Anthony Patch Archives

BRICS 2

Bank for International Settlements (BIS) Established in 1930, the Bank for International Settlements (BIS) is owned by 63 central banks, including the Board of Governors of the Federal Reserve System (United States), representing countries from around the world that together account for about 95% of world GDP. Its head office is in Basel, Switzerland and it has two representative offices: in Hong Kong SAR and in Mexico City, as well as innovation Hub Centers around the world.The BIS mBridge Ledger project is run as part of the Hong Kong BIS Innovation Hub, and it recently launched a minimum viable product (MVP). As of August 2024, the observing members to Project mBridge includes the Federal Reserve Bank of New York. There are also now more than 31 observing members. In conjunction with the BIS, the BRICS organization has established a BRICS Bridge digital currency platform to support trade with local currencies. Known as the BRICS Project mBridge Ledger, this multi-sided payment platform connects member states’ financial systems using payment gateways for settlements in central bank digital currencies. The NewYork Federal Reserve and Regulated Liability Network The New York Federal Reserve`s New York Innovation Center (NYIC), in collaboration with members of the U.S. financial services sector, participated in a proof of concept that experimented with the concept of a Regulated Liability Network (RLN). The RLN concept envisions a theoretical payment infrastructure designed to support the exchange and settlement of regulated digital assets using distributed ledger technology (DLT). The NYIC`s role in this project is narrowly focused on observing the participants’ research and experimentation with tokenized settlement assets. The NYIC is a technical observer in a subsequent industry proof of concept that will further explore the feasibility of a theoretical payment infrastructure designed to support the exchange and settlement of regulated digital assets. The NYIC is a technical observer in this proof-of-concept to gain knowledge on the use of shared ledger technology as infrastructure to conduct transfers between regulated financial institutions, including settling tokenized wholesale central bank money, commercial bank money, and U.S. Treasury securities. The RLN U.S. Working Group is engaged in a proof of concept to explore the business applicability, technical feasibility, and legal viability of the RLN concept in the U.S. context. The PoC was limited to domestic and international payments denominated in U.S. dollars. To test the Regulated Liability Network(RLN) concept, the proof of concept working group researched and analyzed the technical feasibility, business applicability, and legal viability of the concept. The experiment successfully simulated both the domestic and cross-border scenarios, identifying shared ledger technology as a potential solution to support payment innovation. Existing payment systems work through the orchestration of debits and credits across thousands of separate, proprietary bank ledger systems. The RLN concept explores the application of shared ledger technology to change this paradigm, potentially leading to a simpler way of synchronizing payments and settlements across the banking industry. RLN imagines a new financial market infrastructure that runs a shared ledger for participants. On this ledger, there are digital representations of central bank money and commercial bank deposit tokens. This creates an interoperable network for efficient settlement that might be extended to multiple currencies and assets. National Sovereignty BRICS’ forms a coalition of sovereign state countries participating in the UNIT ecosystem of policy independence.The UNIT ecosystem rule book would be focused on reserve basket composition and ecosystem operations. It will not impose EU-type market rules and regulations on participants.Each country would be free to pursue national economic policies it deems to be in its interest . Countries can continue to implement what ever trade and regulatory policies they want. The UNIT system does not require a country to peg its currency to other currencies. In terms of monetary policy, a country can set its own standards. However, gold will require discipline and restrictions for participating countries with trade deficits. If a country has a trade deficit, it will likely wish to put as much of its own currency (as allowed by the “rule book ” ) on reserve at a node to obtain UNITs. However, high domestic inflation would likely make UNITs more expensive in local terms as its currency depreciates against gold. BRICS Economics and The Global Geopolitical Landscape BRICS represents a competing global narrative to that of the West. With regard to the balance of power, it involves changing the agenda, direction, and geopolitical standing of the U.S. dollar.BRICS` impact can be evaluated based on the degree of political coherence among them, as well as their capacity to influence the global economic system.BRICS member nations form a growing coalition of competing power switch a common political objective: to erode Western hegemonic claims by protecting the political sovereignty of nations. Russia is advancing two key strategic goals with its membership in BRICS. First, the political leadership is establishing multi-lateral agreements for the sales of its natural gas to Europe and elsewhere. Secondly, Russia and China are leading in efforts to establish BRICS as the geopolitcial alternative to Western countries. BRICS members have reached an agreement to settle trade between them using their individual sovereign currencies in the future. This, already, has taken place between China and Saudi Arabia, signifying more international payments will be made using the Chinese yuan (renminbi) in opposition to theU.S. dollar. China’s economy is counted as larger than that of Brazil, India, Russia and South Africa com bined. China’s political leadership views their membership in BRICS as a hedge against international sanctions. The New Development Bank (NDB), formerly referred to as the BRICS Development Bank, is a multilateral development bank established by the BRICS states of Brazil, Russia, India, China, and South Africa.According to the Agreement on the NDB, “the Bank shall support public or private projects through loans, guarantees, equity participation and other financial instruments.” Moreover, the NDB “shall cooperate with international organizations and other financial entities, and provide technical assistance for projects to be supported by the Bank.” The bank is headquartered in Shanghai, China. The first regional office

BRICS

New Global Economic Paradigm With the advent of the BRICS organization and in collaboration with the Bank for International Settlement`s Project mBridge, a paradigm shift from the current debt-based model to an asset -based economic model is well underway. Inherent to the present debt-based economic model, profits are realized through payments on interest, while, in an asset model, profits are generated within trading relationships. These profits are valued in sovereign currencies, backed by tangible physical assets such as precious metals and commodities in general.Therefore, unlike debt-based currencies, asset-based sovereign currencies, including CBDCs, retain their value as reflected in the true market value of their underlying tangible assets. Within the ledgers of a debt-based system , two columns record assets and liabilities. However, these are not true assets, rather, they, too, are liabilities. In this system , assets reflect the payment of interest on debts incurred during the purchase of such assets (i.e. liabilities). Therefore, when a shift is made away from a debt-based system, both the assets and liabilities, simultaneously, are reduced to zero within the ledger. The replacement , as envisioned by the Bank for International Settlements (BIS), for the current debt-based system is a true asset model, whereby profits are generated within trading members of BRICS. Profits are no longer denominated in U.S. dollars, rather, in a new reserve currency backed by a singular reserve basket of the member`s sovereign digital currencies. Once the BRICS nations establish a new reserve currency, this would significantly impact the US dollar, leading to a sharp decline in demand, referred to as de-dollarization. Presently, 60% of foreign currency reserves held in U.S. dollars is down from 70%. During the 14th BRICS Summit, held in mid-2022, Russian President Vladimir Putin said the BRICS countries plan to issue a “new global reserve currency,” and are ready to work openly with all fair trade partners. At the 2023 BRICS Summit, six countries were invited to become BRICS members: Argentina, Egypt, Ethiopia, Iran, Saudi Arabia, and the United Arab Emirates. All but Argentina officially joined the alliance in January 2024, doubling its membership from the original five members: Brazil, Russia, India, China, and South Africa. A significant BRICS goal is to increase the use of local currencies for trade utilizing a BRICS Bridge digital currency platform to support trade with local currencies.This adoption of blockchain technology and its digital currencies would usher in a new global economic paradigm. BRICS BRICS is an acronym for Brazil, Russia, India, China, and South Africa, a block of countries that formed a partnership to further economic cooperation among member nations, in contrast to the Western sphere of power. The head of state of a member nation acts as the chairman of the group, rotating once a year. Informal meetings began in 2006 but the group’s first of ficial meeting was on June 16, 2009, in Yekaterinburg, Russia The BRICS nations, originally composed of Brazil, Russia, India, China, and South Africa, are looking to establish a new reserve currency backed by a basket of their respective currencies. The current system is denominated by the U.S. dollar, accounting for approximately 90% of all currency trading. Until recently, nearly 100 percent of oil trading was conducted in US dollars; however, in 2023, one-fifth of oil trades were reportedly made using non-US dollar currencies. In cooperation with the Bank for International Settlements (BIS), BRICS members are developing Project mBridge Ledger. This multi-sided payment platform connects member states’ financial systems using payment gateways for settlements in central bank digital currencies. The planned system would serve as an alternative to the current international cross-border payment platform, the Society for Worldwide Interbank Financial Telecommunication (SWIFT) system, which is denominated in US dollars. Project mBridge Ledger: The “m” in mBridge stands for “Multiple CBDC Bridge”. mBridge is a blockchain-based platform that enables real-time, peer-to-peer, cross-border payments and foreign exchange transactions using central bank digital currencies (CBDCs). A platform based on blockchain – the mBridge Ledger – was built to support real-time, peer-to-peer, cross-border payments and foreign exchange transactions. In 2022, a pilot with real-value transactions was conducted. Since then, the mBridge project team has been exploring whether the prototype platform could evolve to become a minimum viable product stage – a stage attained as of June 5, 2024. The project aims to explore a multi-central bank digital currency (CBDC) platform shared among participating central banks and commercial banks, built on distributed ledger technology (DLT) to enable instant cross-border payments and settlement. Multi-CBDC arrangements that connect different jurisdictions in a single common technical infrastructure offer significant potential to improve the current system and allow cross-border payments to be immediate, cheap and universally accessible with final settlement. The Federal Reserve Bank of New York , through its New York Innovation Center (NYIC) and Regulated Liability Network , is an observing member of the Project mBridge Ledger . BRICS Membership The next BRICS summitis scheduled to take place during October 22-24, 2024, in the southwestern Russian city of Kazan.The member organization began as a summit -level gathering between Brazil, Russia, India and China in 2009 and expanded to include South Africa two years later .Since 2011, BRICS has grown in opposition to the Group of Seven(G7) of major developed economies. Currently, nearly three dozen countries that are seeking entry into the Chinese and Russian-backed group of major emerging economies. This year, Russia has been accepting membership applications during its rotating chairman ship of the group. Since the beginning of 2024, Iran, Saudi Arabia, the United Arab Emirates (UAE), Ethiopia, and Egypt have been granted full membership in BRICS, further advancing the global de-dollarization movement .

