Tréninkové zóny, AI a DNA, Intellipig, vejce nad zlato
Newsletter Běžím, dokud můžu
Vaše tréninkové zóny jsou možná špatně
Měření srdeční frekvence je pro mnoho běžců a vytrvalostních sportovců základním nástrojem pro řízení tréninku. Oblíbený je zejména tzv zónový trénink, který slibuje specifické fyziologické adaptace v závislosti na intenzitě. Například trénink v takzvané „Zone 2“ je spojen s rozvojem aerobní vytrvalosti, zatímco „Zone 4“ cílí na zlepšení výkonnosti v blízkosti druhého laktátového prahu (LT2). Tyto zóny často určujeme jako procenta maximální srdeční frekvence (%HRmax) nebo srdečního rezervy (HRR), ale nová metaanalýza ukazuje, že individuální variabilita je tak velká, že univerzální modely zón mohou být pro mnoho sportovců zavádějící. Takže jako obvykle, vaše hodinky vám nejspíš (více nebo méně) lžou.
Abychom pochopili, proč tomu tak je, je třeba si připomenout, co představují laktátové prahy. První laktátový práh (LT1) označuje intenzitu, při níž začíná koncentrace laktátu v krvi mírně stoupat nad klidovou hodnotu. Trénink pod LT1 podporuje aerobní metabolismus, efektivitu spalování tuků a rozvoj základní vytrvalosti. Druhý laktátový práh (LT2) je úroveň zátěže, kdy dochází k prudkému a trvalému zvýšení laktátu, což je důležité pro schopnost udržet vysokou intenzitu bez rychlého zakyselení svalů. Obecně platí, že LT1 odpovídá hranici „komfortního tempa“ při dlouhých bězích, zatímco LT2 se blíží intenzitě, kterou lze udržet přibližně hodinu.
Tradiční modely často předpokládají, že LT1 odpovídá přibližně 70 % HRmax a LT2 asi 90 % HRmax. Metaanalýza 25 studií zahrnující 412 běžců však ukazuje, že realita je mnohem složitější. Výsledné rozsahy jsou překvapivě široké:
Tak velký rozsah hodnot ukazuje, že u jednoho běžce se může LT1 objevit při 69 % HRmax, zatímco u jiného až při 94 % HRmax. Stejně tak LT2 se u různých sportovců pohybuje mezi 80 a 98 % HRmax. Extrémní variabilita je patrná i při použití srdeční rezervy (%HRR), což je metoda, která zohledňuje klidovou srdeční frekvenci. Překvapivá je i skutečnost, že u některých běžců se může srdeční frekvence odpovídající LT1 překrývat s frekvencí, při níž jiní dosahují LT2.
Odkud se tato variabilita bere? Nabízelo by se, že hlavní roli hraje věk, pohlaví nebo úroveň trénovanosti. Analýza však ukazuje, že tyto faktory mají relativně malý vliv. Rozdíly jsou spíše individuální a pramení z vrozené fyziologie, rozdílů ve svalovém složení, kapilarizaci, mitochondriální hustotě nebo předchozí tréninkové historii. Významným zdrojem odchylek jsou i rozdílné metodiky měření v jednotlivých laboratořích. To je patrné zejména u LT1, jehož určení je obtížnější. Zatímco LT2 je obvykle definován jako první stupeň zátěže s nárůstem laktátu o ≥1,5 mmol/l nad klidovou hodnotu, pro LT1 existuje více než deset různých standardů. I mezi laboratořemi používajícími stejnou metodiku se výsledky mohou lišit. Takže když obejdete 10 laboratoří, možná budete mít 10 nastavení tréninkových zón. A pak se divíme, že hodnoty, které nám spočítají hodinky, jsou asi tak přesné, jako hod kostkou.
Jak tedy co nejpřesněji určit své LT1 a LT2? Nejlepším řešením je laboratorní vyšetření, při kterém běžec absolvuje stupňovaný test na běžeckém pásu s pravidelným odběrem krve pro měření laktátu. Test obvykle probíhá na pásu se sklonem 1 %, přičemž běžec běží několik stupňových úseků o délce 3–5 minut s postupným zvyšováním tempa. Srdeční frekvence se měří pomocí hrudního pásu (ne, optické měření skutečně není přesné) a hodnoty z posledních 30 sekund každého úseku se zapisují. LT1 je stanoven jako bod, kdy laktát poprvé výrazně stoupne nad klidovou hodnotu, LT2 je pak bod trvalého a prudkého nárůstu. Takový test je sice velmi přesný, ale může být finančně i časově náročný a výsledky se mohou lišit v závislosti na laboratoři a pravděpodobně i na vašem aktuálním stavu, kdy hladina laktátu je ovlivněná i kvalitou spánku, hydratace a stresu (u žen pak pravděpodobně i fází cyklu).
