ABOUT THE SPEAKER
Michael Dickinson - Biologist
Most people are irritated by the buzzing of a fly's wings. But biologist Michael Dickinson views the sound with a deep sense of wonder.

Why you should listen

Some things are so commonplace that they barely register our attention. Michael Dickinson has dedicated much of his research to one such thing -- the flight of the fly. Dickinson aims to understand how a fly's nervous system allows it to accomplish such incredible aerodynamic feats. Affectionately dubbed the "Fly Guy" by The Scientist, Dickinson's research brings together zoology, neuroscience and fluid mechanics.

Dickinson was named a MacArthur Fellow in 2001. He is now a professor of biology at the University of Washington, where he heads The Dickinson Lab. The lab conducts research into insect flight control, animal brain recordings, animal/robot interactions and animal visual navigation and welcomes students with an interest in studying insect flight, behavior and evolution from an interdisciplinary approach perspective. 

More profile about the speaker
Michael Dickinson | Speaker | TED.com
TEDxCaltech

Michael Dickinson: How a fly flies

Michael Dickinson: Jak lata mucha?

Filmed:
1,787,704 views

Zdolność much do latania to jeden z największych wyczynów ewolucji. Michael Dickinson przygląda się pospolitej muszce, która może latać pomimo delikatnych skrzydeł, dzięki ich sprytnym ruchom oraz mięśniom, które są nie tylko silne, ale również elastyczne. Jednak tajną bronią muchy jest jej mózg. (Sfilmowano na TEDxCaltech)
- Biologist
Most people are irritated by the buzzing of a fly's wings. But biologist Michael Dickinson views the sound with a deep sense of wonder. Full bio

Double-click the English transcript below to play the video.