The cern to d-wave connection

Another smoking gun by: Anthony Patch Od kraja 2011, javno sam izjavio da postoji direktna veza između kvantnog istraživanja koje se sprovodi u CERN-u, Ženeva, Švajcarska, i adijabatskih kvantnih računara kompanije D-Vave Sistems, Inc. iz Burnabija, B.C., Kanada. Objavljeno u izdanju Futurism.com od 25. oktobra 2017. je ono što predstavlja jedno od mojih brojnih „pušaka koje puše“ u vezi sa saradnjom između ova dva entiteta. https://futurism.com/researchers-trained-a-quantum-computer-to-find-the-higgs-boson/ Da li je Higsov bozon ponovo otkriven? Možda tehnički, uz kreativnu primenu računara sposobnog da sortira ogromne količine podataka. Ubrzanjem izračunavanja, istraživači se nadaju da bi kvantni računari mogli pomoći u istraživanju našeg prirodnog sveta i proširiti naše znanje o poznatom univerzumu. U studiji koja je dokazala princip, tim fizičara je koristio kvantno kolo da bi pregledao planine podataka iz eksperimenata koji uključuju razbijanje čestica – poput eksperimenata koji su doveli do posmatranja i formalnog otkrića čestice Higsovog bozona. U stvari, pošto je to i nedavno i veliko otkriće, tim je koristio posmatranje Higsovog bozona kao poligon za testiranje ove mašine koju je izgradila kompanija za kvantno računarstvo D-Vave. Opšta ideja je bila da, zbog ove povećane sposobnosti konzumiranja i sortiranja podataka, mogu lakše „pronaći“ Higsov bozon. Međutim, pokazalo se da je metoda u rangu sa konvencionalnim metodama, a ne efikasnija. Ali, uprkos onome što bi moglo izgledati kao nazadovanje, ovaj razvoj i dalje označava pozitivan napredak. Kajl Kranmer, fizičar sa Univerziteta u Njujorku koji nije bio uključen u rad, rekao je da „Pre ovoga tačka, ljudi su bili svesni da će ovo možda jednog dana biti relevantno. Ovo čini da izgleda kao da možda i jeste.” On smatra da je urođeno osvežavajuće to što, umesto tradicionalnih matematičkih rešenja, ovaj tim koristi kvantnu mašinu da pokuša da reši problem praktične fizike. Fizicki Limiti U početnom (istinitom) otkriću čestice Higsovog bozona u Evropskoj organizaciji za nuklearna istraživanja (CERN), fizičari su eksperimentima ATLAS i CMS napravili razliku između fotona i nefotona nakon sudara protona (vrlo jednostavno rečeno) . Oni su takođe obučili algoritme za mašinsko učenje, sa simuliranim podacima, da urade isto. Tim koji je tražio kvantna rešenja dobio je mašinu u D-Vave-u, želeći da vidi da li može da prati uputstva za traženje fotonskog potpisa Higsove čestice. Međutim, ovo nije trebalo da ponovi uzbuđenje prvobitnog otkrića ili da dokaže da oni mogu učiniti isto – ono što je omogućilo istraživačima je da utvrde da li kvantno računarstvo zaista može biti korisno sredstvo u fizičkom istraživanju. Prema Cranmeru, jednostavno pokazivanje da bi to bilo moguće bio je „najbolji deo“ ovog posla. Kao što je ranije rečeno, kvantna metoda nije tačnija od konvencionalnih metoda koje već postoje. Ali kvantne mašine D-talasa su u stanju da prikupe toliko podataka i imaju tako različite potencijalne primene, da ne samo da će druga polja imati koristi, već bi mašinsko učenje u celini moglo napredovati uz tako široku upotrebu. Kvantni kompjuter je nazvan kontroverznim i, u stvari, ima mnogo onih koji ne vide obećanje u ovom pravcu. Ali uprkos suprotstavljenim poljima u rasponu od bioinformatike do nauka o Zemlji i još mnogo toga moglo bi iskoristiti mogućnosti koje je ova mašina dokazala kroz ovaj eksperiment. Postoji dodatna veza između računarskih sistema na kvantnoj skali zasnovanih na kubitu kompanije D-Vave Sistems, Inc. i fizike koja se koristi u okviru Velikog hadronskog sudarača (LHC) u CERN-u. Oba su kvantni računarski sistemi. To je tačno. Iako je očigledno da su D-Vave-ovi adijabatski sistemi u stvari kvantni računari. Ono što se ne ceni je LHC, iako na mnogo većoj skali od 27 km, takođe radi kao kvantni računar. Kako se možete pitati? Jednostavan pregled njihovih komponenti otkriva sve. D-talas kubit: Sastavljen od zlata i niobijuma. Održava se u kriogenom stanju održavajući superprovodljivost ovih materijala. Omogućavanje ubrzanja elektrona (naelektrisanih čestica) koji se drže na suprotnim kružnim putanjama, postižući superpoziciju, što rezultira time da su 0s takođe 1s, dok su 1s takođe 0s. Prema javnim izjavama suosnivača Geordie Rose, oni pristupaju hiljadama paralelnih dimenzija. U prethodnim izdanjima Entangled Magazina, iu ovom, dao sam transkripcije njegove prve izjave date 2013. godine, u odnosu na 3. model, koji se sastoji od 512 kubita. On je ukazao da su u to vreme pristupali 2 na 500. stepen paralelnih dimenzija. LHC: Superprovodni magneti sastavljeni od niobijum-titanijuma. Održava se u kriogenom stanju održavajući superprovodljivost ovih materijala. Omogućavanje da se protoni, joni olova i druge kvantne čestice drže na suprotnim kružnim putanjama. Sada… evo gde postaje zanimljivo razmišljati o posledicama ovih skoro identičnih sistema. LHC takođe postiže superpoziciju 0s i 1s. Samo na skali od 27 km, za razliku od kubita veličine čipseta D-Vave sistema. Uzmite u obzir i činjenicu da D-Vave pristupa u dvosmernoj konfiguraciji komunikacija, hiljadama paralelnih dimenzija. Sada, javno sa svojim 5. modelom, 2000K (2048 čipset), oni pristupaju preko 2 do 2000. stepena paralelnih dimenzija. Kako se ovo može porediti sa LHC-om? To je samo jedan kubit. Iako, veoma veliki. Postoji oko 110 sinhrotronskih akceleratora čestica zasnovanih na prstenu i još više u izgradnji. Još više na tabli za crtanje, uključujući sopstvene planove CERN-a za još jednu tri puta veću veličinu od njihove sadašnje mašine. Šta ovo znači. Svaki sinhrotronski akcelerator čestica funkcioniše kao kvantni računar. I kao svaki sistem sa više jedinica, oni su umreženi zajedno. U stvari, kao što je pokazano u prethodnom članku, CERN za D-Vave vezu, svaki od sada 16 modela D-Vave kvantnih računara, sa višestrukim brojem prodatih kupcima navedenim u ovom članku. I oni su međusobno umreženi kako bi se sprečili sukobi između pojedinih jedinica. Konačno, svaka od dve mreže, one koje se sastoje od sinhrotrona, kao i svaka od D-talasnih jedinica, spojene su u jednu svetsku mrežu. Jedna mreža koja pristupa i komunicira sa skoro beskonačnim brojem paralelnih dimenzija. Zapanjujuće… posledice po čovečanstvo. New QUBITS “Quantum Bits” Dugogodišnji čitaoci Entangled Magazina bez sumnje se sećaju mnogih citata o adijabatskim kvantnim kompjuterima D-talasnog sistema i njihovog korišćenja kvantnih bitova koji se nazivaju jednostavno kubitima. Danas nam je predstavljen pojam novog oblika kubita koji je nedavno primenjen. Opet, čitaoci znaju za moje otkriće u vezi sa upotrebom bioloških kubita, skovao sam kao „tople i vlažne“

SZO Ugovor

Text je preuzet iz Entangled Magazina i preveden preko google translate .. KLJUČNA Definicija: WHO CA+ Konvencija, sporazum ili drugi međunarodni instrument Svetske zdravstvene organizacije (SZO) o prevenciji, spremnosti i odgovoru na pandemiju (VHO CA+) je nacrt ugovora koji ima za cilj da unapredi prevenciju, spremnost i odgovor na pandemiju kroz međunarodnu saradnju.CA+ ima za cilj smanjenje rizika od pandemija i povećanje spremnosti za pandemiju i kapaciteta odgovora na nacionalnom, regionalnom i međunarodnom nivou. Komentar: Svetska zdravstvena skupština (VHA), telo za donošenje odluka Svetske zdravstvene organizacije (SZO), sastaje se u Ženevi, Švajcarska (27. maj – 1. jun 2024.) kako bi donela konačnu odluku o nultom nacrtu SZO. plan SZO CA+. Tako se postavljaju temelji za potpunu implementaciju Globalnog upravljanja koji je napredovao kroz Svetski ekonomski forum (WEF). U Sjedinjenim Državama, ovo je godina predsedničkih izbora i faza pandemije se postavlja za glasanje poštom. Moguće je da su sintetizovani virus SARS-CoV-2 i bolest COVID-19 prethodnik bolesti „X“, što omogućava proglašenje još jedne pandemije i sprovođenje CA+ plana Svetske zdravstvene organizacije. Olakšavajući proglašenje pandemije, bolest ‘X’ se u početku može identifikovati kao H5N1 ‘ptičji grip’. Međutim, zabeležen je porast slučajeva tuberkuloze (TB). U okviru našeg aprilskog izdanja Entangled-a, predstavili smo istraživanje koje pokazuje da je TB usko povezana sa leprom putem mikobakterije. Moguća kombinacija ove tri bolesti, označena kao bolest ‘X’, može pružiti dovoljno javno opravdanje za lidere da se odreknu suverenog statusa svoje nacije kroz ratifikaciju CA+ plana Svjetske zdravstvene organizacije. Bolest „X“ je naziv koji su naučnici i Svetska zdravstvena organizacija (SZO) dali nepoznatom patogenu koji bi mogao da se pojavi u budućnosti i izazove ozbiljnu međunarodnu epidemiju ili pandemiju. Bolest ‘X’, hipotetička nepoznata pretnja, je naziv koji se koristi među naučnicima da podstakne razvoj kontramera, uključujući vakcine i testove, koje bi se primenile u slučaju buduće epidemije – SZO je sazvala grupu od preko 300 naučnika u novembru 2022. Da prouči „nepoznati patogen koji bi mogao da izazove ozbiljnu međunarodnu epidemiju“, postavljajući stopu smrtnosti 20 puta veću od Covid-19. „Nulti nacrt plana SZO CA+“.Strana 23: Član 17. Jačanje pandemijske i javnozdravstvene pismenosti Klikni za pdf Strane se obavezuju da će povećati nauku, javno zdravlje i pismenost stanovništva u vezi sa pandemijom, kao i pristup informacijama o pandemijama i njihovim posledicama, kao i da će se pozabaviti lažnim, obmanjujućim, dezinformacijama ili dezinformacijama, uključujući promovisanje međunarodne saradnje. U tom smislu, svaka strana se podstiče da: (a) promoviše i olakšava, na svim odgovarajućim nivoima, u skladu sa nacionalnim zakonima i propisima, razvoj i sprovođenje programa obrazovanja i podizanja svesti javnosti o pandemijama i njihovim posledicama, informisanjem javnosti, saopštavanjem rizika i upravljanjem infodemijama putem efikasnih kanala, uključujući društveni mediji; (b) sprovodi redovno društveno slušanje i analizu kako bi se identifikovala rasprostranjenost i profili dezinformacija, koji doprinose osmišljavanju komunikacija i strategija za razmenu poruka za javnost kako bi se suprotstavili dezinformacijama, dezinformacijama i lažnim vestima, čime se jača poverenje javnosti (c) promovišu komunikaciju o naučnom, inženjerskom i tehnološkom napretku koji je relevantan za razvoj i primenu međunarodnih pravila i smernica za prevenciju pandemije, pripravnost, reagovanje i oporavak zdravstvenih sistema, na osnovu nauke i dokaza. Strane će doprineti istraživanju i informisanju politika o faktorima koji ometaju poštovanje javnih zdravstvenih i socijalnih mera, poverenje i prihvatanje vakcina, upotrebu odgovarajućih terapija i poverenje u nauku i vladine institucije. Strane će promovisati nauku i efikasnu i blagovremenu procenu rizika zasnovanu na dokazima, uključujući nesigurnost podataka i dokaza, kada o tom riziku saopštavaju javnost. Napomena: Izvodi uzeti direktno iz originalnog plana „Nulti nacrt SZO CA+“ uključeni su na kraju ove publikacije. One su specifične za drakonske mere neophodne za sprovođenje jedinstvenog globalnog oblika upravljanja. Sledeći dokumenti, predstavljeni u opadajućem redosledu, predstavljaju izveštaje o napretku koji su dostavljeni Svetskoj zdravstvenoj organizaciji i njenoj Svetskoj zdravstvenoj skupštini. SEDAMDESET SEDMA SVETSKA SKUPŠTINA ZDRAVLJATačka privremenog dnevnog reda 13.4 A77/10 27. maj 2024Izveštaj generalnog direktora Međuvladino pregovaračko telo za izradu i pregovaranje o konvenciji, sporazumu ili drugom međunarodnom instrumentu SZO o prevenciji, spremnosti i odgovoru na pandemiju Klikni za pdf AKCIJA SKUPŠTINE ZDRAVSTVA 2. Poziva se Skupština zdravlja da razmotri ishod INB-a, kako je sadržano u Aneksu. Predlog sporazuma SZO o pandemiji Nacrt teksta koji odražava napredak do petka, 24. maja u 12:00 CST ANEX KOMENTAR: Međuvladino pregovaračko telo (INB) odredilo je rok do 24. maja 2024. godine za izradu nacrta ugovora u obliku Sporazuma o pandemiji. Počev od 27. maja, nacrt sporazuma trebalo je da bude predstavljen u Ženevi na Svetskoj zdravstvenoj skupštini (VHA) Svetske zdravstvene organizacije (SZO).Generalni direktor SZO Tedros Adhanom Gebrejesus naložio je pregovaračima iz 194 države članice SZO da finaliziraju Sporazum o pandemiji (Sporazum) do 1. juna. Predstavnici Svetske zdravstvene organizacije (SZO) tvrde da je još jedna pandemija neizbežna i napravili su oznaku za čuvanje mesta, Bolest „Ks“, kako bi učvrstili svoju poentu. Iako je velika pažnja svetskih medija bila usmerena na sazivanje Sedamdeset sedme Svetske zdravstvene skupštine (SZO) (27. maj 2024. – 1. jun 2024.), mora se primeniti veća pažnja na radnje njihovog Komiteta za reviziju (RC) za međunarodne zdravstvene propise (IHR). Konkretno, niz predloženih amandmana na ove propise koje su države učesnice dostavile Radnoj grupi (RG) u okviru RH. Predloženo od strane država članica SZO, fokus njihovih razlika i nepostojanja saglasnosti je bio na zabrinutosti oko prava intelektualne svojine, izdavanja patenata, razmene informacija o genetskoj sekvenci u pogledu patogena (i novih i postojećih) i dostupnosti vakcina. One zemlje članice sa manje raspoloživih finansijskih sredstava zabrinute su zbog troškova vezanih za kupovinu i pravičnu distribuciju vakcina. Ostaje veliko neslaganje oko pružanja informacija o novim patogenima sa farmaceutskim proizvođačima. Ovaj transfer tehnologije, kako su članovi naveli, može se desiti samo uz garancije umesto pristupačnosti i ravnopravnog pristupa vakcinama koji su rezultat takve razmene informacija. Mnoge države članice SZO, posebno unutar takozvanih zemalja u razvoju, raspravljale su oko toga koje količine vakcina i terapeutika farmaceutskih kompanija treba da budu garantovane besplatno ili bez profita.Dok, bogatije zemlje članice nisu odobravale propise koji se odnose na oduzimanje prava intelektualne svojine od strane proizvođača lekova. Čini se u vreme pisanja ovog teksta da je Međuvladino pregovaračko telo (INB) podnelo okvir sporazuma o principima

Digital Human Biology 2.deo

Ljudska digitalna biologija Tokom poslednje tri decenije, istraživanje vakcina je transformisano novim tehnologijama kao što su rekombinantna DNK, mRNA i hemijska konjugacija (kovalentno vezivanje slabog antigena za jak antigen). Od početka bolesti Covid-19, počeo je da se pojavljuje novi tip razvoja vakcine: Digitalne vakcine Istraživanje vakcina je doživelo značajan porast u tehnikama razvoja, proizvodnji, distribuciji i inokulaciji. Od 1990-ih, a značajno od 2020. godine, reverzna vakcinologija (RV) zasnovana na genomu se primenjuje za identifikaciju potencijalnih kandidata za vakcinu. Reverzna vakcinologija uključuje kloniranje i ekspresiju svih proteina u sekvenci genoma organizma za koje se u silikonu predviđa da će biti površinski izloženi ili izlučeni. Od prvih dana pandemije Covid-19 2020. godine, primenjuju se nove metode otkrivanja antigena (tj. proteina), dizajna i istraživanja odgovora na vakcinu, uključujući obrnutu vakcinologiju, strukturnu biologiju i sistemsku biologiju.Vakcine, reverzna vakcinologija i bakterijska patogeneza:klikni ovde Antigeni Antigen je svaka supstanca koja uzrokuje da vaš imuni sistem proizvodi antitela protiv njega. To znači da vaš imuni sistem ne prepoznaje supstancu i pokušava da se bori protiv nje. Antigen može biti supstanca iz okoline, kao što su hemikalije, bakterije, virusi ili polen. Antitelo Tradicionalno, pravljenje vakcina je uključivalo uzgoj bakterija, virusa ili parazita i njihovo korišćenje za proizvodnju živih atenuiranih, ubijenih ili podjediničnih vakcina, takozvanih analognih vakcina. Digitalne vakcine se ne zasnivaju ni na jednoj komponenti dobijenoj od živog patogena. Umesto toga, oni se zasnivaju na genetskim informacijama preuzetih sa interneta sa sintezom gena ili RNK koja zatim isporučuje genetski kod ćelijama domaćina. Ćelije domaćini zatim sintetišu antigen koji aktivira imuni odgovor domaćina. Sledeće ubrzanje razvoja vakcine dogodilo se 2020. godine sa digitalnim vakcinama, što je omogućilo dizajniranje antigena koristeći njihovu molekularnu strukturu, često u kompleksu sa antitelom, i omogućilo pravljenje sintetičkih gena i njihovo isporuku kao mRNK.Vakcine 2020: Era digitalne vakcine je stigla Ljudski genom Iako se istorija istraživanja genomike može pratiti do 1970-ih, sa razvojem tehnologije sekvenciranja DNK, kasne 1990-te označile su početak takozvane ere genomike, sa prvim kompletnim sekvencioniranim genomom slobodnog živog organizma Haemophilus influenzae. 1995. Od tada, nove tehnologije su omogućile da se sekvenciranje genoma završi veoma brzo i tokom protekle decenije, sekvenciranje celih genoma je postalo uobičajena praksa u istraživanju. Pored bakterijskih genoma, nekoliko eukariotskih genoma, uključujući i ljudski genom, potpuno je sekvencirano. Genomika, proučavanje genoma organizama u celini, i postgenomske tehnologije, istraživanje RNK (transkriptomika), proteina (proteomika) i metabolita (metabolomika), imale su značajan uticaj u svim oblastima bioloških istraživanja, a oblast vakcinologije nije izuzetak. Brza dostupnost kompletnih i tačnih sekvenci genoma patogena i povećanje dostupnih alata za analizu za iskopavanje bioloških informacija uključenih u sekvence genoma značajno su smanjili vreme za istraživanje i razvoj vakcine. Eksploatacija genoma je omogućila da se predvide geni koji potencijalno kodiraju faktore koji promovišu patogenezu, na primer na osnovu sličnosti sekvenci sa poznatim patogenim proteinima koji su već prisutni u bazi podataka, da se dodele funkcije gena i predvide neke karakteristike kodiranih proteina, kao što je na primer ćelijska lokacija, molekulska težina ili rastvorljivost. Reverzna Vakcinologija Potential vaccine candidates (PVCs) – Potencijalni kandidati za vakcinu Reverzna vakcinologija (RV) je široko korišćen pristup za identifikaciju potencijalnih kandidata za vakcinu (PVC) skriningom proteoma patogena putem kompjuterskih analiza.Od prve primene u grupi B meningokoka (MenB) vakcine ranih 1990-ih, razvijeno je nekoliko softverskih programa koji implementiraju različite vrste prvog RV protokola. Reverzna vakcinologija (RV) je pristup zasnovan na genomu koji je Rappuoli prvi put razvio ranih 1990-ih. U svojoj prvobitnoj koncepciji, pošto su antigeni koji indukuju humoralni odgovor antitela primarno locirani u ekstracelularnim ili spoljašnjim membranskim distriktima, svi otvoreni okviri za čitanje ekstrahovani iz sekvence genoma MenB soju MC58 su pregledani da bi se odabrali proteini za koje se predviđa da će biti izloženi površini, izlučeni ili lipoproteini. Pristup reverzne vakcinologije je napravio revoluciju u razvoju vakcine usvajanjem kompjuterizovanog skrininga proteinskih sekvenci iz patogena kao prvog koraka procesa, kako bi se izabrala podskupina obećavajućih antigena, poznatih kao potencijalni kandidati za vakcinu.. Reverzna vakcinologija (RV) nudi dve glavne prednosti u poređenju sa tradicionalnim pristupima razvoja vakcine: (1) identifikacija kandidata za antigene bez potrebe za uzgojem patogena; (2) identifikacija bilo kog antigena nezavisno po njegovoj prečišćenoj količini da bi bio pogodan za testiranje vakcine. Mašinsko učenje ili klasifikacija RV programa Aplikacije mašinskog učenja ili klasifikacije reverzne vakcinacije ranije agregiraju karakteristike izmerene ili predviđene na sekvencama proteina patogena u matricu, a zatim, s obzirom na poznati skup primera obuke za PVC, i ne -PVC, algoritam gradi model koji dodeljuje nove ulazne proteine u jednu od dve klase, obično na probabilistički način. RV programi za mašinsko učenje ne odbacuju proteine, kao što to čine alati za RV odlučivanje, već rangiraju čitav skup ulaznih proteina prema njihovoj verovatnoći da budu PVC. Ovi rezultati su veoma korisni kada se moraju planirati pretklinički potvrdni testovi, jer eksperimentator može početi sa kandidatima koji najviše obećavaju rangirani na najvišim pozicijama. RV alati za mašinsko učenje su noviji u ovoj oblasti i bolje presreću sve veću pažnju koju analitika podataka poklanja metodama veštačke inteligencije. Alati za RV mašinsko učenje razlikuju se jedni od drugih po vrsti klasifikacionog algoritma koji koriste, po broju karakteristika koje mere i po veličini i asortimanu proteina koji čine set za obuku. Comparison of Open-Source Reverse Vaccinology Programs for Bacterial Vaccine Antigen Discovery Vakcine, reverzna vakcinologija i bakterijska patogeneza Napredak u genomici i inovativne strategije kao što je reverzna vakcinologija promenili su koncepte i pristupe selekciji i dizajnu kandidata za vakcinu.Eksploatacija genoma i slepa selekcija novih antigena pružaju novi put za istraživanje mehanizama koji podupiru patogenezu. Dobijene liste novih kandidata otkrivaju nove aspekte patogeneze ciljnih organizama, što zauzvrat pokreće racionalni dizajn optimalnih antigena vakcine. Ovde koristimo otkriće, karakterizaciju i eksploataciju fHbp, kandidata za vakcinu i ključnog faktora virulencije meningokoka, kao ilustrativan slučaj. Primena genomskih pristupa za proučavanje i patogena i domaćina će na kraju povećati naše fundamentalno razumevanje biologije patogena, mehanizama odgovornih za razvoj zaštitnog imuniteta i voditi dizajn vakcine sledeće generacije. Tehnologije zasnovane na genomu omogućile su funkcionalno slepu selekciju kandidata za vakcinu i ne samo da su dovele do otkrića novih zaštitnih antigena, već su otkrile i nove faktore virulencije nekoliko patogena. Shodno tome, paradigma od