Pro běžce bez přístupu k laboratornímu testování existují i praktické alternativy stanovení prahových hodnot přímo v terénu (nebo spíš na ovále). Pro odhad LT2 lze použít tempo, které odpovídá přibližně 90 % tempa z pětikilometrového závodu, nebo tzv. „critical speed“ testy vycházející z výsledků na různých tratích (např. 3 km a 10 km). U LT1 je situace složitější, protože skutečně spolehlivý test v terénu zatím neexistuje. Konzervativní doporučení však zní: pokud chcete mít slušnou jistotu, že běžíte pod LT1 (tedy v Zone 2), držte se pod 70 % HRmax nebo 65 % HRR. Je však třeba počítat s tím, že přibližně jednomu z deseti běžců tyhle hodnoty nebudou sedět.
Z praktického hlediska je důležité si uvědomit i fenomén srdečního driftu (psal jsem tady) – při delším běhu se může srdeční tep zvýšit o 10–15 %, a to i při konstantním tempu. Tento jev je důsledkem dehydratace, zvyšující se tělesné teploty a únavy kardiovaskulárního systému. Při dlouhých bězích proto může být srdeční frekvence vyšší, aniž by to nutně znamenalo vyšší intenzitu z hlediska metabolické zátěže.
Co si z toho všeho odnést? Především to, že univerzální zónové modely založené na %HRmax nebo %HRR mohou být pro mnoho sportovců zavádějící. Pokud se chcete na srdeční frekvenci spolehnout, je ideální investovat do laboratorního testování. Pokud to není možné, použijte alespoň konzervativní odhady a sledujte, jak se vaše tělo cítí při dané intenzitě. Věnujte pozornost i dalším ukazatelům, jako je tempo, dechová frekvence a subjektivní vnímání zátěže. Správně nastavené tréninkové zóny mohou výrazně zlepšit efektivitu tréninku, urychlit regeneraci a posunout vaši výkonnost na novou úroveň.
Podle článku na Runningwritings.com
Umělá inteligence a DNA
DNA - slavný dvojitý helix nese ve svých sekvencích veškerou genetickou informaci, která řídí fungování organismů – od bakterií přes rostliny až po člověka. V posledních dekádách přinesly nástroje pro sekvenování, syntézu a editaci genomu revoluci v biologickém výzkumu. Přesto však stále čelíme obrovské výzvě: jak skutečně porozumět komplexnímu „jazyku“ DNA a navrhovat nové biologické systémy s předvídatelnými funkcemi?
Na tuto otázku se pokouší odpovědět Evo 2, nový biologický základní model, který kombinuje metody strojového učení s největším genomickým datovým souborem svého druhu. Evo 2 je trénován na 9,3 bilionech (9.300.000.000.000) bází DNA z pečlivě vybraného genomového atlasu, který pokrývá všechny domény života – bakterie, archea i eukaryoty. Model je dostupný ve dvou variantách s 7 miliardami a 40 miliardami parametrů a využívá kontextové okno o velikosti jednoho milionu tokenů s rozlišením na jednotlivé nukleotidy. To mu umožňuje zachytit vzorce a souvislosti v DNA na dosud nepředstavitelné škále.
Co Evo 2 umí?
Jedním z hlavních přínosů Evo 2 je schopnost předpovídat funkční dopady genetických variací. Model to dokáže pouze na základě hrubé DNA sekvence, bez potřeby specifického dočištění pro jednotlivé úkoly. Například dokáže určit, zda konkrétní mutace v nekódujících oblastech DNA mohou být patogenní, nebo jaké jsou klinické důsledky variant genu BRCA1, známého pro svou roli v riziku vzniku rakoviny prsu a vaječníků.
Podrobné analýzy odhalily, že Evo 2 si „samo“ osvojuje různé biologické rysy. Mezi ně patří rozpoznání hranic mezi exony a introny (klíčové pro správné “stříhání“ mRNA), vazebná místa transkripčních faktorů, prvky proteinové struktury a dokonce i oblasti v bakteriálních genomech obsahující latentní virové sekvence. Tyto schopnosti se objevily jako přirozený důsledek tréninku modelu na rozsáhlých DNA datech – bez toho, aby mu byly přímo zadány.
