YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

French subtitles

← Steering and Reprogramming Life

Get Embed Code
2 Languages

Showing Revision 4 created 04/18/2019 by Anne BG.

  1. Comprendre les origines causales et les
    principes mécaniques du comportement

  2. d'un système évolutif est l'un des
    plus grands challenges de notre temps.
  3. Par exemple, le pliage d'une protéine pour
    devenir une partie fonctionnelle du corps,
  4. or comment un médicament
    peut aider contre une maladie.
  5. Un système causal est décrit par un modèle
    algorithmique évoluant dans le temps.
  6. La longueur du plus court modèle
    informatique est appelé
  7. le contenu en information
    algorithmique du système.
  8. C'est la quantité de code informatique
    requise pour reproduire l'objet lui-même.
  9. Plus la description est courte,
    plus il est probable
  10. que le système est généré causalement.
  11. Plus la description est longue,
    moins il est probable
  12. qu'il soit généré causalement.
  13. Un système dynamique peut être représenté
  14. par un réseau d'éléments en interaction,
  15. comme des cellules ou gènes activant
    ou désactivant d'autres gènes.
  16. Il nous faut déterminer
    les premiers principes menant un système,
  17. tel que le réseau génétique
    représentant une cellule
  18. ou les cause qu'a une cellule de
    se comporter d'une manière ou d'une autre.
  19. Notre approche consiste à trouver
    un jeu de modèles algorithmiques
  20. qui peuvent expliquer
    la structure du système.
  21. Quand le système est un processus
    aléatoire, donc non généré causalement,
  22. il ne peut être représenté
    que par un modèle descriptif long.
  23. Cependant, des systèmes riches
    en contenu causal peuvent être représentés
  24. par des modèles courts car
    leur mécanisme de génération évolue
  25. dans chaque état observable du système.
  26. Pour déterminer le contenu causal
    d'un système en évolution,
  27. nous réalisons des perturbations.
  28. Dans un réseau, une perturbation
    peut être de supprimer un nœud ou un lien.
  29. Nous examinons les effets
    de cette perturbation, et évaluons
  30. à quel point le système
    est plus ou moins aléatoire.
  31. Dans un système aléatoire, par exemple,
  32. un changement n'aura pas d'impact majeur,
    car aucune partie du système
  33. ne pouvant expliquer un autre,
    et la perturbation passe inaperçue.
  34. Ces systèmes ne peuvent donc
    très certainement pas être reprogrammés.
  35. Mais, dans les systèmes non-aléatoires
    générés causalement
  36. quelques changements
    les rendront méconnaissables,
  37. les interventions causales
    dans ces systèmes
  38. les rendent reprogrammables.
  39. De plus, si on enlève un élément
    et que le système s'éloigne encore plus de l'aléatoire,
  40. on peut conclure que l'élément
    ne fait pas partie du contenu algorithmique,
  41. et qu'il ne fait probablement pas partie
    du mécanisme de génération du réseau.
  42. Il est donc probable qu'il soit du bruit
    ou une partie d'une autre système.
  43. Alternativement, si on enlève un élément
    et que le système se rapproche de l'aléatoire
  44. cela veut dire que l'élément fait partie
    du modèle causal qui explique
  45. l'évolution des autres parties du système.
  46. Mais, si on enlève un élément
    et que le système ne s'approche
  47. ni de l'aléatoire, ni de la simplicité,
    l'élément supprimé est non-essentiel
  48. pour expliquer le système et est probablement
    un élément produit
  49. par le cours normal de son évolution.
  50. Concernant la régulation des gènes,
    nous appliquons ce concept
  51. et évaluons la contribution de chaque gène
    et de chaque interaction de gène
  52. au réseau original, en classant
    les éléments par contribution causale.