00:16
I grewrósł up watchingoglądanie StarGwiazda TrekTrek. I love StarGwiazda TrekTrek.
0
545
3532
Dorastałem, oglądając Star Treka.
Uwielbiam go.
00:19
StarGwiazda TrekTrek madezrobiony me want to see alienobcy creaturesstworzenia,
1
4077
4462
Przez Star Treka chciałem spotkać kosmitów,
00:24
creaturesstworzenia from a far-distantodległej worldświat.
2
8539
2303
istoty z odległych światów.
00:26
But basicallygruntownie, I figuredwzorzysty out that I could find
3
10842
2787
Zdałem sobie sprawę, że mogę ich znaleźć
00:29
those alienobcy creaturesstworzenia right on EarthZiemia.
4
13629
2977
również na Ziemi.
00:32
And what I do is I studybadanie insectsowady.
5
16606
2653
Zajmuję się badaniem owadów.
00:35
I'm obsessedobsesję with insectsowady, particularlyszczególnie insectowad flightlot.
6
19259
3256
Mam obsesję na punkcie owadów
i ich techniki latania.
00:38
I think the evolutionewolucja of insectowad flightlot is perhapsmoże
7
22515
3141
Myślę, że ewolucja lotu owadów
00:41
one of the mostwiększość importantważny eventswydarzenia in the historyhistoria of life.
8
25656
2742
to jedno z najważniejszych wydarzeń
w historii życia.
00:44
WithoutBez insectsowady, there'dczerwony be no floweringrozkwit plantsrośliny.
9
28398
2237
Bez owadów nie byłoby zapylania kwiatów.
00:46
WithoutBez floweringrozkwit plantsrośliny, there would be no
10
30635
1916
Bez zapylania kwiatów nie byłoby inteligentnych,
00:48
cleversprytny, fruit-eatingjedzenie owoc primatesnaczelne ssaki givingdający TEDTED TalksRozmowy.
11
32551
3137
owocożernych naczelnych występujących na TED.
00:51
(LaughterŚmiech)
12
35688
2300
(Śmiech)
00:53
Now,
13
37988
1987
Do rzeczy.
00:55
DavidDavid and HidehikoTzw. balachę and KetakiKetaki
14
39975
3039
David, Hidehiko oraz Ketaki
00:58
gavedał a very compellingprzekonujące storyfabuła about
15
43014
3445
pokazali fascynujące podobieństwa
01:02
the similaritiespodobieństwa betweenpomiędzy fruitowoc fliesmuchy and humansludzie,
16
46459
2805
łączące muszkę owocówkę i człowieka,
01:05
and there are manywiele similaritiespodobieństwa,
17
49264
1489
a jest ich wiele.
01:06
and so you mightmoc think that if humansludzie are similarpodobny to fruitowoc fliesmuchy,
18
50753
3002
Skoro ludzie są podobni do muszek,
01:09
the favoriteulubiony behaviorzachowanie of a fruitowoc flylatać mightmoc be this, for exampleprzykład --
19
53755
3797
to ulubionym zajęciem muszek może być to...
01:13
(LaughterŚmiech)
20
57552
2282
(Śmiech)
01:15
but in my talk, I don't want to emphasizepodkreślać on the similaritiespodobieństwa
21
59834
3191
Nie chciałbym podkreślać podobieństw
łączących ludzi
01:18
betweenpomiędzy humansludzie and fruitowoc fliesmuchy, but ratherraczej the differencesróżnice,
22
63025
3067
i muszki owocowe.
Chciałbym pokazać różnice
01:21
and focusskupiać on the behaviorszachowania that I think fruitowoc fliesmuchy excelprzewyższać at doing.
23
66092
5287
i skupić się na zachowaniach,
w których muszki się wyspecjalizowały.
01:27
And so I want to showpokazać you a high-speedwysoka prędkość videowideo sequencesekwencja
24
71379
2856
Pokażę sekwencję wideo
w przyspieszonym tempie
01:30
of a flylatać shotstrzał at 7,000 framesramki perza seconddruga in infraredpodczerwony lightingoświetlenie,
25
74235
3935
7 tys. klatek na sekundę:
muszka w podczerwieni.
01:34
and to the right, off-screenpoza ekranem, is an electronicelektroniczny loomingzbliża się predatordrapieżnik
26
78170
4210
Z prawej, niewidoczny,
znajduje się elektroniczny drapieżca,
01:38
that is going to go at the flylatać.
27
82380
1435
który zbliża się do muchy.
01:39
The flylatać is going to sensesens this predatordrapieżnik.
28
83815
1838
Mucha wyczuwa drapieżcę.
01:41
It is going to extendposzerzać its legsnogi out.
29
85653
2455
Wyciąga odnóża.
01:44
It's going to sashaySashay away
30
88108
1613
Następnie odlatuje
01:45
to liverelacja na żywo to flylatać anotherinne day.
31
89721
2565
i przeżywa kolejny dzień.
01:48
Now I have carefullyostrożnie croppedprzycięte this sequencesekwencja
32
92286
2362
Sekwencję przyciąłem tak,
01:50
to be exactlydokładnie the durationTrwanie of a humanczłowiek eyeoko blinkmigać,
33
94648
3160
by trwała dokładnie tyle, ile mgnienie oka.
01:53
so in the time that it would take you to blinkmigać your eyeoko,
34
97808
2834
Czas potrzebny nam na mrugnięcie
01:56
the flylatać has seenwidziany this loomingzbliża się predatordrapieżnik,
35
100642
3265
pozwala muszce zobaczyć
zbliżającego się drapieżcę,
01:59
estimatedszacowany its positionpozycja, initiatedzapoczątkowany a motorsilnik patternwzór to flylatać it away,
36
103907
6168
ustalić jego pozycję, zainicjować
sekwencję ruchów i odlecieć,
02:05
beatingbicie its wingsskrzydełka at 220 timesczasy a seconddruga as it does so.
37
110075
4464
machając skrzydłami 220 razy na sekundę.
02:10
I think this is a fascinatingfascynujący behaviorzachowanie
38
114539
1973
To fascynujące zachowanie
02:12
that showsprzedstawia how fastszybki the fly'smuszki brainmózg can processproces informationInformacja.
39
116512
3921
ukazuje szybkość przetwarzania informacji
przez mózg muszki.
02:16
Now, flightlot -- what does it take to flylatać?
40
120433
2842
Lot - co jest do niego potrzebne?
02:19
Well, in orderzamówienie to flylatać, just as in a humanczłowiek aircraftsamolot,
41
123275
2864
Podobnie jak w przypadku
ludzkich maszyn,
02:22
you need wingsskrzydełka that can generateGenerować sufficientwystarczające aerodynamicaerodynamiczny forcessiły,
42
126139
2735
lot wymaga skrzydeł
generujących potrzebną siłę aerodynamiczną.
02:24
you need an enginesilnik sufficientwystarczające to generateGenerować the powermoc requiredwymagany for flightlot,
43
128874
3546
Potrzebujemy silnika,
by uzyskać moc potrzebną do lotu,
02:28
and you need a controllerkontroler,
44
132420
1709
oraz kontrolera,
02:30
and in the first humanczłowiek aircraftsamolot, the controllerkontroler was basicallygruntownie
45
134129
2626
którym na początku lotnictwa
02:32
the brainmózg of OrvilleOrville and WilburWilbur sittingposiedzenie in the cockpitkabina pilota.
46
136755
4312
były umysły Orville'a i Wilbura
siedzących w kokpicie.
02:36
Now, how does this compareporównać to a flylatać?
47
141067
2753
A jak to wygląda u muchy?
02:39
Well, I spentwydany a lot of my earlywcześnie careerkariera tryingpróbować to figurepostać out
48
143820
3251
Poświęciłem większość wczesnej kariery
próbom zrozumienia,
02:42
how insectowad wingsskrzydełka generateGenerować enoughdość forcesiła to keep the fliesmuchy in the airpowietrze.