Generování celých genomů
Schopnosti Evo 2 nekončí u analýzy a predikce. Model dokáže generovat realistické DNA sekvence na úrovni celých genomů – od mitochondriálních přes prokaryotické až po eukaryotické. Ve srovnání s předchozími metodami jsou takto generované sekvence daleko podobnější těm přírodním a biologicky koherentnější, což má obrovský potenciál například v syntetické biologii. Evo 2 dokáže při generování řídit strukturu epigenomu, tedy chemických modifikací DNA, které ovlivňují genovou expresi. Autoři studie uvádějí, že jde o první demonstraci škálování modelu na úrovni epigenomických struktur v reálném čase.
Proč je to důležité?
Porozumění DNA je klíčem nejen k léčbě genetických onemocnění, ale i k širším aplikacím – od vývoje odolnějších plodin až po navrhování nových biologických materiálů. Evo 2 představuje důležitý krok směrem k inteligentnímu designu biologických systémů. Model umožňuje vědcům simulovat dopady genetických změn, hledat skryté vzorce v obrovských genomických datech a dokonce navrhovat nové genetické sekvence s předem definovanými vlastnostmi.
Unikátním prvkem celého projektu, je jeho otevřenost. Vývojáři zpřístupnili nejen trénovaná data (databázi OpenGenome2), ale i parametry modelu, trénovací a inferenční kód. Tento krok výrazně urychlí výzkum a inovace v biologii, podobně jako otevřenost jazykových modelů přispěla k rozvoji generativní umělé inteligence v oblasti textů a obrázků.
Pro vědeckou komunitu znamená Evo 2 možnost:
Lépe předpovídat účinky genetických mutací, což může zlepšit diagnostiku a personalizovanou medicínu.
Zrychlit vývoj nových léčiv a terapeutik pochopením genové regulace.
Navrhovat nové organismy a biologické systémy pro biotechnologii a průmyslové aplikace.
Objevovat dosud neznámé vzory v genomických datech, které mohou odhalit nové biologické principy.
Evo 2 je přelomový biologický model, který kombinuje obrovskou datovou základnu s pokročilým strojovým učením. Bez potřeby specifického doladění dokáže předpovídat funkční dopady genetických změn, generovat celé genomové sekvence a rozpoznávat komplexní biologické vzory. Jeho otevřenost a dostupnost pro vědeckou komunitu slibují urychlení výzkumu napříč obory – od medicíny po syntetickou biologii. Biologie se tak díky Evo 2 posouvá z fáze „čtení genetické knihy“ do fáze jejího vědomého psaní.
Podle studie
Kdy je náš pes smutný a prase frustrované?
Umělá inteligence dnes zvládá to, co lidem dělalo problémy po staletí: rozpoznat, co si zvíře myslí (nebo alespoň jak se cítí). A přestože domácí mazlíček vám asi nikdy neřekne: „Dneska jsem trochu v depresi,“ váš telefon to možná brzy udělá za něj.
Venku v anglickém venkově, 6:00 ráno, mrholí. Desítky růžových prasnic se chystají na snídani, funí, strkají se a soutěží o to, kdo dřív dorazí ke krmítku. Ale než dostanou první sousto, čeká je nečekaná překážka – selfie. Malá kamera nad každým krmným boxem pořídí fotku prasečí tváře a AI systém Intellipig během vteřiny identifikuje konkrétní prasnici podle čenichu, uší a očí. Pak jí naservíruje individuálně přizpůsobenou snídani. A co víc – pokud AI zaznamená náznak bolesti nebo stresu v jejím výrazu, okamžitě upozorní farmáře, který si zatím spokojeně usrkává kávu.
Za projektem Intellipig stojí vědci z University of the West of England v Bristolu (UWE) a Scotland’s Rural College (SRUC). Jejich cíl? Pomoci farmářům lépe pečovat o zvířata a zachytit problémy dříve, než se projeví viditelnými příznaky. „Lidé už nejsou v rozpoznávání zvířecích emocí nejlepší,“ říká Melvyn Smith, specialista počítačového vidění z UWE. „AI nejenže dokáže být rychlejší, ale často i přesnější.“
Podobné systémy se testují i na koních, kočkách a dokonce i ovcích. Když si uvědomíte, že koňský chirurg Pia Haubro Andersen dokáže z výrazu koně po operaci vyčíst bolest (třeba podle „vrásky starostí“ nad očima a uší vytočených ven), dává to smysl. Problém je, že lidem to chvíli trvá. Identifikace obličejových svalů na jediné fotce zabere odborníkům v průměru 100 sekund, a zpracování půlminutového videa může znamenat i tři hodiny práce. AI to zvládne za zlomek sekundy – a bez kafe.
