Schlagwort-Archive: shaver reviews

Le génotype est l'ensemble ou une partie donnée de l'information génétique (composition génétique) d'un individu. Le génotype d'un individu est donc la composition allélique de tous les gènes de cet individu. La définition de génotype sert également lorsque l'on considère la composition allélique d'un individu pour un nombre restreint de gènes d'intérêt. Par exemple, s'il existe deux formes du gène X : l'allèle Xa et l'allèle Xb, alors le génotype d'un individu pour le gène X peut être soit homozygote (Xa/Xa ou Xb/Xb), soit hétérozygote (Xa/Xb). L'homme possède deux copies de chaque gène, donc potentiellement, 2 allèles différents au maximum (sauf en cas de maladie, comme dans les cas de trisomie 21, dans lesquels on trouve trois chromosomes à la 21e paire, donc trois copies pour un même gène).

Le génotype est l’information portée par le génome d’un organisme small thermos flask, contenu dans chaque cellule sous forme d’acide désoxyribonucléique (ADN). Porté par les chromosomes, il est localisé à l’intérieur du noyau chez les eucaryotes et dans le cytoplasme chez les procaryotes. Dans la molécule d'ADN, c'est la séquence des nucléotides qui constitue l'information génétique.

Chez l'homme, on estime que le nombre de gènes est compris entre 25 000 et 30 000. Il existe pour une majorité de ces gènes plusieurs allèles dans la population. S'il existe trois génotypes différents possibles pour un gène existant sous deux formes alléliques, il est facile d'imaginer le nombre faramineux de génotypes possibles pour un individu. C'est pour cela que l'on dit que nous sommes tous différents : il est hautement improbable que deux individus aient, au hasard, hérité des mêmes allèles pour tous leurs gènes. Les vrais jumeaux font exception à cette règle, ils sont issus de la même cellule œuf (zygote), et donc de même composition allélique.

Génotype et phénotype sont des termes inventés par William Bateson au début du XXe siècle. C'est le même Bateson qui proposa en 1905 le terme « génétique » pour désigner la science de l'hérédité et de la variation.

Le génotype détermine les caractères d’un individu, constituant le phénotype, et se transmet des parents à leurs descendants.

Le phénotype est l'ensemble des caractères observables d'un individu, à toutes les échelles : macroscopique (la couleur des yeux), cellulaire (la concentration sanguine en hématies) et moléculaire (l'activité d'une enzyme). L'expression du génotype produit (en partie) le phénotype. Autrement dit, la composition allélique de chaque individu pour chaque gène va produire un phénotype particulier à chaque fois. Par exemple, la couleur de la peau peut varier suivant la composition allélique des individus pour les gènes impliqués dans la voie de biosynthèse de la mélanine (échelle moléculaire), le pigment qui colore la peau (échelle macroscopique). Les personnes de couleur noire possèdent des allèles codant des enzymes très actives pour la production de la mélanine, contrairement aux personnes de couleur blanche. Le génotype n'est pourtant pas seul responsable du phénotype : l'environnement y tient également une part non négligeable. Cette observation triviale peut être illustrée ainsi : À génotype égal (vrais jumeaux) si un enfant passe ses journées au soleil, en plein été par exemple, il bronzera (produira plus de mélanine), alors que son jumeau, qui préfère jouer à l'ombre, restera blanc best thermos water bottle. Le phénotype (couleur de la peau) sera donc différent à génotype égal.

La relation génotype-phénotype, malgré son apparente simplicité et l'extraordinaire essor qui en a résulté pour la science génétique, demeure un problème central de la biologie contemporaine. En effet, connaître le phénotype total (c'est-à-dire l'ensemble des phénotypes ou « phénome ») d'un individu demanderait de l'observer avec tous les outils d'analyse possibles et dans toutes les circonstances et environnements externes et internes possibles. Outre cette difficulté pratique de définir exhaustivement la relation génotype-phénotype il en est une autre plus fondamentale : les 25000 (environ) gènes humains ne suffisent certainement pas aux innombrables caractères phénotypiques d'un individu humain et c'est pourquoi le génotype produit seulement en partie le phénotype. L'autre partie peut résider en dehors des "gènes" classiques, par exemple dans des régions intergéniques exprimant des ARN (petits ARN non codants (ARNnc)) ou, alternativement, ne pas être génétique (non inscrite dans l'ADN) mais épigénétique (par exemple dépendante de l'état de la chromatine).

Waddington qui mit le terme épigénétique à l'honneur disait de manière visionnaire dès 1939 : « the appearance of a particular organ [is] the product of the genotype and the epigenotype, reacting with the external environment ».

Chaque individu produit dans ses gonades des gamètes mâles ou femelles qui, en fusionnant, produisent un zygote/une cellule œuf, voué à donner un nouvel individu. La production de chaque gamète passe par deux divisions cellulaires successives originales, regroupées sous le nom de méiose. Lors de cette méiose, chaque parent réduit la quantité d'information génétique qu'il va donner à chaque gamète: on passe d'une cellule diploïde (deux copies de chaque gène, donc potentiellement deux allèles différents) à des cellules haploïdes (une seule copie de chaque gène, donc un seul allèle). Un gamète ne contient donc qu'une copie de chaque gène de l'individu parent. Un parent transmet donc tous ses gènes shaver reviews, mais pas toutes ses allèles (seulement un sur deux dans le cas d'un gène hétérozygote). Lors de la formation de la cellule œuf par fusion du gamète mâle et du gamète femelle, on restaure une cellule diploïde, avec deux copies de chaque gènes, mais à la composition allélique remaniée, qui n'est ni celle du père, ni celle de la mère, mais un mélange des deux. Par exemple, si pour le gène X le père était homozygote Xa/Xa, et la mère homozygote Xb/Xb, alors l'enfant sera hétérozygote Xa/Xb, car chaque parent aura donné une version (un allèle) du gène X. Le génotype d'un enfant est donc le résultat du mélange d'une partie du génotype du père et de la mère.

