Cycle cellulairevignette|335x335px|Cycle cellulaire d'une cellule eucaryote (car présence de la mitose) Le cycle cellulaire est l'ensemble des étapes qui constituent et délimitent la vie d'une cellule. Ce cycle est composé de plusieurs phases de croissance dans lesquelles la cellule grossit et duplique son matériel génétique (interphase) et d'une phase où celle-ci se divise (mitose) pour donner naissance à deux cellules filles identiques (dans le cas de la mitose). Les cellules filles reproduiront ce cycle, et ainsi de suite.
Cell cycle checkpointCell cycle checkpoints are control mechanisms in the eukaryotic cell cycle which ensure its proper progression. Each checkpoint serves as a potential termination point along the cell cycle, during which the conditions of the cell are assessed, with progression through the various phases of the cell cycle occurring only when favorable conditions are met. There are many checkpoints in the cell cycle, but the three major ones are: the G1 checkpoint, also known as the Start or restriction checkpoint or Major Checkpoint; the G2/M checkpoint; and the metaphase-to-anaphase transition, also known as the spindle checkpoint.
Biologie cellulairethumb|Détection de filaments d'actine dans des cellules animales (immunofluorescence) La biologie cellulaire (anciennement appelée cytologie) est une discipline scientifique qui étudie les cellules, du point de vue structural et fonctionnel, et les utilise pour des applications en biotechnologie. Elle s'intéresse à l'écosystème cellulaire, c'est-à-dire à l'équilibre dynamique et autorégulé des fonctions cellulaires, dans un contexte normal ou perturbé.
Division cellulairethumb|upright=1.2| Schémas des différents types de divisions cellulaires. La division cellulaire est le mode de multiplication de toute cellule. Elle lui permet de se diviser en plusieurs cellules (deux le plus souvent). C'est donc un processus fondamental dans le monde vivant, puisqu'il est nécessaire à la régénération de tout organisme. Chez les Eucaryotes — caractérisés principalement par des cellules qui possèdent un noyau — il y a deux types de division cellulaire : La mitose qui n'autorise qu'une multiplication asexuée; elle permet la régénération d'un organe, et aussi la croissance.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
G0 phaseDISPLAYTITLE:G0 phase The G0 phase describes a cellular state outside of the replicative cell cycle. Classically, cells were thought to enter G0 primarily due to environmental factors, like nutrient deprivation, that limited the resources necessary for proliferation. Thus it was thought of as a resting phase. G0 is now known to take different forms and occur for multiple reasons. For example, most adult neuronal cells, among the most metabolically active cells in the body, are fully differentiated and reside in a terminal G0 phase.
Microscopie à fluorescenceLa microscopie en fluorescence (ou en épifluorescence) est une technique utilisant un microscope optique en tirant profit du phénomène de fluorescence et de phosphorescence, au lieu de, ou en plus de l'observation classique par réflexion ou absorption de la lumière visible naturelle ou artificielle. On peut ainsi observer divers objets, substances (organiques ou inorganiques) ou échantillons d'organismes morts ou vivants. Elle fait désormais partie des méthodes de recherche classiques et de la biologie et continue à se développer avec l'.
S phaseS phase (Synthesis Phase) is the phase of the cell cycle in which DNA is replicated, occurring between G1 phase and G2 phase. Since accurate duplication of the genome is critical to successful cell division, the processes that occur during S-phase are tightly regulated and widely conserved. G1/S transition Entry into S-phase is controlled by the G1 restriction point (R), which commits cells to the remainder of the cell-cycle if there is adequate nutrients and growth signaling.
G1 phaseDISPLAYTITLE:G1 phase The G1 phase, gap 1 phase, or growth 1 phase, is the first of four phases of the cell cycle that takes place in eukaryotic cell division. In this part of interphase, the cell synthesizes mRNA and proteins in preparation for subsequent steps leading to mitosis. G1 phase ends when the cell moves into the S phase of interphase. Around 30 to 40 percent of cell cycle time is spent in the G1 phase.