DARPA RNK VAKCINA 2017.God

Tokom proteklih nekoliko godina, istraživači koje finansira DARPA su uveli tehnologiju RNK vakcine, medicinsku protivmeru protiv zaraznih bolesti koja koristi kodirane genetske konstrukte da stimuliše proizvodnju virusnih proteina u telu, što zauzvrat može da izazove zaštitni odgovor antitela. Kao nastavak napora, DARPA je finansirala istraživanje genetskih konstrukata koji mogu direktno stimulisati proizvodnju antitela u telu.1,2 DARPA sada pokreće program Platforme za prevenciju pandemije (P3), čiji je cilj da razvije taj temeljni rad u čitav sistem. sposoban da zaustavi širenje bilo koje epidemije virusne bolesti pre nego što može da eskalira do statusa pandemije. Takva sposobnost bi ponudila oštar kontrast u odnosu na stanje tehnike za razvoj i primenu tradicionalnih vakcina – proces koji pacijentima ne isporučuje tretmane sve do meseci, godina ili čak decenija nakon što se pojavi virusna pretnja. „DARPA-in cilj je da stvori tehnološku platformu koja može da stavi zaštitni tretman u ruke zdravstvenih radnika u roku od 60 dana od identifikovanja patogena i da taj tretman izazove zaštitu kod pacijenata u roku od tri dana od primene. Moramo da budemo u mogućnosti da se krećemo ovom brzinom s obzirom na to koliko brzo epidemije mogu da izmaknu kontroli“, rekao je Met Hepbern, menadžer programa P3. “Tehnologija treba da radi na bilo kojoj virusnoj bolesti, bez obzira da li se radi o onoj sa kojom su se ljudi ranije suočili ili ne.” Nedavna izbijanja virusnih zaraznih bolesti kao što su zika, grip H1N1 i ebola naglo su olakšala nemogućnost globalnog zdravstvenog sistema da brzo obuzda širenje bolesti koristeći postojeće alate i procedure. Najsavremenijim medicinskim protivmerama obično je potrebno mnogo meseci ili čak godina za razvoj, proizvodnju, distribuciju i administriranje. Ova rešenja često stignu prekasno – ako uopšte i stignu – iu količinama premalim da bi odgovorile na nove pretnje. Nasuprot tome, predviđena platforma P3 bi skratila vreme odgovora na nedelje i ostala u okvirima relevantnosti za obuzdavanje izbijanja. Ključne za ovaj poduhvat su tehnologije zasnovane na nukleinskim kiselinama – one koje su usredsređene na DNK i RNK – uključujući neke razvijene u okviru DARPA-inog programa Autonomna dijagnostika za omogućavanje prevencije i terapije (ADEPT). Koristeći ove alate, naučnici mogu da identifikuju zaštitna antitela od pacijenata koji se oporavljaju, a zatim, putem biološke verzije obrnutog inženjeringa, proizvedu genetske konstrukte koji, kada se isporuče, mogu da upute telu pojedinca da proizvodi slična zaštitna antitela. Značajne količine ovih „nacrta“ nukleinske kiseline mogu se brzo proizvesti u poređenju sa najsavremenijim metodama proizvodnje antitela. —- KLINKI NA LINK DO DARPA ADEPT — Ono što je sada potrebno je napredak u tri druge tehnološke oblasti kako bi se premostila ta prošla dostignuća DARPA-e i prevazišla preostala uska grla koja ometaju brz odgovor na pretnje pandemije. Program P3 će težiti inovacijama u ove tri oblasti: Postizanje i integrisanje otkrića u svim ovim oblastima zahtevaće koreografsku saradnju između istraživača i inženjera specijalizovanih u oblastima kao što su imunologija, mikrobiologija, virologija, medicinske zarazne bolesti, molekularna biologija i razvoj i proizvodnja proizvoda za medicinske protivmere. Timovi koje finansira DARPA će morati da pokažu svoje integrisane platforme u pet simulacija tokom planiranog četvorogodišnjeg programa; oni će u početku testirati svoje platforme koristeći patogene po svom izboru, ali će na kraju testirati koristeći patogene odabrane DARPA, uključujući dve demonstracije u kojima će identitet patogena ostati neproziran za timove dok ne počne 60-dnevni sat. Da bi se osiguralo da razvijene platforme mogu da proizvedu kvalitetan proizvod sa održivim putem za regulatorni pregled, svaki tim će morati da završi kliničko ispitivanje bezbednosti prve faze pre kraja programa. Prednost pristupa zasnovanog na nukleinskim kiselinama za ograničavanje širenja infekcije je u tome što bi genetski konstrukti uvedeni u telo bili brzo obrađeni i ne bi se integrisali u genom pojedinca. Slično tome, antitela proizvedena kao odgovor na lečenje bila bi prisutna u telu samo nedeljama do mesecima. Ovo je u skladu sa namerom DARPA-e sa P3, koja je da bezbedno obezbedi prolazni imunitet na virus, zaustavljajući širenje bolesti stvaranjem zaštitnog zida. „Naša zemlja traži od naših pripadnika vojne službe da se rasporede globalno i pruže humanitarnu pomoć u svim vrstama okruženja visokog rizika. Dugujemo im da razvijemo najbolju moguću zaštitu“, rekla je Hepbern, lekarka američke vojske koja je ranije služila kao direktor medicinske pripravnosti u osoblju za nacionalnu bezbednost Bele kuće. „Ako budemo uspešni, DARPA bi mogla da skine epidemije virusnih zaraznih bolesti sa stola kao pretnju američkim trupama i kao pokretač globalne nestabilnosti.

Biohazard & AI Corruption (4.deo)