49
147071
4336
jak skrzydła owada generują wystarczającą siłę,
aby utrzymać go w powietrzu.
02:47
And you mightmoc have heardsłyszał how engineersinżynierowie provedudowodnione
50
151407
1610
Być może słyszeliście,
jak inżynierowie dowiedli,
02:48
that bumblebeesTrzmiele couldn'tnie mógł flylatać.
51
153017
2634
że trzmiele nie powinny w ogóle latać.
02:51
Well, the problemproblem was in thinkingmyślący that the insectowad wingsskrzydełka
52
155651
2620
Problemem jest myślenie, że owadzie skrzydła
02:54
functionfunkcjonować in the way that aircraftsamolot wingsskrzydełka work. But they don't.
53
158271
3119
funkcjonują jak skrzydła samolotu. Tak nie jest.
02:57
And we tacklesprzęt this problemproblem by buildingbudynek giantogromny,
54
161390
2854
Rozwiązaliśmy to, budując gigantycznego robota
03:00
dynamicallydynamicznie scaledłuskowaty modelModel robotrobot insectsowady
55
164244
3432
odwzorowującego dynamikę owada,
03:03
that would flapklapka in giantogromny poolsbaseny of mineralminerał oilolej
56
167676
3336
który trzepotał skrzydłami
w wielkim basenie pełnym oleju.
03:06
where we could studybadanie the aerodynamicaerodynamiczny forcessiły.
57
171012
2274
Tak mogliśmy zbadać siły aerodynamiczne.
03:09
And it turnsskręca out that the insectsowady flapklapka theirich wingsskrzydełka
58
173286
2158
Okazało się, że owady machają skrzydłami
03:11
in a very cleversprytny way, at a very highwysoki anglekąt of attackatak
59
175444
2592
w bardzo pomysłowy sposób,
pod wysokim kątem natarcia,
03:13
that createstworzy a structureStruktura at the leadingprowadzący edgekrawędź of the wingskrzydło,
60
178036
3121
który na krawędziach wodzących skrzydła
tworzy strukturę
03:17
a little tornado-likeTornado jak structureStruktura callednazywa a leadingprowadzący edgekrawędź vortexVortex,
61
181157
3199
podobną do tornada, zwaną
wodzącym wirem powietrza.
03:20
and it's that vortexVortex that actuallytak właściwie enablespozwala the wingsskrzydełka
62
184356
2954
To właśnie dzięki niemu
03:23
to make enoughdość forcesiła for the animalzwierzę to stayzostać in the airpowietrze.
63
187310
3359
skrzydła wytwarzają wystarczającą siłę,
by owad utrzymał się w powietrzu.
03:26
But the thing that's actuallytak właściwie mostwiększość -- so, what's fascinatingfascynujący
64
190669
2428
Ale co jest najciekawsze,
03:28
is not so much that the wingskrzydło has some interestingciekawy morphologymorfologia.
65
193097
2975
to nie interesująca morfologia skrzydła,
03:31
What's cleversprytny is the way the flylatać flapsklapy it,
66
196072
3645
ale sposób, w jaki mucha macha skrzydłami,
03:35
whichktóry of coursekurs ultimatelyostatecznie is controlledkontrolowane by the nervousnerwowy systemsystem,
67
199717
3136
w całości kontrolowany przez układ nerwowy,
03:38
and this is what enablespozwala fliesmuchy to performwykonać
68
202853
2647
co pozwala muszce dokonywać
03:41
these remarkableznakomity aerialantenowe maneuversmanewry.
69
205500
2807
takich powietrznych manewrów.
03:44
Now, what about the enginesilnik?
70
208307
2097
A co z silnikiem?
03:46
The enginesilnik of the flylatać is absolutelyabsolutnie fascinatingfascynujący.
71
210404
2492
Silnik muchy jest fascynujący.
03:48
They have two typestypy of flightlot musclemięsień:
72
212896
1898
Muchy mają dwa typy mięśni
odpowiedzialnych za lot.
03:50
so-calledtak zwana powermoc musclemięsień, whichktóry is stretch-activatedStretch aktywowane,
73
214794
2985
Mięśnie napędowe,
aktywowane naprężeniem mechanicznym,
03:53
whichktóry meansznaczy that it activatesaktywuje itselfsamo and does not need to be controlledkontrolowane
74
217779
3726
co oznacza, że aktywują się samodzielnie
i nie muszą być kontrolowane
03:57
on a contraction-by-contractionskurcz przez skurcz basispodstawa by the nervousnerwowy systemsystem.
75
221505
3339
przy każdym skurczu przez układ nerwowy.
04:00
It's specializedspecjalistyczne to generateGenerować the enormousogromny powermoc requiredwymagany for flightlot,
76
224844
4609
Są wyspecjalizowane w wytwarzaniu
potężnej siły potrzebnej do lotu
04:05
and it fillswypełnia the middleśrodkowy portionczęść of the flylatać,
77
229453
2079
i zajmują środkową część ciała muchy.
04:07
so when a flylatać hitstrafienia your windshieldprzednia szyba,
78
231532
1547
Dlatego kiedy uderza w szybę,
04:08
it's basicallygruntownie the powermoc musclemięsień that you're looking at.
79
233079
2406
patrzymy głównie na mięśnie napędowe.
04:11
But attachedprzywiązany to the basebaza of the wingskrzydło
80
235485
2146
Do podstawy skrzydła doczepiona jest
04:13
is a setzestaw of little, tinymalutki controlkontrola musclesmięśnie
81
237631
2638
grupa niewielkich mięśni sterujących,
04:16
that are not very powerfulpotężny at all, but they're very fastszybki,
82
240269
3301
które nie zapewniają siły,
ale poruszają się bardzo szybko
04:19
and they're ablezdolny to reconfigureZmień konfigurację the hingeZawias of the wingskrzydło
83
243570
3206
i potrafią zmienić ustawienie skrzydła
04:22
on a stroke-by-strokeskok na skok basispodstawa,
84
246776
1762
przy każdym ruchu.
04:24
and this is what enablespozwala the flylatać to changezmiana its wingskrzydło
85
248538
3142
Mucha może zmieniać ustawienie skrzydeł
04:27
and generateGenerować the changeszmiany in aerodynamicaerodynamiczny forcessiły
86
251680
2971
i wpływać na zmianę sił aerodynamicznych,
04:30
whichktóry changezmiana its flightlot trajectorytrajektoria.
87
254651
2573
dzięki czemu zmienia trajektorię lotu.
04:33
And of coursekurs, the rolerola of the nervousnerwowy systemsystem is to controlkontrola all this.
88
257224
3563
Układ nerwowy kontroluje ten proces.
04:36
So let's look at the controllerkontroler.
89
260787
1512
Przyjrzyjmy się więc kontrolerowi.
04:38
Now fliesmuchy excelprzewyższać in the sortssortuje of sensorsczujniki
90
262299
2647
Muchy posiadają wysoko rozwinięte
narządy zmysłów,
04:40
that they carrynieść to this problemproblem.
91
264946
2284
które biorą udział w tym procesie.
04:43
They have antennaeanteny that sensesens odorsZapachy and detectwykryć windwiatr detectionwykrycie.
92
267230
4127
Posiadają czułki, które wyczuwają zapachy
i wykrywają wiatr.
04:47
They have a sophisticatedwyrafinowany eyeoko whichktóry is
93
271357
1675
Ich skomplikowane oczy
04:48
the fastestnajszybszy visualwizualny systemsystem on the planetplaneta.
94
273032
2456
to najszybszy system wizualny na Ziemi.
04:51
They have anotherinne setzestaw of eyesoczy on the topTop of theirich headgłowa.
95
275488
2036