Protéine fluorescente vertevignette|Aequorea victoria. La protéine fluorescente verte (souvent abrégé GFP, de l'anglais « Green Fluorescent Protein ») est une protéine ayant la propriété d'émettre une fluorescence de couleur verte. Issue d'une méduse (Aequorea victoria), cette protéine est intrinsèquement fluorescente sous l'action d'une enzyme, l'aequoréine, une luciférase qui agit en présence de calcium. Son gène peut être fusionné in-vitro au gène d'une protéine que l'on souhaite étudier.
Grand modèle de langageUn grand modèle de langage, grand modèle linguistique, grand modèle de langue, modèle massif de langage ou encore modèle de langage de grande taille (LLM, pour l'anglais large language model) est un modèle de langage possédant un grand nombre de paramètres (généralement de l'ordre du milliard de poids ou plus). Ce sont des réseaux de neurones profonds entraînés sur de grandes quantités de texte non étiqueté utilisant l'apprentissage auto-supervisé ou l'apprentissage semi-supervisé.
Génie génétiqueLe génie génétique est l'ensemble des outils permettant de modifier la constitution génétique d'un organisme en supprimant, en introduisant ou en remplaçant de l'ADN. Celui-ci peut être introduit directement dans les cellules de l'organisme hôte ou dans des cellules cultivées ex vivo puis réintroduites dans l'organisme. Un prérequis au développement du génie génétique a été la mise au point de techniques recombinantes d'acide nucléique pour former de nouvelles combinaisons de matériel génétique héritable suivies de l'incorporation de ce matériel soit indirectement à travers un système vecteur ou directement par microinjection, macroinjection ou microencapsulation.
Prédiction de gènesEn bio-informatique, la prédiction de gènes consiste à identifier les zones de l'ADN qui correspondent à des gènes (le reste étant non codant). Les méthodes par similitudes, aussi appelées méthodes par homologie ou méthodes extrinsèques, consistent à utiliser des informations extérieures au génome pour trouver les gènes. Plus précisément, ces méthodes consistent à comparer la séquence étudiée avec des séquences connues, rassemblées dans les bases de données.
Genetic engineering techniquesGenetic engineering techniques allow the modification of animal and plant genomes. Techniques have been devised to insert, delete, and modify DNA at multiple levels, ranging from a specific base pair in a specific gene to entire genes. There are a number of steps that are followed before a genetically modified organism (GMO) is created. Genetic engineers must first choose what gene they wish to insert, modify, or delete. The gene must then be isolated and incorporated, along with other genetic elements, into a suitable vector.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Analyse prédictiveL'analyse (ou logique) prédictive englobe une variété de techniques issues des statistiques, d'extraction de connaissances à partir de données et de la théorie des jeux qui analysent des faits présents et passés pour faire des hypothèses prédictives sur des événements futurs. Dans le monde des affaires, des modèles prédictifs exploitent des schémas découverts à l'intérieur des ensembles de données historiques et transactionnelles pour identifier les risques et les opportunités.
Cell growthCell growth refers to an increase in the total mass of a cell, including both cytoplasmic, nuclear and organelle volume. Cell growth occurs when the overall rate of cellular biosynthesis (production of biomolecules or anabolism) is greater than the overall rate of cellular degradation (the destruction of biomolecules via the proteasome, lysosome or autophagy, or catabolism). Cell growth is not to be confused with cell division or the cell cycle, which are distinct processes that can occur alongside cell growth during the process of cell proliferation, where a cell, known as the mother cell, grows and divides to produce two daughter cells.
Transformeurvignette|Schéma représentant l'architecture générale d'un transformeur. Un transformeur (ou modèle auto-attentif) est un modèle d'apprentissage profond introduit en 2017, utilisé principalement dans le domaine du traitement automatique des langues (TAL). Dès 2020, les transformeurs commencent aussi à trouver une application en matière de vision par ordinateur par la création des vision transformers (ViT).
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