Antromorfizam u Vestackoj Inteligenciji Istraživanja veštačke inteligencije brzo rastu i otvaraju različita etička pitanja vezana za bezbednost, rizike i druge efekte o kojima se u literaturi naširoko raspravlja.Smatramo da je za adekvatno rešavanje ovih pitanja i uključivanje u produktivnu normativnu diskusiju neophodno ispitati ključne koncepte i kategorije. Jedna takva kategorija je antropomorfizam.Dobro je poznata činjenica da su funkcionalnosti i inovacije AI često antropomorfizovane (tj. opisane i zamišljene kao okarakterisane ljudskim osobinama). O antropomorfnim stavovima opšte javnosti i nekim njihovim etičkim posledicama (posebno u kontekstu društvenih robota i njihove interakcije sa ljudima) se naširoko raspravlja u literaturi. Međutim, manje pažnje je posvećeno tome kako antropomorfizam prožima samo istraživanje AI (tj. na samom jeziku kompjuterskih naučnika, dizajnera i programera), i kakve bi epistemološke i etičke posledice ovoga mogle biti. U ovom radu istražujemo ovo pitanje. Prvo smo postavili metodološku/teorijsku fazu, praveći razliku između normativnog i konceptualnog pristupa pitanjima. Zatim, nakon kratke analize antropomorfizma i njegovih manifestacija u javnosti, istražujemo njegovo prisustvo u istraživanju AI sa posebnim fokusom na AI inspirisanu mozgom. Konačno, na osnovu naše analize, identifikujemo neke potencijalne epistemološke i etičke posledice upotrebe antropomorfnog jezika i diskursa unutar istraživačke zajednice AI, čime se pojačava potreba za dopunom praktičnog konceptualnom analizom. UVOD Antropomorfizam se generalno definiše kao pripisivanje izrazito ljudskih osećanja, mentalnih stanja i karakteristika ponašanja neživim objektima, životinjama i uopšte prirodnim pojavama i natprirodnim entitetima (Airenti 2015; Eplei et al. 2007). Važno je imati na umu razliku između doživljavanja društvenih emocija u datoj situaciji, na primer „Sada se povezujem sa svojom mačkom“, i njihovih tumačenja, kao što je verovanje da „moja mačka doživljava vezu isto kao i ja“ . Moguće je doživeti zajednički trenutak sa neljudima, a da stoga ne verujete da oni koji dele taj trenutak moraju imati isto emocionalno iskustvo. Deljenje može da pretpostavlja minimum sličnosti u smislu uzajamnosti (i životinje, ljudi i mačke, veza), ali ne mora da bude samoprojektivno. Drugim rečima, čak i ako čovek i ne-čovek imaju zajednički trenutak povezivanja, njihova iskustva u tom trenutku mogu biti prilično različita. Shodno tome, doživljavanje društvene emocionalne blizine sa neljudima ne mora biti antropomorfno. Ovo je delimično važno za zaštitu pripisivanja osećaja, inteligencije, svesti itd. neljudima od optužbi da su samim tim antropomorfni. Naš fokus ovde je na tendenciji antropomorfizacije tehnologije, posebno veštačke inteligencije čije unutrašnje delovanje, iako stvoreno od strane ljudi, ostaje neprozirno za laike. Zanimljiva je činjenica da iako generalno postoji tendencija da se tehnološkim artefaktima pripisuju ljudske osobine i motivacije, AI-antropomorfizam dolazi u mnogim verzijama. Tendencija u popularnoj kulturi da se AI zamišlja kao nalik ljudima (i emocionalno, kognitivno i moralno) značajno je pod uticajem izmišljenih narativa (književna naučna fantastika, filmovi i TV emisije), kao i medijskog pokrivanja AI i robota (Bartneck 2013). Takođe odražava ograničeno razumevanje stanja veštačke inteligencije i njenih mogućnosti. Iako se ne može reći da je ova antropomorfna tendencija namenjena naučnoj zajednici, ona je u velikoj meri proizvod pogrešne naučne komunikacije koja često rezultira lažnim očekivanjima o tome šta je tehnologija i šta može da uradi, i može izazvati prenaglašene strahove i neopravdana očekivanja. Intelektualizovaniji tip antropomorfizma nalazi se kod korisnika računarskih programa ili virtuelnih asistenata u okviru softverskih programa koji su dizajnirani sa antropomorfnim karakteristikama u nadi da će to olakšati razumevanje relevantne tehnologije, promovisati njeno prihvatanje, povećati njenu efikasnost (Darling 2012, 2017). Zloovski et al., 2015), i očigledne kompetencije korisnika u interakciji sa njima (Epley et al. 2007). Ono što je zajedničko ovim emocionalnim i intelektualizovanim manifestacijama antropomorfnog mišljenja je da su ih posebno namenili dizajneri veštačke inteligencije: ukoliko se antropomorfizam smatra instrumentalno vrednim, njegovi osnovni mehanizmi su istraženi tako da mogu biti na odgovarajući način pokrenuti interaktivnim AI na različite načine u relevantnim kontekstima. Antropomorfni jezik se s vremena na vreme čini intrinzičnim za samo polje istraživanja veštačke inteligencije. Zaista, od Tjuringovih opisa njegovih mašina (Proudfoot 1999, 2011) do nedavnih izveštaja o AlphaZero-ovim intelektualnim podvizima (Strogatz 2018) nije neuobičajeno pronaći istraživače koji koriste termine koji se obično koriste za opisivanje ljudskih veština i kapaciteta kada se pominju AI i fokusiranje na navodne sličnosti između ljudi i mašina. Stoga nije iznenađujuće da se već 1976. godine McDermott slavno žalio na to da istraživači i programeri veštačke inteligencije koriste „mnemotehniku“ (na primer, termini kao što su „razumeti“ ili „naučiti“ odnosili su se na AI za koje je smatrao da dovode u zabludu kako za istraživače tako i za javnost (McDermott 1976), mogli bismo reći da je takav antropomorfizam posledica potrebe da se iskusi kompetencija, odnosno da se razume i kontroliše AI. Kao polaznu tačku možemo uzeti ključnu knjigu Stuart Russella i Peter Norviga o veštačkoj inteligenciji. Oni sugerišu da su, istorijski gledano, preovladavale dve kategorije definicija veštačke inteligencije: čovekocentrična i racionalistička. Shvatanja usredsređena na čoveka oslanjaju se na poređenje AI sa ljudima, odnosno na stepen do kojeg može da misli ili deluje kao ljudi.Racionalistička shvatanja zamišljaju veštačku inteligenciju u smislu suštinske racionalnosti ili ponašanja usmerenog ka cilju, tj. racionalnog razmišljanja ili delovanja (Rasel i Norvig 2010). Kao što se i očekivalo, pristupi usredsređeni na čoveka su posebno osetljivi na antropomorfne interpretacije: u okviru ovog pristupa, veštačka inteligencija je opisana kao napor da se kompjuteri nateraju da razmišljaju i da im se da um (Haugeland 1985), ili kao automatizacija aktivnosti tipično povezane sa ljudima, kao što su donošenje odluka, rešavanje problema i učenje (Bellman 1978). AI se stoga često opisuje kao sistemi koji se ponašaju kao ljudi, odnosno mašine koje obavljaju funkcije koje zahtevaju inteligenciju ako ih obavljaju ljudi (Kurzveil 1990), a razvoj AI se shvata kao pokušaj da se kompjuteri nateraju da rade stvari mnogo bolje nego sto ljudi mogu. (Rich and Knight 1991). Antropomorfna interpretacija unutar istraživačke zajednice AI može imati različite oblike. Veoma široko, to može biti namerno pripisivanje tipičnih ljudskih osobina (npr. kognitivni atributi, namernost, slobodna volja, emocije, itd.) AI uređajima, može biti suptilnije pripisivanje ekspresivnog ponašanja (npr. osmeh, traženje informacija, itd.) nesvesno antropomorfizovanje AI (Proudfoot 2011) ili može biti razmišljanje da AI sledi način rada sličan čoveku, i da su njegove operacije shodno tome potpuno predvidive i razumljive. U slučaju poslednjeg, čini se da je osnovna

Biohazard & AI Corruption (3.deo)

Oštećenje genomskih baza podataka Sa anomalnom sekvencom Oxford University Press,1992:Opisujemo dokaze da su DNK sekvence iz vektora korišćenih za kloniranje i sekvenciranje slučajno ugrađene u eukariotske unose u bazi podataka GenBank. Ove inkorporacije nisu bile ograničene na jedan tip vektora ili na jedan mehanizam.Mnogi manji slučajevi su možda bili rezultat jednostavnog uređivanja greške, ali neki unosi su sadržali velike blokove vektorske sekvence koji su bili ugrađeni kontaminacijom ili drugim nesrećama tokom kloniranja. Neki slučajevi su uključivali neobična preuređivanja i oblasti vektora udaljene od normalnih mesta umetanja. Iako je mogućnost inkorporacije anomalnih sekvenci prepoznata od početka GenBank-a i trebalo bi je lako izbeći, nedavni dokazi sugerišu da se ovaj problem povećava brže od same baze podataka. Prisustvo anomalnog niza može imati ozbiljne posledice po interpretaciju i korišćenje unosa baze podataka, i imaće uticaj na pitanja upravljanja bazom podataka. Ovde opisani inkorporirani vektorski fragmenti takođe mogu biti korisni za grubu procenu vernosti informacija o sekvenci u bazi podataka. Očekivali smo da inkorporacija vektora nestaje kako je kompjuterizovana kompilacija sekvenci postajala sve sofisticiranija. Prisustvo vektorskih fragmenata koji nastaju usled grešaka u uređivanju u bazi podataka je široko pretpostavljeno, a anegdotski izveštaji (52,53) skrenuli su dalju pažnju na ovo pitanje. Međutim, kada smo izvršili preliminarnu pretragu u delovima GenBank izdanja 67 sa punom sekvencom M13 (podaci nisu prikazani), u pokušaju da pronađemo podudaranja sa oblastima vektora koje nismo koristili u našoj prvobitnoj pretrazi, identifikovali smo 50 novih dodataka bazi podataka sa značajnom sličnošću sa našom originalnom sondom M13. Dodavanje svih ovih sekvenci bi više nego udvostručilo veličinu tabele 1; nasuprot tome, delovi baze podataka koje smo koristili su u zbiru porasli za približno 50% između izdanja 63 i 67. Cilj naše analize podudaranja u Tabeli 1 bio je da razotkrije potencijalne mehanizme pomoću kojih je vektor ugrađen; očigledna heterogenost ovih mehanizama ukazuje na to da sveobuhvatna identifikacija anomalnog niza u bazi podataka može biti teška.Naši dokazi sugerišu da bi sekvenca mogla biti ugrađena iz vektora koji se inače ne koriste za sekvenciranje i iz oblasti udaljenih od uobičajenih mesta kloniranja. Druga DNK koja je prisutna tokom manipulacija kloniranjem može biti ugrađena. Bakterijska DNK se može uvesti u različite reagense, uključujući restrikcione enzime, ili rekombinacijom u transformisanu ćeliju domaćina.Podudaranja u četvrtoj kategoriji tabele 1 ukazuju na to da bi reagenti mogli da prate inkorporaciju i da bi druge eukariotske sekvence, uključujući one iz postojećih klonova koji bi mogli kontaminirati reagense koji se koriste za kloniranje, mogli da se integrišu. Isti heterogeni mehanizmi koji su ugradili velike blokove i šifrovane fragmente prepoznatljive vektorske sekvence u bazi podataka lako su mogli da stvore slične anomalije sa drugim sekvencama koje se ne mogu lako identifikovati. Zajedno sa preliminarnim dokazima da se pogrešno identifikovana vektorska sekvenca akumulira u novijim izdanjima, ovo sugeriše da je učestalost inkorporacije anomalne sekvence koju smo primetili u starijoj verziji GenBank značajno potcenjivanje obima problema u trenutnoj bazi podataka. Ako podudaranja u Tabeli 1 predstavljaju artefakte zasnovane na vektorima, onda su sredstva na koja su nastala morala biti heterogena – sve sekvence podudaranja nisu mogle biti generisane jednim mehanizmom. Poklapanja u Tabeli 1 su kategorisana po mehanizmu koji bi najbolje mogao da objasni inkorporaciju u svakom slučaju.Mehanizam u prvoj kategoriji je jednostavno proširenje čitanja sekvence izvan mesta kloniranja u vektor. Jedno poravnanje u ovoj grupi je prikazano na slici 1. U nekoliko slučajeva sekvenca podudaranja može biti ostatak greške u uređivanju u kojoj su baze pročitane izvan tačke umetanja nenamerno ostavljene u prijavljenoj sekvenci. U drugim slučajevima (uključujući unos ONGMSPA) restrikciono mesto koje se koristi za kloniranje možda je bilo preuređeno i stoga nije prepoznato kao granica između vektora i inserta. Druga kategorija se sastoji od poklapanja sa vektorima koji nisu korišćeni za sekvenciranje, ali su bili prisutni u ranijim koracima kloniranja – sekvenca podudaranja je možda nastala kada je deo intermedijarnog vektora nenamerno inkorporiran sa nameravanim umetkom u podklon koji se koristi za sekvenciranje. . Treća kategorija uključuje opsežnije slučajeve subkloniranja u kojima su višestruke vektorske sekvence ugrađene ili pogrešno prepoznate, ili u kojima je bočni fragment vektora zamenjen za nameravani umetak u subklonu. Četvrta kategorija u Tabeli 1 uključuje sekvence koje pokazuju dokaze velike inkorporacije vektora koja uključuje značajan deo ukupne prijavljene sekvence, ili preuređenje u ranim fazama kloniranja. Odgovarajuća sekvenca u unosu M24665 (47) bila je skoro identična sa 200 baznih parova (bp) bočne strane tačke umetanja u Xgt lO, ali u orijentaciji suprotnoj od one koja se očekivala od jednostavne greške u prepoznavanju mesta umetanja. Ovaj vektorski fragment je mogao biti prisutan tokom početnog kloniranja i vezan za cDNK pre dodavanja vektorskih krakova.. Poravnanja za HUMAMIAI, na slici 3A, i preostali unosi u ovoj kategoriji odstupali su u ključnoj osobini od ostalih podudaranja u Tabeli 1 i uključivali su oblasti vektora daleko od očekivanih mesta kloniranja. Neka podudaranja u ovoj kategoriji su bila ograničena restriktivnim mestima, ali ona koja se obično ne koriste za kloniranje u vektoru podudaranja. DNK vektor može imati kontaminirane reagense koji se koriste u subkloniranju ovih sekvenci; različiti fragmenti vektora su zatim dodani tupim ili kompatibilnim ligiranjem na predviđene umetke u subklonovima. Takođe je moguće da novi klon može da inkorporira kontaminirajući vektorski fragment sa pričvršćenim delom već postojećeg umetka. Ovo je jedno od objašnjenja za poravnanje na slici 3B. RATADHCY1 je jedna himerna cDNK koja sadrži sekvence sa više od 90% identičnosti sa delovima transkripata dva normalno odvojena mitohondrijska gena.Ovi regioni u RATADHCY1 su spojeni sekvencom od 230 bp koja je opisana da ne predstavlja homologiju sa bilo kojim poznatim genima (48). Ova sekvenca za premošćivanje je u stvari imala 95% identiteta (u 241bp) sa M13. Područje uključenog M13 nije bilo bliže od 40bp virusnom polilinkeru i nije bilo ograničeno restrikcijskim mestima koja se obično koriste za kloniranje, što sugeriše da je ovaj konstrukt generisan nekim komplikovanim preuređivanjem ili ligacijom više fragmenata. Peta kategorija u tabeli 1 sastoji se od tri sekvence koje su izmenjene nakon što su ušle u bazu podataka. Očekivali smo da će obim nekih podudarnih sekvenci koje smo primetili u izdanju 63 GenBank-a neizbežno dovesti do njihove identifikacije u narednim izdanjima.

Biohazard & AI Corruption (2.deo)

Analitika (Big data) velikih podataka uključuje velike količine podataka koje obrađuju napredni računarski sistemi. U početku su podaci o obuci označeni, za razliku od neobeleženih i nestrukturiranih podataka koji su od male koristi u izgradnji modela obuke. Jednom obučeni, programi Deep Learning (duboko ucenje) mogu napredovati korišćenjem modela obuke koji se sastoje od označenih podataka. Danas su primarni primer arhitekture dubokog učenja (DL) transformatori, vrsta neuronske mreže, koja menja (input) ulaznu sekvencu u (output) izlaznu sekvencu. Ovo uključuje pretvaranje teksta u numeričke reprezentacije koje se nazivaju tokeni, koji se zatim pretvaraju u vektor. Svaki token je kontekstualizovan u okviru kontekstnog prozora. Počevši od 2017. godine, transformatorski modeli (transformatori) doveli su do razvoja modernih modela velikih jezika (Large Language Models- LLM) kao što su ChatGTP, Bard, Bing, itd. I dalje unutar šire kategorije generativne AI, ovi LLM-ovi su u stanju da obrađuju zvuk, slike, itd. kao multimodalni unos za razliku od jednostavnog teksta .Kompanija OpenAI je 2022. godine prvi put objavila Chat GPT-3 (GPT =Generative Pre-trained Transformer) sa unosima samo za tekst. Trenutno, najnovija verzija, GPT-4 je sposoban da obrađuje ove multimodalne ulaze, dok uključuje preko 175 milijardi parametara (promenljivih).Transformator se sastoji od višestrukih transformatorskih blokova, koji se nazivaju slojevima, uključujući slojeve normalizacije, slojeve za napredovanje i slojeve samopažnje. Oni funkcionišu unisono za dekodiranje ulaza kako bi se predvideo (zaključujući) izlaz. Slojevi se zatim slažu, što rezultira dubljim transformatorima i sposobnijim jezičkim modelima. Generativni AI modeli velikih jezika (LLM) se obučavaju na setovima podataka, a program zaključuje (Inference) odnose između reči i slika. LLM je tada u stanju da proizvede novi sadržaj na osnovu ovih skupova podataka. Zaključak o novom sadržaju zasniva se na kvalitetu i kvantitetu (preko jedne milijarde) parametara (varijabli) uključenih u LLM. Large Language Models predstavljaju temeljne modele, termin koji je prvi put upotrebio Stenfordski institut za veštačku inteligenciju usmerenu na čoveka 2021. Oni služe kao osnova za napredne optimizacije i specijalizovane aplikacije. Prethodnik ovih velikih jezičkih modela (LLM) bio je rani program za obradu prirodnog jezika (NLP) koji je njegov programer Džozef Vajzenbaum 1964. na MIT-u dao ime ELIZA. Program je simulirao razgovor sa čovekom primenom metodologije podudaranja i zamene šablona. Međutim, sistem se oslanjao na ljudsko uređivanje svoje aktivne skripte da bi promenio način na koji će program raditi. Današnji LLM-i su obučeni za stotine milijardi parametara koji su indeksirani i izvučeni iz skupova podataka na Internetu, što rezultira generisanjem sadržaja nalik ljudima. Ova obuka predstavlja učenje bez nadzora, u kojem su modeli u stanju da otkriju nepoznate obrasce u podacima koristeći neobeležene skupove podataka, čime se eliminiše potreba za označavanjem ljudskih podataka. Ovo rezultira LLM-ovima koji se zatim mogu koristiti u različitim aplikacijama i stoga se nazivaju osnovnim modelima. Ovi osnovni modeli LLM su obučeni na petabajtima podataka, koji se pominju kao korpus i zahtevaju više koraka. Oni počinju učenjem bez nadzora korišćenjem nestrukturiranih i neoznačenih podataka, što rezultira modelom koji određuje kontekst reči i koncepte.Large Language Models se fino podešavaju kroz samokontrolisano učenje, stičući razumevanje reči i koncepata zasnovano na mašinama. Računar to radi tako što koristi mehanizam samopažnje, sistem bodovanja koji se sastoji od dodele težine datom tokenu.LLM temeljni model zatim obrađuje identifikaciju odnosa unutar obrazaca podataka. Opasnosti od neispravnih podataka u veštačkoj inteligenciji i biologiji Kada je LLM obučen do željenog nivoa, može se ispitivati korišćenjem upitnika koje generiše čovek (tekstualni ili glasovni) korišćenjem aplikacija za obradu prirodnog jezika (NLP- Natural Language Processing). Izvlačeći zaključke iz prethodnih podataka o obuci, LLM onda daje odgovor.Ovi odgovori su zasnovani na predviđanjima koja se sastoje od malog broja unosa ili upita. Ovi unapred obučeni LLM-ovi se zatim mogu koristiti kao generativna AI za izlaz sadržaja iz inputa na osnovu obrade prirodnog jezika (NLP). Kako se osnovni modeli modela velikog jezika povećavaju u količini i karakteristikama, tako se povećava i oštećenje podataka.Pozivan kao Model Collapse, opseg oštećenja podataka odgovara ubrzanoj stopi kojom se LLM obučavaju na korpusu (petabajta) podataka. Početni modeli obuke za LLM su napravljeni korišćenjem podataka koje generiše čovek. Naknadni modeli zatim uključuju sintetičke podatke generisane od strane drugih LLM-ova koji mogu izazvati promenu distribucije koja rezultira kolapsom modela. Da bi se sprečio takav događaj, modeli obuke treba da imaju pristup originalnim bazama podataka, uključujući podatke koje nisu proizveli drugi LLM. Veliki jezički modeli (LLM) su primarni primer arhitekture dubokog učenja (DL) koja uključuje obuku veštačke neuronske mreže (ANN). Sa više slojeva zasnovanih na velikim skupovima podataka obeleženih podataka, ANN je primenjen na analizu genetskih podataka izvedenih iz biobanke (tj. GenBank, itd.) DNK i RNK.Zbog količine i složenosti bioloških podataka, prediktivni modeli bioloških sistema su morali da se konstruišu u okviru arhitektura dubokog učenja. AI dubokog učenja (DL) je izgrađen od osnovnog mašinskog učenja (ML) algoritma, i nadgledani i nenadgledani, od kojih je svaki specifičan za zadatak. Modeli obuke su izgrađeni od primera koji se sastoje od ulaznih podataka i izlaznih oznaka. Izlazni podaci se zasnivaju na prepoznavanju obrazaca unutar ulaznih podataka, koji se zatim označavaju od strane Deep Learning AI sistema. Iz ovih obrazaca, računar daje predviđanje, koje u slučaju genomike može biti sledeći nukleotid baznog para u nizu, ili lokacija specifičnog gena unutar celokupne genomske sekvence. Ovaj proces prepoznavanja obrazaca zavisi od integriteta sekvenci gena i nukleotida baznih parova koji se nalaze u genomskim bazama podataka. Nedostatak integriteta dovodi do pojave korupcije podataka i srodne proizvodnje terapeutika zasnovanih na genima. Svaka korupcija u genetskim podacima ima smrtonosne posledice za ljudsku populaciju.

