Des chercheurs ont adapté une stratégie observée chez certains ciliés pour contrôler des réseaux artificiels de protéines. Ils ont produit une protéine qui forme un réseau fibreux et qui se contracte quand elle reçoit du calcium.
Pour maîtriser la libération du calcium, l'équipe utilise une molécule « cage » sensible à la lumière. En projetant des motifs lumineux — par exemple des étoiles ou des cercles — ils déclenchent l'assemblage et la contraction du réseau. Avec des impulsions lumineuses répétées, le réseau se contracte plusieurs fois et peut déplacer de petites particules.
Mots difficiles
- cilié — animal microscopique avec des cilsciliés
- contraction — rétrécissement ou tension d'une structure
- calcium — minéral important pour les cellules et les os
- molécule — petite unité chimique composée d'atomes
- assemblage — action de mettre des éléments ensemble
- impulsion — bref signal ou entrée d'énergieimpulsions
Astuce : survolez, mettez le focus ou touchez les mots en surbrillance dans l’article pour voir des définitions rapides pendant que vous lisez ou écoutez.
Questions de discussion
- As-tu déjà vu une expérience où la lumière contrôle quelque chose ? Décris-la en une phrase.
- Penses-tu que ce réseau pourrait déplacer des objets plus gros ? Pourquoi ?
- Quel motif lumineux aimerais-tu projeter pour voir l'effet sur le réseau ?
Articles liés
Pourquoi les fils montrent l'inhabituel
Des chercheurs de Virginia Tech expliquent que l'attirance pour l'inhabituel fait que les fils des réseaux sociaux affichent surtout des événements rares et excitants, et non la vie quotidienne. Ils ont testé ce mécanisme en laboratoire et par simulations.
L'IA peut être biaisée à cause de la complexité du monde réel
Une recherche de l'Université du Texas à Austin montre que de nombreux biais d'IA viennent de l'incapacité des modèles à représenter des situations réelles complexes. Les auteurs recommandent d'ouvrir les boîtes noires et d'impliquer des acteurs divers.
L'IA favorise l'anglais, selon une étude
Une étude de 2025 du Stanford HAI montre que de nombreux grands modèles de langage donnent de mauvais résultats dans des langues autres que l'anglais. Cela exclut des communautés et des experts proposent de valider les données et de travailler avec les locaux.