Jak ale AI vlastně čte zvířecí tváře? Nejprve se musí naučit, co hledat. Výzkumníci tedy označí tisíce „landmarků“ – bodů na tváři, jako jsou koutky očí, špička nosu nebo okraje nozder. Je to trochu jako spojování teček v dětské omalovánce, jen místo obrázku kočky dostanete… no, pořád kočku, ale v digitálních datech. Když se AI naučí tyto body rozpoznávat, začne měřit jejich vzájemné vzdálenosti a hledat vzory. Například kočka v bolestech roztahuje čelisti, takže se body kolem tlamičky oddálí.
Zamanskyho tým z Haify dokázal s AI odhalit bolest u koček s 77% přesností. Brazilský veterinář Gabriel Lencioni, který testoval systém na koních po operacích, se dostal až na 88 %. A u prasnic testovaných v projektu Intellipig dosáhla AI 97% úspěšnosti při rozpoznání stresu – což je úroveň, jakou byste od prasečího „emočního poradce“ nečekali.
Co je ale ještě zajímavější? AI se začíná učit číst nejen bolest a stres, ale i složitější emoce. V Los Angeles vědci sledovali kočky v kavárně a zjistili, že mají 276 různých výrazů! Některé slouží k přivítání, jiné k varování („Nesahej na mě, člověče!“). U psů AI rozlišila mezi „šťastným očekáváním pamlsku“ a „frustrací z pamlsku, který je na očích, ale mimo dosah“ s 89% úspěšností. Koně v podobném testu odhalili zklamání v 61 % případů – což sice není dokonalé, ale pořád lepší než hádání podle citu.
Samozřejmě, není to bez problémů. AI si někdy spojuje nesouvisející věci – například pokud jsou šťastná zvířata pravidelně focena v 10 hodin dopoledne a nešťastná v 5 odpoledne, může AI rozhodovat podle hodin na zdi místo výrazu tváře. „Nikdo nechce, aby počítač tvrdil, že králík netrpí, jen protože na fotce vidí hodiny ukazující 10:00,“ varuje Zamansky. Výzkumníci proto používají speciální nástroje, které ukazují, na co se AI při hodnocení soustředí – a většinou je to oblast očí, i když u koček je to spíš nos a tlama.
A kam to všechno směřuje? Vývojáři pracují na mobilních aplikacích pro běžné majitele zvířat. Představte si, že vyfotíte svou kočku a telefon vám oznámí: „Zjištěno napětí kolem tlamy. Střední úroveň bolesti.“ Podobné nástroje by mohly najít uplatnění na farmách, v útulcích nebo při jezdeckých soutěžích, kde by kontrolovaly pohodu koní a podporovaly férovější podmínky.
Když se podíváme zpátky, i my lidé jsme se kdysi museli naučit číst výrazy svých dětí nebo partnerů. Proč by si tedy domácí mazlíček nemohl zasloužit stejnou péči? Jak říká Zamansky: „Když víme, že je naše zvíře šťastné, budeme šťastní i my.“
Takže příště, až váš pes bude sedět u dveří a tvářit se „nějak jinak“, nezoufejte. Možná už brzy bude aplikace, která vám místo přemýšlení jednoduše řekne: „Chce ven – a taky pamlsek. Teď hned.“
Podle článku
Vajíčka a vakcíny
Pokud patříte mezi milovníky vajíček k snídani, je možná čas začít šetřit… nebo si pořídit vlastní slepice. V souvislosti s šířením ptačí chřipky H5N1 mezi drůbeží a vodními ptáky v Kanadě totiž vláda oznámila nákup 500 000 dávek vakcíny proti H5N1 určené pro lidi s nejvyšším rizikem nákazy. A tady přichází ten méně zřejmý, ale zásadní detail: většina vakcín proti chřipce se vyrábí ve vejcích.
Jinými slovy, když svět potřebuje více vakcín, potřebuje i více vajec – což může vyvolat jejich nedostatek a vyšší ceny. A ne, nejde o aprílový žert.
Proč Kanada kupuje vakcíny právě teď?