Muchy mają dodatkowe oczy na czubku głowy,
04:53
We have no ideapomysł what they do.
96
277524
2052
ale nie mamy pojęcia, do czego służą.
04:55
They have sensorsczujniki on theirich wingskrzydło.
97
279576
2954
Ich skrzydła
04:58
TheirIch wingskrzydło is coveredpokryty with sensorsczujniki, includingwłącznie z sensorsczujniki
98
282530
3760
pokryte są sensorami.
05:02
that sensesens deformationdeformacji of the wingskrzydło.
99
286290
2046
Te sensory rejestrują odkształcenia skrzydeł.
05:04
They can even tastesmak with theirich wingsskrzydełka.
100
288336
2109
Muchy skrzydłami mogą również wyczuwać smak.
05:06
One of the mostwiększość sophisticatedwyrafinowany sensorsczujniki a flylatać has
101
290445
2555
Jednym z najbardziej zaawansowanych sensorów,
jaki posiada mucha,
05:08
is a structureStruktura callednazywa the haltereshalteres.
102
293000
1807
są przezmianki,
05:10
The haltereshalteres are actuallytak właściwie gyroscopesżyroskopy.
103
294807
1879
które działają jak żyroskopy.
05:12
These devicespomysłowość beatbić back and forthnaprzód about 200 hertzHertz duringpodczas flightlot,
104
296686
4449
Urządzenia te podczas lotu
uderzają z częstotliwością 200 herców
05:17
and the animalzwierzę can use them to sensesens its bodyciało rotationobrót
105
301135
2673
i dzięki nim owad
może wyczuć obrót swojego ciała
05:19
and initiatezainicjować very, very fastszybki correctivenaprawczych maneuversmanewry.
106
303808
3968
oraz zainicjować bardzo szybkie
manewry korekcyjne.
05:23
But all of this sensorysensoryczny informationInformacja has to be processedprzetworzone
107
307776
2329
Wszystkie informacje pochodzące od sensorów
muszą być przetworzone
05:26
by a brainmózg, and yes, indeedw rzeczy samej, fliesmuchy have a brainmózg,
108
310105
3720
przez mózg. Tak, muchy mają mózg.
05:29
a brainmózg of about 100,000 neuronsneurony.
109
313825
3159
Ma on około 100 tys. neuronów.
05:32
Now severalkilka people at this conferencekonferencja
110
316984
2193
Kilka osób na tej konferencji
05:35
have alreadyjuż suggestedzasugerował that fruitowoc fliesmuchy could serveobsługiwać neuroscienceneuronauka
111
319177
4808
już wcześniej zasugerowało,
że muszki mogą służyć neurobiologii,
05:39
because they're a simpleprosty modelModel of brainmózg functionfunkcjonować.
112
323985
3247
bo są prostym modelem
przedstawiającym funkcjonowanie mózgu.
05:43
And the basicpodstawowy punchlinepunchline of my talk is,
113
327232
2077
Jednak ja w swoim wystąpieniu
05:45
I'd like to turnskręcać that over on its headgłowa.
114
329309
2658
chciałbym postawić to twierdzenie na głowie.
05:47
I don't think they're a simpleprosty modelModel of anything.
115
331967
2628
Uważam, że muszki w żadnym razie
nie są prostym modelem.
05:50
And I think that fliesmuchy are a great modelModel.
116
334595
2477
Są natomiast doskonałym modelem...
05:52
They're a great modelModel for fliesmuchy.
117
337072
2516
dla muszek.
05:55
(LaughterŚmiech)
118
339588
2481
(Śmiech)
05:57
And let's explorebadać this notionpojęcie of simplicityprostota.
119
342069
3003
Przyjrzyjmy się temu wrażeniu prostoty.
06:00
So I think, unfortunatelyNiestety, a lot of neuroscientistsneurolodzy,
120
345072
2431
Niestety wielu neurobiologów
06:03
we're all somewhatnieco narcissisticnarcystyczny.
121
347503
1832
zachowuje się narcystycznie.
06:05
When we think of brainmózg, we of coursekurs imaginewyobrażać sobie our ownwłasny brainmózg.
122
349335
3433
Kiedy myślimy o mózgu,
wyobrażamy sobie nasz mózg.
06:08
But rememberZapamiętaj that this kinduprzejmy of brainmózg,
123
352768
1960
Należy jednak pamiętać, że mózg muchy
06:10
whichktóry is much, much smallermniejszy
124
354728
1768
jest znacznie mniejszy.
06:12
insteadzamiast of 100 billionmiliard neuronsneurony, it has 100,000 neuronsneurony
125
356496
2678
Zamiast 100 mld neuronów
ma 100 tys. neuronów,
06:15
but this is the mostwiększość commonpospolity formformularz of brainmózg on the planetplaneta
126
359174
2882
ale to właśnie ten typ mózgu
jest najbardziej powszechny na Ziemi
06:17
and has been for 400 millionmilion yearslat.
127
362056
2904
i to od 400 mln lat.
06:20
And is it fairtargi to say that it's simpleprosty?
128
364960
2288
Więc czy to sprawiedliwe mówić, że jest prosty?
06:23
Well, it's simpleprosty in the sensesens that it has fewermniej neuronsneurony,
129
367248
2095
Oczywiście posiada mniej neuronów,
więc w tym sensie jest prostszy.
06:25
but is that a fairtargi metricmetryczny?
130
369343
1754
Ale czy ilość neuronów to dobra miara?
06:26
And I would proposezaproponować it's not a fairtargi metricmetryczny.
131
371097
2276
Uważam, że nie.
06:29
So let's sortsortować of think about this. I think we have to compareporównać --
132
373373
3100
Zastanówmy się nad tym. Powinniśmy porównać...
06:32
(LaughterŚmiech) —
133
376473
1559
(Śmiech)
06:33
we have to compareporównać the sizerozmiar of the brainmózg
134
378032
5121
...musimy porównać rozmiar mózgu
06:39
with what the brainmózg can do.
135
383153
2030
z jego możliwościami.
06:41
So I proposezaproponować we have a TrumpTrump numbernumer,
136
385183
2881
Proponuję liczbę Trumpa,
06:43
and the TrumpTrump numbernumer is the ratiostosunek of this man'smężczyzny
137
388064
2865
która będzie stosunkiem określającym
06:46
behavioralbehawioralne repertoirerepertuar to the numbernumer of neuronsneurony in his brainmózg.
138
390929
3679
zakres zachowań tego człowieka
do liczby neuronów w jego mózgu.
06:50
We'llMy będziemy calculateobliczać the TrumpTrump numbernumer for the fruitowoc flylatać.
139
394608
2668
Obliczmy liczbę Trumpa dla muszki.
06:53
Now, how manywiele people here think the TrumpTrump numbernumer
140
397276
2684
Ile z was myśli, że liczba Trumpa
06:55
is higherwyższy for the fruitowoc flylatać?
141
399960
2489
jest wyższa dla muszki?
06:58
(ApplauseAplauz)
142
402449
2431
(Brawa)
07:00
It's a very smartmądry, smartmądry audiencepubliczność.
143
404880
3428
Bardzo bystra widownia.
07:04
Yes, the inequalitynierówność goesidzie in this directionkierunek, or I would positZakładamy it.
144
408308
3327
Nierówność skierowana jest w tę stronę.
07:07
Now I realizerealizować that it is a little bitkawałek absurdabsurdalny
145
411635
2382
Oczywiście zdaję sobie sprawę,
że to nieco absurdalne,
07:09
to compareporównać the behavioralbehawioralne repertoirerepertuar of a humanczłowiek to a flylatać.
146
414017
3558
porównywać zakres zachowań człowieka
z zachowaniami muchy.
07:13
But let's take anotherinne animalzwierzę just as an exampleprzykład. Here'sTutaj jest a mousemysz.
147
417575
4143
W takim razie weźmy jako przykład
inne zwierzę. Oto mysz.
07:17
A mousemysz has about 1,000 timesczasy as manywiele neuronsneurony as a flylatać.
148
421718
4305
Mysz ma mniej więcej
tysiąc razy więcej neuronów niż mucha.
07:21
I used to studybadanie micemyszy. When I studiedbadane micemyszy,
149
426023
2027
Kiedyś zajmowałem się badaniem myszy.
07:23
I used to talk really slowlypowoli.
150
428050
2837
Mówiłem wtedy bardzo wolno.
07:26
And then something happenedstało się when I startedRozpoczęty to work on fliesmuchy.
151
430887
2576
Później coś się stało,
kiedy zacząłem badać muchy.
07:29
(LaughterŚmiech)
152
433463
2412
(Śmiech)
07:31
And I think if you compareporównać the naturalnaturalny historyhistoria of fliesmuchy and micemyszy,
153
435875
3460
Uważam, że historie naturalne much i myszy
07:35
it's really comparableporównywalny. They have to foragepasza for foodjedzenie.
154
439335
3313
są porównywalne.
Oba gatunki muszą szukać jedzenia.
07:38
They have to engageangażować in courtshipzaloty.
155
442648
2447
Muszą angażować się w gody,
07:40
They have sexseks. They hideukryć from predatorsdrapieżniki.
156
445095
3471
kopulować i ukrywać się przed drapieżnikami.
07:44
They do a lot of the similarpodobny things.
157
448566
1980
Robią wiele podobnych rzeczy.
07:46
But I would arguespierać się that fliesmuchy do more.
158
450546
1718
Twierdzę jednak, że muchy robią więcej.
07:48
So for exampleprzykład, I'm going to showpokazać you a sequencesekwencja,
159
452264
3378
Dla przykładu pokażę sekwencję wideo
07:51
and I have to say, some of my fundingfinansowanie comespochodzi from the militarywojskowy,
160
455642
4205
i muszę powiedzieć,
że po części finansuje mnie wojsko,
07:55
so I'm showingseans this classifiedsklasyfikowane sequencesekwencja
161
459847
2072
dlatego o tej poufnej sekwencji wideo
07:57
and you cannotnie może discussomawiać it outsidena zewnątrz of this roompokój. Okay?
162
461919
4093
nie wolno rozmawiać poza tą salą. W porządku?
08:01
So I want you to look at the payloadładunek
163
466012
1908
Zwróćcie uwagę na ładunek,
08:03
at the tailogon of the fruitowoc flylatać.
164
467920
3026
znajdujący się przy ogonie muchy.
08:06
Watch it very closelydokładnie,
165
470946
2101
Patrzcie uważnie,
08:08
and you'llTy będziesz see why my six-year-oldsześciolatek sonsyn
166
473047
4297
a zobaczycie, dlaczego mój sześcioletni syn
08:13
now wants to be a neuroscientistneurolog.
167
477344
4729
chce zostać neurobiologiem.
08:17
Wait for it.
168
482073
1179
Czekajcie.
08:19
PshhewPshhew.
169
483252
1569
Pshhew.
08:20
So at leastnajmniej you'llTy będziesz admitprzyznać that if fruitowoc fliesmuchy are not as cleversprytny as micemyszy,
170
484821
3084
Może muchy nie są tak sprytne jak myszy,
08:23
they're at leastnajmniej as cleversprytny as pigeonsgołębie. (LaughterŚmiech)
171
487905
4916
ale dorównują gołębiom. (Śmiech)
08:28
Now, I want to get acrossprzez that it's not just a mattermateria of numbersliczby
172
492821
3967
W każdym razie chciałbym zaznaczyć,
że to nie tylko kwestia liczb,
08:32
but alsorównież the challengewyzwanie for a flylatać to computeobliczać
173
496788
2598
ale również wyzwanie dla muchy,
08:35
everything its brainmózg has to computeobliczać with suchtaki tinymalutki neuronsneurony.
174
499386
2849
której mózg musi wyliczyć wszystko
przy tak niewielkich neuronach.
08:38
So this is a beautifulpiękny imageobraz of a visualwizualny interneuroninterneuron from a mousemysz
175
502235
2988
Ten obrazek przedstawia interneuron
kory wzrokowej myszy,
08:41
that cameoprawa ołowiana witrażu from JeffJeff Lichtman'sLichtman's lablaboratorium,
176
505223
2768
która pochodziła z laboratorium Jeffa Lichtmana.
08:43
and you can see the wonderfulwspaniale imagesobrazy of brainsmózg
177
507991
3247
Możecie zobaczyć wspaniałe obrazy mózgów,
08:47
that he showedpokazał in his talk.
178
511238
3193
które pokazywał w swoim wystąpieniu.
08:50
But up in the cornerkąt, in the right cornerkąt, you'llTy będziesz see,
179
514431
2368
W prawym górnym rogu,
08:52
at the samepodobnie scaleskala, a visualwizualny interneuroninterneuron from a flylatać.
180
516799
4112
w tej samej skali, znajduje się interneuron
kory wzrokowej muchy.
08:56
And I'll expandrozszerzać this up.
181
520911
1841
Powiększę go.
08:58
And it's a beautifullyestetycznie complexzłożony neuronneuron.
182
522752
2170
To przepiękny, skomplikowany neuron.
09:00
It's just very, very tinymalutki, and there's lots of biophysicalbiofizyczne challengeswyzwania
183
524922
3485
Jest tylko bardzo mały
i istnieje wiele wyzwań biofizycznych
09:04
with tryingpróbować to computeobliczać informationInformacja with tinymalutki, tinymalutki neuronsneurony.
184
528407
3623
ograniczających przetwarzanie informacji
takimi niewielkimi neuronami.
09:07
How smallmały can neuronsneurony get? Well, look at this interestingciekawy insectowad.
185
532030
3537
Jak mały może być neuron?
Popatrzmy na tego owada.
09:11
It lookswygląda sortsortować of like a flylatać. It has wingsskrzydełka, it has eyesoczy,
186
535567
2212
Wygląda podobnie do muchy.
Ma skrzydła, oczy,
09:13
it has antennaeanteny, its legsnogi, complicatedskomplikowane life historyhistoria,
187
537779
2799
czułki, nogi, skomplikowany życiorys,
09:16
it's a parasitepasożyt, it has to flylatać around and find caterpillarsGąsienice
188
540578
3096
to pasożyt. Musi latać, by znajdować gąsienice,
09:19
to parasatizeparasatize,
189
543674
1382
na których pasożytuje,
09:20
but not only is its brainmózg the sizerozmiar of a saltSól grainziarno,
190
545056
4115
ale ma mózg rozmiaru kryształu soli,
09:25
whichktóry is comparableporównywalny for a fruitowoc flylatać,
191
549171
1969
podobnie jak muszka owocówka.
09:27
it is the sizerozmiar of a saltSól grainziarno.
192
551140
2926
Cały owad jest rozmiaru kryształu soli.
09:29
So here'soto jest some other organismsorganizmy at the similarpodobny scaleskala.
193
554066
3635
Oto kilka innych organizmów
o podobnym rozmiarze.
09:33
This animalzwierzę is the sizerozmiar of a parameciumPantofelek and an amoebaAmeba,
194
557701
4130
Ten ma rozmiar pantofelka i ameby,
09:37
and it has a brainmózg of 7,000 neuronsneurony that's so smallmały --
195
561831
3880
a jego mózg ma zaledwie 7 tys. neuronów.
09:41
you know these things callednazywa cellkomórka bodiesciała you've been hearingprzesłuchanie about,
196
565711
2456
Słyszeliście na pewno o ciele komórki,
09:44
where the nucleusjądro of the neuronneuron is?
197
568167
1651
w którym znajduje się jądro komórkowe neuronu.
