Why do Fibonacci Numbers Appear in Patterns of Growth in Nature?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While many examples of Fibonacci numbers are found in phenotypic structures of plants and animals, the dynamic processes that generate these structures have not been fully elucidated. This raises the question: What biologic rules and mathematical laws that control the growth and renewal of tissues in multi-cellular organisms give rise to these patterns of Fibonacci numbers? In nature the growth and self-renewal of cell populations leads to generation of hierarchical patterns in tissues that resemble the pattern of population growth in rabbits, which is explained by the classic Fibonacci sequence. Consequently, we conjectured a similar process exists at the cellular scale that explains tissue renewal. Accordingly, we created a model (cell division type) for tissue development based on the biology of cell division that builds upon the cell maturation concept posed in the Spears and Bicknell-Johnson model ("mating”-like design) for asymmetric cell division. In our model cells divide asymmetrically to generate a mature and an immature cell. Model output on the number of cells generated over time fits specific Fibonacci p-number sequences depending on the maturation time. A computer code was created to display model output as branching tree diagrams as a function of time. These plots and tables of model output illustrate that specific patterns and ratios of immature to mature cells emerge over time based on the cell maturation period. Conclusion: Simple mathematical laws involving temporal and spatial rules for cell division begin to explain how Fibonacci numbers appear in patterns of growth in nature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle