Un nuovo studio rivela che alcuni canali ionici esistevano prima del più antico antenato comune degli animali.

Uno studio recente ha riscritto la storia evolutiva tradizionalmente intesa delle proteine ​​di base necessarie per la segnalazione elettrica nel sistema nervoso. Lo studio è stato condotto da ricercatori della Pennsylvania State University e ha rivelato che la ben nota famiglia di proteine ​​– i canali ionici del potassio della famiglia Shaker – esisteva in microscopici organismi unicellulari molto prima dell’antenato comune di tutti gli animali.

Ciò suggerisce che invece di evolversi insieme al sistema nervoso come si pensava in precedenza, questi canali ionici esistevano prima della nascita del sistema nervoso.

Lo studio è apparso in Atti dell'Accademia Nazionale delle Scienze.

“Tendiamo a pensare all'evoluzione come a una marcia a senso unico verso una complessità sempre maggiore, ma questo spesso non accade nel mondo naturale”, ha affermato Timothy Gigala, assistente professore di biologia all'Eberly College of Science della Penn State e leader del il gruppo di ricerca. “Ad esempio, si pensava che man mano che le diverse specie di animali si evolvevano e la complessità del sistema nervoso aumentava, i canali ionici si formavano e si diversificavano per adattarsi a questa complessità. Ma la nostra ricerca suggerisce che non è così animali viventi più antichi, quelli con reti “I neuroni semplici hanno la più alta diversità di canali ionici. Questa nuova scoperta si aggiunge alla crescente evidenza che molti degli elementi costitutivi del sistema nervoso erano già presenti nei nostri antenati protozoi – prima che il sistema nervoso esistesse. “

Comprendere i canali ionici

I canali ionici si trovano nelle membrane cellulari e regolano il modo in cui le particelle cariche chiamate ioni entrano ed escono dalla cellula, un processo che porta a segnali elettrici che costituiscono la base della comunicazione nel sistema nervoso. La famiglia di canali ionici Shaker si trova in una vasta gamma di animali, dagli esseri umani ai topi e ai moscerini della frutta, e regola specificamente il modo in cui gli ioni di potassio fluiscono fuori dalla cellula per terminare i segnali elettrici chiamati potenziali d'azione. Questi canali possono aprirsi o chiudersi in base ai cambiamenti nel campo elettrico, proprio come i transistor nei chip dei computer.

“Gran parte di ciò che sappiamo su come funzionano i canali ionici a livello molecolare deriva da studi meccanicistici della famiglia di canali ionici Shaker”, ha detto Gigala. “In precedenza pensavamo che la famiglia Shaker dei canali del potassio voltaggio-dipendenti esistesse solo negli animali, ma ora vediamo che i geni che codificano per questa famiglia di canali ionici erano presenti in molti Classificare I parenti viventi più stretti degli animali sono un gruppo di organismi unicellulari chiamati roditori.

I ricercatori avevano precedentemente cercato questi geni in due specie di alghe marine, ma non erano riusciti a trovarli. Nel presente studio, hanno ampliato la loro ricerca per includere 21 specie di alghe marine e hanno trovato prove dell’esistenza dei geni della famiglia Shaker in tre di queste specie.

Evoluzione dei tipi di canali ionici

Esistono diverse sottofamiglie o tipi di canali ionici all'interno della famiglia Shaker in tutto il regno animale. Il gruppo di ricerca aveva precedentemente scoperto che le meduse a pettine – animali con “reti nervose” relativamente semplici che sono (e si pensa siano) simili al sistema nervoso dei primi animali – hanno solo un tipo di questo tipo, chiamato Kv1. Ciò ha portato il team a credere che l’antenato comune degli animali potrebbe aver avuto solo Kv1, con altre specie che si sono evolute successivamente. Tuttavia, Gigala e colleghi hanno scoperto che i geni della famiglia Shaker nei roditori erano più strettamente correlati ai tipi Kv2, Kv3 e Kv4.

“Pensavamo che i tipi da 2 a 4 si fossero evoluti su una linea temporale più recente, ma il nostro nuovo lavoro suggerisce che i condotti simili a Kv2-4 trovati nelle bande coane sono in realtà il sottotipo più vecchio”, ha detto Gigala.

Inoltre, questa scoperta suggerisce l’esistenza di molteplici sottospecie alla base dell’albero genealogico degli animali, tra cui Kv1, che si trova nelle meduse, e canali simili a Kv2-4, che si trovano nei parassiti succhiatori.

“I geni simili a Kv2-4 sono andati perduti nei discendenti dei gruppi più antichi di animali come meduse e spugne, quindi l’unica ragione per cui sappiamo della loro presenza negli animali più antichi è grazie ai coanoflagellati”, ha aggiunto Gigala è davvero comune nell’evoluzione – come l’evoluzione dei geni”. Nuovo – anche se può essere difficile da rilevare Ora che il sequenziamento genetico è abbastanza economico da consentire agli scienziati di campionare ampiamente dalle specie, invece di osservare alcune specie rappresentative, possiamo rilevarne di più. di queste perdite genetiche e di quelle “cambierebbe le nostre opinioni su quante delle nostre famiglie genetiche si sono evolute per prime”.

Questo lavoro si aggiunge anche alla crescente evidenza che molti elementi del sistema nervoso esistevano prima che il sistema nervoso nel suo insieme si evolvesse, ha osservato Gegal.

“La maggior parte delle proteine ​​funzionalmente importanti che utilizziamo per i segnali elettrici e che sono alla base della comunicazione neurale e del movimento neuromuscolare, sono tutte basate su proteine ​​che esistevano prima degli animali”, afferma Gigala. “Sembra che gli animali fossero in grado di assemblare un sistema nervoso funzionante molto presto nella loro evoluzione semplicemente perché “la maggior parte delle proteine ​​necessarie erano già presenti”.

“Capire come si sviluppano questi canali ionici ci aiuta a capire come funzionano, il che a sua volta può avere implicazioni per il trattamento dei disturbi associati alla disfunzione dei canali ionici, come l’aritmia e l’epilessia”, ha aggiunto Gigal.

Riferimento: “Un'indagine su larga scala dei coanoflagellati affina la storia evolutiva della famiglia Shaker del potassio voltaggio-dipendente⁺ “Canali negli animali” di Timothy Gigala e Benjamin T. Simonson e J. David Spafford, 17 luglio 2024, Atti dell'Accademia Nazionale delle Scienze.
DOI: 10.1073/pnas.2407461121

Oltre a Gigala, il gruppo di ricerca comprende Benjamin Simonson, uno studente laureato nel programma di bioscienze molecolari, cellulari e integrative presso gli Hooke Institutes for the Life Sciences e l'Eberly College of Science della Penn State che ha recentemente difeso la sua tesi, e David Spafford , professore associato di biologia alla Penn State. Università di Waterloo Chi è specializzato in fisiologia dei roditori. Questo lavoro è stato sostenuto dai finanziamenti del Dipartimento di Biologia della Pennsylvania State University e degli Hooke Life Sciences Institutes.

Ricercatori di Massachusetts Institute of Technology Il Watson AI Laboratory del MIT-IBM ha sviluppato un nuovo metodo per la navigazione AI che trasforma i dati visivi in ​​descrizioni linguistiche per aiutare i robot a svolgere compiti complessi.

Questo approccio utilizza un modello linguistico di grandi dimensioni per generare dati di addestramento sintetici e prendere decisioni di navigazione basate sull'input linguistico. Sebbene non sia superiore ai modelli basati su immagini, offre il vantaggio di richiedere meno risorse e di adattarsi più facilmente a compiti e ambienti diversi.

Un giorno, potresti volere che il tuo robot domestico porti un carico di vestiti sporchi al piano di sotto e li metta nella lavatrice situata nell'angolo più a sinistra del seminterrato. Il robot dovrà combinare le tue istruzioni con il suo feedback visivo per determinare quali passaggi dovrebbe eseguire per completare questa attività.