09:45
This animalzwierzę getsdostaje ridpozbyć się of them because they take up too much spaceprzestrzeń.
198
569818
3460
Ten organizm pozbył się tych ciał,
bo zajmują za dużo miejsca.
09:49
So this is a sessionsesja on frontiersgranic in neuroscienceneuronauka.
199
573278
2473
Ta prezentacja poświęcona jest
granicom wiedzy neurobiologii.
09:51
I would positZakładamy that one frontiergranica in neuroscienceneuronauka is to figurepostać out how the brainmózg of that thing worksPrace.
200
575751
5360
Jedną z takich granic jest poznanie,
jak działa mózg takiego stworzenia.
09:57
But let's think about this. How can you make a smallmały numbernumer of neuronsneurony do a lot?
201
581111
5633
Teraz coś innego. Jak zmusić niewiele neuronów,
aby robiły dużo?
10:02
And I think, from an engineeringInżynieria perspectiveperspektywiczny,
202
586744
2522
Z perspektywy inżyniera można pomyśleć
10:05
you think of multiplexingMultipleksowanie.
203
589266
1729
o wielozadaniowości.
10:06
You can take a hardwaresprzęt komputerowy and have that hardwaresprzęt komputerowy
204
590995
2703
Można mieć komputery,
10:09
do differentróżne things at differentróżne timesczasy,
205
593698
1613
które robią różne rzeczy, w różnym czasie,
10:11
or have differentróżne partsCzęści of the hardwaresprzęt komputerowy doing differentróżne things.
206
595311
2995
albo różne części komputera
pracujące nad różnymi zadaniami.
10:14
And these are the two conceptskoncepcje I'd like to explorebadać.
207
598306
3271
Chciałbym przyjrzeć się tym dwóm zagadnieniom.
10:17
And they're not conceptskoncepcje that I've come up with,
208
601577
1658
Nie wpadłem na to sam,
10:19
but conceptskoncepcje that have been proposedproponowane by othersinni in the pastprzeszłość.
209
603235
4545
lecz zaproponowano to już w przeszłości.
10:23
And one ideapomysł comespochodzi from lessonsLekcje from chewingdo żucia crabskraby.
210
607780
3075
Jeden z pomysłów nasunęła obserwacja
przeżuwających krabów.
10:26
And I don't mean chewingdo żucia the crabskraby.
211
610855
1867
Nie, nie przeżuwania krabów.
10:28
I grewrósł up in BaltimoreBaltimore, and I chewżuć crabskraby very, very well.
212
612722
3599
Dorastałem w Baltimore
i przeżuwam kraby bardzo sprawnie.
10:32
But I'm talkingmówić about the crabskraby actuallytak właściwie doing the chewingdo żucia.
213
616321
2857
Mam na myśli kraby przeżuwające pokarm.
10:35
CrabKrab chewingdo żucia is actuallytak właściwie really fascinatingfascynujący.
214
619178
2030
Przeżuwający krab jest naprawdę fascynujący.
10:37
CrabsKraby have this complicatedskomplikowane structureStruktura underpod theirich carapaceKarapaks
215
621208
3259
Pod pancerzem kraby mają skomplikowany układ,
10:40
callednazywa the gastricżołądka millmłyn
216
624467
1310
zwany aparatem żującym,
10:41
that grindsMiele theirich foodjedzenie in a varietyróżnorodność of differentróżne wayssposoby.
217
625777
2430
który pozwala mielić pokarm na różne sposoby.
10:44
And here'soto jest an endoscopicendoskopowe moviefilm of this structureStruktura.
218
628207
5259
Film przedstawia obraz endoskopowy
takiego aparatu.
10:49
The amazingniesamowity thing about this is that it's controlledkontrolowane
219
633466
2560
Co zadziwiające, jest on kontrolowany
10:51
by a really tinymalutki setzestaw of neuronsneurony, about two dozentuzin neuronsneurony
220
636026
3432
przez bardzo niewielki zestaw neuronów,
mniej więcej dwa tuziny,
10:55
that can produceprodukować a vastogromny varietyróżnorodność of differentróżne motorsilnik patternswzorce,
221
639458
4963
ale mimo to dzięki nim krab posiada
zróżnicowany układ ruchów.
11:00
and the reasonpowód it can do this is that this little tinymalutki ganglionzwoju
222
644421
4347
Źródłem tych ruchów jest ten mały ganglion
11:04
in the crabKrab is actuallytak właściwie inundatedzalany by manywiele, manywiele neuromodulatorsneuromodulatorów.
223
648768
4184
zatopiony w wielu neuromodulatorach.
11:08
You heardsłyszał about neuromodulatorsneuromodulatorów earlierwcześniej.
224
652952
2141
Słyszeliście wcześniej o neuromodulatorach.
11:10
There are more neuromodulatorsneuromodulatorów
225
655093
2225
Istnieje wiele różnych neuromodulatorów,
11:13
that alterALTER, that innervateunerwiają this structureStruktura than actuallytak właściwie neuronsneurony in the structureStruktura,
226
657318
5485
której unerwiają tę strukturę bardziej niż neurony
11:18
and they're ablezdolny to generateGenerować a complicatedskomplikowane setzestaw of patternswzorce.
227
662803
4242
i potrafią wygenerować tak skomplikowaną
sekwencję ruchów.
11:22
And this is the work by EveEwa MarderMarder and her manywiele colleagueskoledzy
228
667045
3441
Powyższe odkrycia zawdzięczamy pracy
Eve Marder i wielu jej kolegów,
11:26
who'vekto been studyingstudiować this fascinatingfascynujący systemsystem
229
670486
2295
którzy zajmowali się
tym fascynującym układem
11:28
that showpokazać how a smallermniejszy clustergrupa of neuronsneurony
230
672781
2152
i pokazali, jak niewielkie skupisko neuronów
11:30
can do manywiele, manywiele, manywiele things
231
674933
1825
może zrobić wiele rzeczy
11:32
because of neuromodulationneuromodulacji that can take placemiejsce on a moment-by-momentkażdej chwili basispodstawa.
232
676758
4856
dzięki neuromodulacji,
która może zachodzić w jednej chwili.
11:37
So this is basicallygruntownie multiplexingMultipleksowanie in time.
233
681614
2439
Jest to więc wielozadaniowość czasowa.
11:39
ImagineWyobraź sobie a networksieć of neuronsneurony with one neuromodulatorneuromodulatora.
234
684053
2785
Wyobraźcie sobie sieć neuronów
z jednym neuromodulatorem.
11:42
You selectWybierz one setzestaw of cellskomórki to performwykonać one sortsortować of behaviorzachowanie,
235
686838
3478
Wybieramy jedną grupę komórek
do wykonania jednego zadania,
11:46
anotherinne neuromodulatorneuromodulatora, anotherinne setzestaw of cellskomórki,
236
690316
2618
potem kolejny neuromodulator,
następną grupę komórek
11:48
a differentróżne patternwzór, and you can imaginewyobrażać sobie
237
692934
1713
i kolejne zadanie.
Można sobie wyobrazić,
11:50
you could extrapolateekstrapolacji to a very, very complicatedskomplikowane systemsystem.
238
694647
3878
że przenosimy ten proces
na wyjątkowo skomplikowany układ.
11:54
Is there any evidencedowód that fliesmuchy do this?
239
698525
2094
Czy jest jakiś dowód na to,
że muchy tak robią?
11:56
Well, for manywiele yearslat in my laboratorylaboratorium and other laboratorieslaboratoria around the worldświat,
