka wchodzące w skład systemu można podzielić na 2 grupy: białka zakotwiczone w błonie i zewnątrzkomórkowe wypustkopodobne filamenty. Te ostatnie nazywa się niekiedy kanałem translokującym. Patogeny z T3SS są bardzo sprytne. Wytwarzają wąski wyrostek, który działa jak igła [...]. Komórka gospodarza nie umie rozpoznać igły patogenu dlatego mechanizmy obronne nie zostają uruchomione - wyjaśnia Yang.
Mimo że Yang i Chen testowali swój związek tylko na 3 gatunkach bakterii, wierzą, że zadziała on na o wiele szersze spektrum. T3SS występuje bowiem u szeregu bakterii Gram-ujemnych, np. pałeczek z rodzaju Shigella, które wywołują zatrucia pokarmowe, E. coli czy chlamydii.
-
przez KopalniaWiedzy.pl
Najbardziej toksyczni, a więc najbardziej jaskrawo ubarwieni przedstawiciele rodziny drzewołazowatych są również najbardziej sprawni fizycznie.
Skóra tych płazów zawiera alkaloidy. Jak tłumaczy Juan Santos z National Evolutionary Synthesis Center w Durham, jaskrawe wzory stanowią dla drapieżników ostrzeżenie w stylu kontrastujących żółtych i czarnych pasów na odwłoku osy – uwaga, jestem niejadalny(a).
W lasach Kolumbii, Ekwadoru, Wenezueli i Panamy zespół Santosa badał ok. 500 drzewołazów, które reprezentowały ponad 50 gatunków. Wszystkie poddano testom sprawnościowym. Naukowcy oceniali pobór tlenu przy ćwiczeniach z użyciem obracającej się plastikowej rurki (przypominała ona kołowrotek dla chomików). Wyliczano wskaźnik przemiany materii – spoczynkowy i po 4 minutach ćwiczeń. Okazało się, że bardziej jaskrawo ubarwione i toksyczne gatunki mają większy pułap tlenowy (VO2 max.) od jednolicie ubarwionych łagodnych płazów. Są w stanie lepiej wykorzystać tlen z każdego wdechu i skuteczniej transportują go do mięśni, całkiem jak dobrze wytrenowani sportowcy – tłumaczy Santos.
Toksyczne drzewołazy zawdzięczają swoją superformę zwyczajom żywieniowym. Nie produkują bowiem trucizn, ale czerpią je z pokarmu. Zdobywają alkaloidy, zjadając mrówki i roztocze – dodaje David Cannatella z Uniwersytetu Teksańskiego. Z powodu tak ograniczonego menu płazy muszą się przemieszczać daleko i na dużym obszarze, a bez dobrej formy jest to niemożliwe. Nietoksyczne drzewołazy prowadzą bardziej osiadły tryb życia i polują na wszystkie owady, które się pojawią w ich zasięgu.
Połączenie ubarwienia ostrzegawczego, wyspecjalizowanej diety i sprawności fizycznej wyewoluowało u drzewołazów kilkakrotnie (w dodatku niezależnie). Czasem tężyzna fizyczna poprzedzała zwrot ku specyficznemu menu, umożliwiała bowiem schwytanie czy znalezienie określonych pokarmów.
-
-
Ostatnio przeglądający 0 użytkowników
Brak zarejestrowanych użytkowników przeglądających tę stronę.