Per un agente AI, questo è più facile a dirsi che a farsi. Gli approcci esistenti spesso utilizzano più modelli di machine learning realizzati manualmente per gestire diverse parti dell’attività, la cui realizzazione richiede una grande quantità di impegno umano e competenze. Questi approcci, che utilizzano rappresentazioni visive per prendere direttamente decisioni di navigazione, richiedono enormi quantità di dati visivi per la formazione, che spesso sono difficili da ottenere.

Integrazione di modelli linguistici per migliorare la navigazione

Per superare queste sfide, i ricercatori del MIT e del MIT-IBM Watson Artificial Intelligence Laboratory hanno ideato un metodo di navigazione che converte le rappresentazioni visive in porzioni di linguaggio, che vengono poi inserite in un ampio modello linguistico che soddisfa tutte le parti di un compito di navigazione in più fasi. .

Invece di codificare le caratteristiche visive delle immagini dell'ambiente circostante il robot come rappresentazioni visive, cosa che richiede molte operazioni computazionali, il loro metodo crea didascalie di testo che descrivono il punto di vista del robot. Un ampio modello linguistico utilizza il feedback per prevedere le azioni che il robot dovrebbe intraprendere per soddisfare le istruzioni basate sulla lingua dell'utente.

Poiché il loro metodo utilizza solo rappresentazioni basate sul linguaggio, possono utilizzare un modello linguistico di grandi dimensioni per generare in modo efficiente un’enorme quantità di dati di addestramento sintetici.

Sebbene questo approccio non sia superiore alle tecniche che utilizzano funzionalità visive, funziona bene in situazioni in cui mancano dati visivi sufficienti per l'addestramento. I ricercatori hanno scoperto che la combinazione di input basati sulla lingua con segnali visivi ha portato a migliori prestazioni di navigazione.

“Utilizzando solo il linguaggio come rappresentazione cognitiva, il nostro approccio è molto più diretto”, afferma Bowen Pan, uno studente laureato in ingegneria elettrica e informatica e autore principale di un articolo sull’approccio. “Poiché tutti gli input possono essere codificati come linguaggio, possiamo creare un percorso che possa “permettere all'uomo di comprendere”.

I coautori di Ban includono il suo consulente Aud Oliva, direttore dell'impegno strategico del settore presso la Schwarzman School of Computing del MIT, direttore del MIT-IBM Watson Artificial Intelligence Laboratory e uno scienziato ricercatore senior presso il Computer Science and Artificial Intelligence Laboratory (CSIL); Philippe Isola, professore associato all'EECS e membro del CSAIL; L'autore principale Yoon Kim, professore assistente presso EECS e membro di CSAIL; e altri presso il MIT-IBM Watson AI Lab e il Dartmouth College. La ricerca sarà presentata alla conferenza del capitolo nordamericano dell'Association for Computational Linguistics.

Risolvere il problema della visione con il linguaggio

Poiché i modelli linguistici di grandi dimensioni sono i modelli di apprendimento automatico più potenti disponibili, i ricercatori hanno cercato di incorporarli nel complesso compito noto come navigazione visiva e linguistica, afferma Pan.

Tuttavia, tali modelli accettano input testuali e non possono elaborare i dati visivi dalla fotocamera del robot. Quindi, il team ha dovuto trovare un modo per utilizzare il linguaggio.

La loro tecnologia si basa su un semplice modello di traduzione per ottenere descrizioni testuali del feedback visivo del robot. Queste didascalie sono combinate con istruzioni basate sulla lingua e inserite in un ampio modello linguistico, che decide quale passaggio di navigazione successivo il robot dovrà intraprendere.

Il modello linguistico di grandi dimensioni genera un'annotazione della scena che il robot dovrebbe vedere dopo aver completato questo passaggio. Viene utilizzato per aggiornare il track record in modo che il robot possa tracciare dove è stato.