240
700619
3375
Przez wiele lat w moim laboratorium,
a także w laboratoriach na całym świecie,
11:59
we'vemamy been studyingstudiować flylatać behaviorszachowania in little flightlot simulatorsSymulatory.
241
703994
2648
zajmowaliśmy się zachowaniami much
w małych symulatorach.
12:02
You can tetherTether a flylatać to a little stickkij.
242
706642
1706
Można przyczepić muchę do małego patyczka.
12:04
You can measurezmierzyć the aerodynamicaerodynamiczny forcessiły it's creatingtworzenie.
243
708348
2501
Zmierzyć działające siły aerodynamiczne.
12:06
You can let the flylatać playgrać a little videowideo gamegra
244
710849
2546
Można pozwolić muszce zagrać w grę wideo,
12:09
by lettingpuszczanie it flylatać around in a visualwizualny displaypokaz.
245
713395
3878
pozwalając jej latać po wyświetlaczu.
12:13
So let me showpokazać you a little tinymalutki sequencesekwencja of this.
246
717273
2337
Pokażę wam sekwencję wideo z takiej gry.
12:15
Here'sTutaj jest a flylatać
247
719610
1227
Oto mucha,
12:16
and a largeduży infraredpodczerwony viewwidok of the flylatać in the flightlot simulatorsymulator,
248
720837
3437
jej duży obraz w podczerwieni,
wewnątrz symulatora
12:20
and this is a gamegra the fliesmuchy love to playgrać.
249
724274
1955
oraz gra, w którą muchy uwielbiają grać.
12:22
You allowdopuszczać them to steerSteer towardsw kierunku the little stripepasek,
250
726229
2437
Muchy mogą się kierować
w stronę niewielkiego paska
12:24
and they'lloni to zrobią just steerSteer towardsw kierunku that stripepasek foreverna zawsze.
251
728666
2825
i będą to robić przez wieczność.
12:27
It's partczęść of theirich visualwizualny guidancewskazówki systemsystem.
252
731491
3558
To część ich wzrokowego układu sterowania.
12:30
But very, very recentlyostatnio, it's been possiblemożliwy
253
735049
2345
Niedawno udało się
12:33
to modifymodyfikować these sortssortuje of behavioralbehawioralne arenasArenas for physiologiesphysiologies.
254
737394
4940
zmodyfikować takie struktury testujące zachowania
pod kątem fizjologicznym.
12:38
So this is the preparationprzygotowanie that one of my formerbyły post-docspo dokumenty,
255
742334
2488
Oto układ eksperymentalny, wykonany przez mojego byłego pracownika naukowego,
12:40
GabyGaby MaimonMaimon, who'skto jest now at RockefellerRockefeller, developedrozwinięty,
256
744822
2443
Gaby Maimon, który pracuje
na Uniwersytecie Rockefellera.
12:43
and it's basicallygruntownie a flightlot simulatorsymulator
257
747265
1686
To on rozwinął symulator,
12:44
but underpod conditionswarunki where you actuallytak właściwie can stickkij an electrodeelektroda
258
748951
3075
w którym wszczepia się elektrodę
12:47
in the brainmózg of the flylatać and recordrekord
259
752026
2264
do mózgu muchy i zbiera informacje
12:50
from a geneticallygenetycznie identifiedzidentyfikowane neuronneuron in the fly'smuszki brainmózg.
260
754290
3656
bezpośrednio z genetycznie
wyselekcjonowanego neuronu.
12:53
And this is what one of these experimentseksperymenty lookswygląda like.
261
757946
2298
Tak wyglądał jeden z tych eksperymentów.
12:56
It was a sequencesekwencja takenwzięty from anotherinne post-docpost-doc in the lablaboratorium,
262
760244
2971
Sekwencję wideo przygotowała inna doktorantka,
12:59
BettinaBettina SchnellSchnell.
263
763215
1199
Bettina Schnell.
13:00
The greenZielony traceślad at the bottomDolny is the membranemembrana potentialpotencjał
264
764414
3392
Zielony ślad na dole
to potencjał membrany
13:03
of a neuronneuron in the fly'smuszki brainmózg,
265
767806
2030
neuronu w mózgu muchy
13:05
and you'llTy będziesz see the flylatać startpoczątek to flylatać, and the flylatać is actuallytak właściwie
266
769836
2942
i zaraz zobaczycie, że kiedy mucha
zaczyna lecieć,
13:08
controllingkontrolowanie the rotationobrót of that visualwizualny patternwzór itselfsamo
267
772778
3279
jednocześnie kontroluje obrót wyświetlanego wzoru
13:11
by its ownwłasny wingskrzydło motionruch,
268
776057
1479
ruchem swoich skrzydeł.
13:13
and you can see this visualwizualny interneuroninterneuron
269
777536
2110
Możecie zaobserwować,
że ten interneuron kory wzrokowej
13:15
respondodpowiadać to the patternwzór of wingskrzydło motionruch as the flylatać fliesmuchy.
270
779646
3908
odpowiada schematowi ruchu skrzydeł,
kiedy mucha leci.
13:19
So for the first time we'vemamy actuallytak właściwie been ablezdolny to recordrekord
271
783554
2376
Po raz pierwszy udało się nam zarejestrować
13:21
from neuronsneurony in the fly'smuszki brainmózg while the flylatać
272
785930
2908
działanie neuronów w mózgu muchy,
13:24
is performingdziałający sophisticatedwyrafinowany behaviorszachowania suchtaki as flightlot.
273
788838
4468
gdy wykonuje ona skomplikowane ruchy
takie jak lot.
13:29
And one of the lessonsLekcje we'vemamy been learninguczenie się
274
793306
1855
Udało nam się dzięki temu dowiedzieć,
13:31
is that the physiologyfizjologia of cellskomórki that we'vemamy been studyingstudiować
275
795161
2420
że fizjologia komórek, którą studiowaliśmy
13:33
for manywiele yearslat in quiescentspoczynkowy fliesmuchy
276
797581
2421
od wielu lat u much w bezruchu,
13:35
is not the samepodobnie as the physiologyfizjologia of those cellskomórki
277
800002
2648
nie jest taka sama jak fizjologia komórek
13:38
when the fliesmuchy actuallytak właściwie engageangażować in activeaktywny behaviorszachowania
278
802650
2736
w przypadku dynamicznych zachowań
13:41
like flyinglatający and walkingpieszy and so forthnaprzód.
279
805386
2539
takich jak latanie, chodzenie itd.
13:43
And why is the physiologyfizjologia differentróżne?
280
807925
2925
Czemu fizjologia jest inna?
13:46
Well it turnsskręca out it's these neuromodulatorsneuromodulatorów,
281
810850
2057
Okazało się, że przyczyną są neuromodulatory,
13:48
just like the neuromodulatorsneuromodulatorów in that little tinymalutki ganglionzwoju in the crabskraby.
282
812907
3951
dokładnie takie jak w malutkim ganglionie u krabów.
13:52
So here'soto jest a pictureobrazek of the octopamineOktopaminy systemsystem.
283
816858
2550
Zdjęcie przedstawia oktopaminę.
13:55
OctopamineOktopaminy is a neuromodulatorneuromodulatora
284
819408
1754
Jest ona neuromodulatorem
13:57
that seemswydaje się to playgrać an importantważny rolerola in flightlot and other behaviorszachowania.
285
821162
4336
i prawdopodobnie jest istotna podczas lotu muchy
oraz innych zachowań.
14:01
But this is just one of manywiele neuromodulatorsneuromodulatorów
286
825498
2472
Jednak to tylko jeden
z wielu neuromodulatorów,