Biohazard & AI Corruption (1.deo)

Biohazard & AI Corruption “Entangled Magazine” Aprilautor: Kathleen&Anthony Patch (1.deo) Naslovnica ovomesečnog izdanja Entangled Magazina je tamne boje, zlokobno u svom predznaku zla, predstavlja sadašnje stanje tame koja se nadvija nad skraćenom budućnošću čovečanstva i krajnjim postojanjem. Lobanja i kosti, simbol smrti, zajedno sa međunarodnim crvenim simbolom BIOHAZARD, upozoravaju na egzistencijalnu pretnju koju predstavljaju korumpirani “podaci” (data). Kao izvor života sveprisutnog globalnog računarstva, baze podataka doživljavaju povećanu kontaminaciju iz spoljnih izvora. Trenutno postoji direktna korelacija između baza podataka i biologije s obzirom da su obe podložne kontaminaciji i korupciji. Danas su biološki sistemi i njihove operacije predstavljeni u obliku digitalnih podataka. Dakle, integritet takvih podataka odgovara stanju bioloških sistema. Kontaminacija podataka negativno utiče na integritet genomskih baza podataka i derivatne terapije zasnovane na genima, što dovodi do smrtonosnih posledica po ljudsku populaciju.Počevši od uvoda u veštačku inteligenciju i baze podataka koje se koriste kao modeli obuke za ove sisteme, demonstriramo kako na računare negativno utiče gubitak integriteta baze podataka. Zatim ispitujemo kontaminaciju koja se nalazi u bazama podataka GeneBank i posledice koje proizilaze po današnje zdravstvene sisteme na koje sve više utiče i usmerava veštačka inteligencija. Generativna AI (Generative AI) je široka kategorija za tip veštačke inteligencije koja može da generiše nove podatke, kao što su audio, fotografije, video i tekst.Funkcija generisanja teksta Generativne AI je izgrađena na osnovnim AI modelima, kao što su modeli velikih jezika – Large Language Models (LLM).Ovi LLM su konstruisani korišćenjem milijardi parametara (varijabli koje model uči tokom obuke) posebno za proizvodnju teksta.Veliki jezički modeli (LLM) koriste velike skupove podataka i tehnike dubokog učenja- Deep Learning (DL) za generisanje i predviđanje novog sadržaja zasnovanog na tekstu. Deep Learning je vrsta Machine Learning – mašinskog učenja i veštačke inteligencije koja imitira način na koji ljudi uče.Modeli Deep Learning obučavaju AI za obavljanje zadataka klasifikacije i prepoznavanje obrazaca u audio, nepokretnim slikama, video i tekstualnim podacima. Ovi modeli obuke se oslanjaju na velike skupove podataka označenih ljudi (Human-labeled data) raspoređenih u arhitekturi neuronskih mreža. Sastoje se od više slojeva softverskih čvorova, veštačke neuronske mreže – Artificial Neural Networks (ANNs) imitiraju milione međusobno povezanih neurona unutar ljudskog mozga. Ovi čvorovi olakšavaju obuku modela dubokog učenja koji tada rade kao DL programi. Ovi višestruki slojevi obrade međusobno povezanih čvorova prečišćavaju i optimizuju klasifikacije i predviđanja. Deep referenca u Deep Learning odražava količinu slojeva obrade kroz koje prolaze podaci unutar arhitekture veštačke neuronske mreže. Veliki jezički modeli dubokog učenja (DL) sprovode nelinearne transformacije svojih ulaznih podataka, što rezultira izlazom novog statističkog modela. Linearnost se odnosi na svojstvo sistema ili modela gde je izlaz direktno proporcionalan ulazu, dok nelinearnost implicira da je odnos između ulaza i izlaza složeniji i ne može se izraziti kao jednostavna linearna funkcija. Large Language Models (Veliki jezički modeli) u velikoj meri predstavljaju klasu arhitekture dubokog učenja koje se nazivaju Transformer Networks (transformatorske mreže). Model transformatora je neuronska mreža koja uči kontekst i značenje praćenjem odnosa u sekvencijalnim podacima, kao što su reči u ovoj rečenici. Transformator se sastoji od više blokova transformatora, poznatih i kao slojevi (layers). Na primer, transformator ima slojeve samopažnje, napredne slojeve i normalizovane slojeve, koji svi zajedno rade na dešifrovanju ulaza za predviđanje tokova izlaza pri zaključivanju. Slojevi se mogu slagati kako bi se napravili dublji transformatori i moćni jezički modeli. Proces izdavanja novog statističkog modela, koji se naziva iteracija (ponavljanje koraka), traje sve dok izlazni model ne postigne unapred određen nivo tačnosti. Podaci o obuci se dostavljaju programu za duboko učenje (DL) za proizvodnju skupa funkcija kao što je statična slika. Kroz iteracije ovih podataka za obuku, DL program će konstruisati prediktivni model nepokretne slike na osnovu obrazaca piksela u podacima. Tačnost statističkog modela se povećava sa svakom uzastopnom iteracijom podataka u obuci. Tačnost statističkog modela zavisi od kvaliteta i kvantiteta podataka u obuci (training data) i pristupa dovoljnoj računarskoj moći. Ovi podaci o obuci uključuju velike količine neoznačenih, nestrukturiranih i sintetičkih podataka. Synthetic data (sintetički podaci) su informacije koje su veštački generisane, a ne proizvedene događajima u stvarnom svetu.Obično kreirani pomoću algoritama, sintetički podaci se mogu primeniti za validaciju matematičkih modela i za obuku modela mašinskog učenja.Podaci generisani kompjuterskom simulacijom mogu se posmatrati kao sintetički podaci. Istorijski gledano, proces mašinskog učenja je bio nadziran od programera. Ovo je uključivalo davanje specifičnih instrukcija računaru za identifikaciju karakteristika (koji se nazivaju ekstrakcija karakteristika) jedinstvenih za objekat ili sliku. Danas ljudi više nisu potrebni. Programi dubokog učenja bez nadzora (Unsupervised Deep Learning) su sposobni da raspoređuju funkcije (training data) u skupove. Unutar ovih skupova, računar traži i identifikuje obrasce piksela. S druge strane, obrasci se koriste kao modeli obuke, što rezultira statistički prediktivnim modelima. Sa pojavom big data i cloud-a, programi dubokog učenja proizvode prediktivne modele obuke direktno iz iterativnog izlaza programa i sastoje se od velikih količina neoznačenih i nestrukturiranih podataka. Jedan od naprednijih programa za duboko učenje naziva se veštačka neuronska mreža. Mreža se sastoji od ulaznih, skrivenih slojeva, izlaznih slojeva i čvorova. Čvorovi funkcionišu kao slojevi čuvara mesta za ulazne podatke, dok izlazne mreže zavise od broja čvorova i slojeva. Skriveni slojevi su više slojeva koji obrađuju podatke koji se šalju dodatnim slojevima unutar Artificial Neural Network (ANN). Pored tipa ANN, postoje rekurentne – Recurrent (RNN), konvolucione – Convolutional (CNN) i napredne neuronske mreže- Forward Neural Networks (FNN).