Progettazione di un sistema di navigazione intelligente e facile da usare

Il modello ripete questi processi per creare un percorso che guida il robot verso il suo obiettivo, passo dopo passo.

Per semplificare il processo, i ricercatori hanno progettato modelli in modo che le informazioni di monitoraggio siano presentate al modello in una forma standard, come una serie di scelte che il robot può fare in base all’ambiente circostante.

Ad esempio, un titolo potrebbe dire “Alla tua sinistra con un angolo di 30 gradi c'è una porta con una pianta in vaso accanto, e alla tua schiena c'è una piccola scrivania con una scrivania e un computer” e così via. Il modello sceglie se il robot deve muoversi verso la porta o verso la scrivania.

“Una delle sfide più grandi è stata capire come codificare questo tipo di informazioni nel linguaggio in modo appropriato per far capire all'agente quale fosse il compito e come avrebbe dovuto rispondere”, afferma Pan.

Vantaggi della lingua

Quando hanno testato questo approccio, sebbene non potesse superare le prestazioni delle tecniche di visione, hanno scoperto che offriva numerosi vantaggi.

Innanzitutto, poiché il testo richiede meno risorse computazionali per essere sintetizzato rispetto ai dati di immagini complesse, il loro metodo può essere utilizzato per generare rapidamente dati di addestramento sintetici. In un test hanno creato 10.000 percorsi sintetici basati su 10 percorsi visivi reali.

Questa tecnologia può anche colmare il divario che potrebbe impedire a un agente addestrato in un ambiente simulato di ottenere buone prestazioni nel mondo reale. Questo divario si verifica spesso perché le immagini generate dal computer possono apparire molto diverse dalle scene del mondo reale a causa di elementi come l'illuminazione o il colore. Ma Pan dice che sarebbe molto difficile distinguere tra loro nel linguaggio che descrive un’immagine falsa rispetto a una reale.

Inoltre, le rappresentazioni utilizzate dal loro modello sono più facili da comprendere per gli esseri umani perché sono scritte in linguaggio naturale.

“Se un cliente non riesce a raggiungere il suo obiettivo, possiamo determinare più facilmente dove ha fallito e perché. Forse le informazioni sulla cronologia non sono abbastanza chiare o la nota tralascia alcuni dettagli importanti”, afferma Pan.

Inoltre, il loro metodo può essere applicato più facilmente a compiti e ambienti diversi perché utilizza un solo tipo di input. Finché i dati possono essere codificati come una lingua, possono utilizzare la stessa forma senza apportare alcuna modifica.

Ma uno svantaggio è che il loro metodo naturalmente perde alcune informazioni che possono essere catturate da modelli basati sulla visione, come le informazioni di profondità.

Tuttavia, i ricercatori sono rimasti sorpresi nel vedere che la combinazione di rappresentazioni basate sul linguaggio con metodi basati sulla visione ha migliorato la capacità di navigazione dell'agente.

“Ciò potrebbe significare che il linguaggio è in grado di catturare alcune informazioni di livello superiore che non possono essere catturate utilizzando puramente funzionalità visive”, afferma.

Questa è un’area che i ricercatori vorrebbero esplorare ulteriormente. Vogliono anche sviluppare un software di traduzione orientato alla navigazione che migliorerebbe le prestazioni di questo metodo. Inoltre, vorrebbero esplorare la capacità dei modelli linguistici su larga scala di dimostrare la consapevolezza spaziale e vedere come ciò potrebbe aiutare la navigazione basata sulla lingua.

Riferimento: “LangNav: Language as a Perceptual Representation for Navigation” di Bowen Pan, Rameswar Panda, So Young Jin, Rogerio Ferris, Odd Oliva, Felipe Isola e Yun Kim, 30 marzo 2024. Informatica > Visione artificiale e riconoscimento di modelli.
arXiv:2310.07889

Questa ricerca è stata finanziata, in parte, dal Laboratorio AI Watson del MIT-IBM.