14:03
that's in the fly'smuszki brainmózg.
287
827970
1071
które występują w mózgu muchy.
14:04
So I really think that, as we learnuczyć się more,
288
829041
2666
Uważam, że wraz z rozwojem naszej wiedzy,
14:07
it's going to turnskręcać out that the wholecały flylatać brainmózg
289
831707
2527
okaże się, że cały mózg muchy
14:10
is just like a largeduży versionwersja of this stomatogastricstomatogastric ganglionzwoju,
290
834234
3089
jest dużą wersją ganglionu,
takiego jak u krabów.
14:13
and that's one of the reasonspowody why it can do so much with so fewkilka neuronsneurony.
291
837323
4360
Dlatego mucha może tak wiele,
posiadając niedużą ilość neuronów.
14:17
Now, anotherinne ideapomysł, anotherinne way of multiplexingMultipleksowanie
292
841683
2787
Innym pomysłem na wielozadaniowość
14:20
is multiplexingMultipleksowanie in spaceprzestrzeń,
293
844470
1656
jest rozdzielenie jej w przestrzeni,
14:22
havingmający differentróżne partsCzęści of a neuronneuron
294
846126
1694
a więc różne części neuronu
14:23
do differentróżne things at the samepodobnie time.
295
847820
2122
robią inne rzeczy w tym samym czasie.
14:25
So here'soto jest two sortsortować of canonicalkanoniczna neuronsneurony
296
849942
1833
Tak wyglądają dwa rodzaje
neuronów kanonicznych
14:27
from a vertebratekręgowce and an invertebratebezkręgowców,
297
851775
2285
u kręgowców i bezkręgowców.
14:29
a humanczłowiek pyramidalpiramidy neuronneuron from RamonRamon y CajalCajala,
298
854060
3250
Z lewej neuron piramidalny,
odkryty przez Ramona y Cajala,
14:33
and anotherinne cellkomórka to the right, a non-spikingwybijanie interneuroninterneuron,
299
857310
4003
a po prawej interneuron
niegenerujący potencjałów czynnościowych,
14:37
and this is the work of AlanAlan WatsonWatson and MalcolmMalcolm BurrowsBurrows manywiele yearslat agotemu,
300
861313
4147
pochodzący z prac Alana Watsona
i Malcolma Burrowsa,
14:41
and MalcolmMalcolm BurrowsBurrows cameoprawa ołowiana witrażu up with a prettyładny interestingciekawy ideapomysł
301
865460
3075
ten ostatni zaproponował interesującą ideę
14:44
basedna podstawie on the factfakt that this neuronneuron from a locustszarańcza
302
868535
2882
bazującą na fakcie, że tego typu neurony
występujące u szarańczy
14:47
does not fireogień actionczynność potentialspotencjały.
303
871417
1959
nie generują potencjałów czynnościowych.
14:49
It's a non-spikingwybijanie cellkomórka.
304
873376
1748
To neurony niegenerujące
potencjałów czynnościowych.
14:51
So a typicaltypowy cellkomórka, like the neuronsneurony in our brainmózg,
305
875124
2780
Typowe komórki, takie jak neurony
w naszych mózgach,
14:53
has a regionregion callednazywa the dendritesdendrytów that receivesodbiera inputwkład,
306
877904
2752
posiadają część zwaną dendrytami,
które otrzymują sygnał,
14:56
and that inputwkład sumssumy togetherRazem
307
880656
2589
jest on następnie sumowany
14:59
and will produceprodukować actionczynność potentialspotencjały
308
883245
2296
i wyzwala się potencjał czynnościowy.
15:01
that runbiegać down the axonAxon and then activateaktywować
309
885541
2331
Biegnie on przez akson i aktywuje
15:03
all the outputwydajność regionsregiony of the neuronneuron.
310
887872
2296
wszystkie regiony wyjściowe neuronu.
15:06
But non-spikingwybijanie neuronsneurony are actuallytak właściwie quitecałkiem complicatedskomplikowane
311
890168
2876
Neurony niegenerujące potencjałów czynnościowych
są skomplikowane,
15:08
because they can have inputwkład synapsessynapsy and outputwydajność synapsessynapsy
312
893044
3112
bo mogą mieć synapsy wejściowe i wyjściowe,
15:12
all interdigitatedgrzebieniowymi, and there's no singlepojedynczy actionczynność potentialpotencjał
313
896156
3663
wzajemnie się zazębiające, oraz nie generują
pojedynczego potencjału czynnościowego,
15:15
that drivesdyski all the outputswyjść at the samepodobnie time.
314
899819
3126
który rozchodzi się po wszystkich
synapsach wyjściowych równocześnie.
15:18
So there's a possibilitymożliwość that you have computationalobliczeniowy compartmentsprzedziały
315
902945
3907
Dlatego istnieje prawdopodobieństwo
utworzenia komór obliczeniowych,
15:22
that allowdopuszczać the differentróżne partsCzęści of the neuronneuron
316
906852
3978
które pozwalają różnym częściom neuronu
15:26
to do differentróżne things at the samepodobnie time.
317
910830
2560
robić różne rzeczy w tym samym czasie.
15:29
So these basicpodstawowy conceptskoncepcje of multitaskingWielozadaniowość in time
318
913390
4671
Podstawy wielozadaniowości czasowej
15:33
and multitaskingWielozadaniowość in spaceprzestrzeń,
319
918061
2361
oraz wielozadaniowości przestrzennej
15:36
I think these are things that are trueprawdziwe in our brainsmózg as well,
320
920422
2832
według mnie istnieją również w naszych mózgach,
15:39
but I think the insectsowady are the trueprawdziwe mastersMistrzowie of this.
321
923254
2577
ale to owady wyspecjalizowały się w tej dziedzinie.
15:41
So I hopenadzieja you think of insectsowady a little bitkawałek differentlyróżnie nextNastępny time,
322
925831
3116
Mam nadzieję, że następnym razem
spojrzycie na owady nieco inaczej.
15:44
and as I say up here, please think before you swatpacnięcie.
323
928947
2935
Jak ja to mówię - proszę,
pomyśl, zanim rozgnieciesz.
15:47
(ApplauseAplauz)
324
931882
2953
(Brawa)
Translated by Paweł Zatryb
Reviewed by Magdalena Stonawska

▲Back to top

ABOUT THE SPEAKER
Michael Dickinson - Biologist
Most people are irritated by the buzzing of a fly's wings. But biologist Michael Dickinson views the sound with a deep sense of wonder.

Why you should listen

Some things are so commonplace that they barely register our attention. Michael Dickinson has dedicated much of his research to one such thing -- the flight of the fly. Dickinson aims to understand how a fly's nervous system allows it to accomplish such incredible aerodynamic feats. Affectionately dubbed the "Fly Guy" by The Scientist, Dickinson's research brings together zoology, neuroscience and fluid mechanics.

Dickinson was named a MacArthur Fellow in 2001. He is now a professor of biology at the University of Washington, where he heads The Dickinson Lab. The lab conducts research into insect flight control, animal brain recordings, animal/robot interactions and animal visual navigation and welcomes students with an interest in studying insect flight, behavior and evolution from an interdisciplinary approach perspective. 

More profile about the speaker
Michael Dickinson | Speaker | TED.com