Kanadská veřejná zdravotní agentura (PHAC) získala vakcíny Arepanrix H5N1 od farmaceutické společnosti GSK. I když je aktuální riziko pro běžnou populaci nízké, lidé pracující se zvířaty – například farmáři a veterináři – jsou vystaveni vyššímu riziku.
Tento krok následuje po prvním potvrzeném domácím případu lidské nákazy H5N1 v Kanadě, kdy se na jednotce intenzivní péče ocitl teenager z Britské Kolumbie. Po dvou měsících léčby, včetně plicní ventilace, byl v lednu propuštěn z nemocnice. V sousedních Spojených státech byla situace vážnější – v Louisianě zemřel na stejný virus senior s chronickými onemocněními.
Co odborníky znepokojuje, jsou genetické mutace viru, které by mohly usnadnit jeho přenos mezi lidmi. A pokud by se virus naučil šířit snadněji, mohla by se z ptačí chřipky stát globální hrozba.
Jak souvisí vakcíny a vejce?
Výroba většiny tradičních chřipkových vakcín (ptačí chřipka) probíhá překvapivě starou, ale účinnou metodou: v oplodněných slepičích vejcích. Do vajíčka se vpíchne oslabený virus, nechá se množit a po několika dnech se z něj extrahuje očkovací látka. Tento proces je osvědčený a umožňuje masovou výrobu. Ale má to háček – potřebuje spoustu vajec.
Pokud poptávka po vakcínách prudce vzroste – a to nejen kvůli Kanadě, ale i kvůli dalším zemím, které začínají vakcíny hromadit – potravinářský trh pocítí následky. Slepice, jak známo, mají své limity.
Situace ve světě: Vejce, vakcíny a virus
Kanada není jediná, kdo se připravuje. Spojené státy obnovují své zásoby vakcín pro drůbež a Evropská unie varuje, že kombinace virových mutací a lidských aktivit, jako je urbanizace, zvyšuje riziko přenosu mezi druhy. Mezitím ptačí chřipka vyhubila obrovské množství ptáků po celém světě a začíná se šířit i mezi savci.
Aby toho nebylo málo, ve Spojených státech byla nedávno zjištěna druhá varianta ptačí chřipky u skotu. Nejenže to ohrožuje mléčnou produkci, ale ukazuje to na schopnost viru „přeskakovat“ mezi živočišnými druhy, což znepokojuje odborníky sledující pandemický potenciál H5N1.
Co to znamená pro spotřebitele?
Pokud se ptáte: „Co s tím mám společného já, když vajíčka kupuju jen na palačinky?“ – odpověď je jednoduchá. Ceny vajec jsou silně závislé na poptávce. Když se vejce používají nejen na snídani, ale i jako „živá laboratoř“ pro výrobu vakcín, může to vést ke zdražení. Už teď jsou farmáři pod tlakem kvůli vybitým chovům, vyšším nákladům na krmivo a biosekuritním opatřením. Přidáme-li k tomu miliony vajec potřebných pro vakcíny, může se cena vyšplhat výš, než je u nás zvykem.
Navíc pokud dojde k šíření nákazy v drůbežích farmách, čekají nás nejen dražší vejce, ale i možné výpadky dodávek.
Máme se bát ptačí chřipky?
Dobrá zpráva: riziko pro běžnou veřejnost zůstává nízké. H5N1 se mezi lidmi zatím nešíří a drtivá většina případů je spojena s přímým kontaktem s nakaženou drůbeží. Ale opatrnost je na místě – zejména pokud pracujete na farmě, navštěvujete trhy s živými zvířaty nebo se dotýkáte volně žijících ptáků (což, přiznejme si, asi není váš víkendový koníček).
Zdravotní úřady doporučují důkladnou hygienu, přípravu drůbežího masa a vajec na dostatečnou teplotu a vyhýbání se kontaktu s nemocnými zvířaty.
Co bude dál?
Vakcinace osob s vyšším rizikem má v Kanadě začít v nejbližších týdnech. Šedesát procent dávek poputuje do provincií a teritorií, zbytek bude uložen pro případ, že by se situace zhoršila. A zatímco odborníci sledují virus pod mikroskopem, my ostatní budeme pravděpodobně sledovat cenovky u vajec v supermarketu.
Takže jestli plánujete letos velikonoční pečení a barvení vajec, možná není špatný nápad si udělat zásoby (toto není nákupní / investiční doporučení :) ). Nebo se přihlaste do kurzu domácího chovu slepic – nejenže si zajistíte stabilní přísun vajec, ale můžete se těšit i na nové „opeřené kamarádky“.