L'existence de plusieurs allèles d'un même gène est le fruit de mutations. Un gène code un produit (ARN ou protéine) qui a une fonction dans l'organisme. La séquence de ce gène n'est pas contrainte pour toutes les bases qui la composent, aussi certaines mutations dites "silencieuses" peuvent survenir sans provoquer d'altérations du fonctionnement du produit de ce gène. L'allèle ainsi créé (il est bien différent de l'allèle duquel il dérive, c'est donc un nouvel allèle) se propage dans la population par un mécanisme nommé dérive génétique. Parfois cette mutation rend le produit du gène plus efficace, ce qui confère un avantage sélectif à l'organisme qui porte cet allèle. S'il est avantagé par rapport aux autres membres de la population, il aura tendance à survivre plus longtemps, et donc à transmettre plus ses gènes : il y a donc sélection positive de cet allèle, et il se propage dans la population plus rapidement que par dérive génétique. Et en dernier lieu, cette mutation peut être délétère pour le fonctionnement du produit du gène, et est généralement contre-sélectionnée si son effet s'exprime, et nuit à l'organisme. En revanche, si cette mutation inactive l'allèle, le second allèle fonctionnel peut suffire à conserver un phénotype normal. Cette mutation est appelée récessive, car elle n'a pas d'incidence sur le phénotype à l'état hétérozygote. Elle peut donc se propager par dérive génétique. Cependant, quand deux individus porteurs de cet allèle délétère se reproduisent, ils peuvent tous les deux donner l'allèle muté (1 chance sur 4), ce qui provoquera un phénotype malade chez l'enfant.

Souvent, pour la caractérisation d'une maladie, on recherche quelle part y prend l'environnement, et la génétique. Certaines maladies sont uniquement liées à l'environnement (varicelle), et d'autres entièrement au génotype (maladie de Huntington). D'autres maladies sont dépendantes des deux composantes à des degrés divers (récemment il a été découvert une cause génétique à l'autisme). Il existe plusieurs méthodes pour déterminer si une maladie est d'origine génétique: on étudie des pedigres, pour essayer de mettre en évidence une agrégation familiale de la maladie, signe de la transmission de l'allèle morbide au sein de la famille. Si la fréquence d'apparition de la maladie est plus élevé dans la famille que dans la population générale, ceci traduit une cause génétique. Lorsqu'on soupçonne fortement la maladie d'avoir une origine génétique, on essaye de localiser le gène responsable (étude de liaison avec des marqueurs génétiques : microsatellites ou SNP). Une fois le gène isolé et caractérisé, on peut étudier l'allèle délétère. La détection du génotype d'un individu, lors d'un diagnostic prénatal par exemple, permet d'estimer la probabilité qu'un individu développe une maladie, et de mettre en place précocement un traitement approprié.

Chez les plantes, qui ne disposent pas de système immunitaire à base d'anticorps comme les humains, plusieurs génotypes différents peuvent « cohabiter » sans problème pour former un même individu. C'est pourquoi on peut greffer des plantes sans souci, alors qu'une lutte médicamenteuse continue est impérative pour assurer le maintien d'une greffe humaine et empêcher le rejet.

Ainsi, chez les plantes, il est courant que des mutations de bourgeons ou des infections virales modifient une partie du patrimoine génétique. Ce phénomène a été et est toujours à l'origine de sélection de cultivars très intéressants : poire Williams rouge par exemple ou espèces panachées (souvent d'origine virale).

Lors de la transgenèse, l'organisme receveur est capable d'exploiter l'information génétique détenue par le transgène (gène transféré). En effet, cet organisme va exprimer le caractère contrôlé par ce transgène : l'information génétique est inscrite dans l'ADN de ce transgène selon un mode universel.

Sur les autres projets Wikimedia :

Łukasz Górnicki herbu Ogończyk (ur. 1527 w Oświęcimiu, zm. 22 lipca 1603 w Lipnikach pod Tykocinem) – polski humanista renesansowy, poeta, pisarz polityczny, tłumacz, sekretarz królewski Zygmunta Augusta (1559) i jego bibliotekarz, starosta niegrodowy tykociński (1571), starosta wasilkowski (1576), prebendarz dóbr duchownych (otrzymywał dochody z probostw wielickiego i kęckiego oraz kanonii kruszwickiej), wójt wasilkowski.

Urodził się w Oświęcimiu. Był synem ubogich mieszczan z Bochni Marcina Góry (tak też się pierwotnie i sam nazywał) i Anny Gąsiorkówny. Początkowe wykształcenie pobierał w rodzinnym mieście. Znaczącą rolę w życiu młodego Łukasza odegrał jego wuj Stanisław Gąsiorek zwany Anserinusem, znany bliżej jako Stanisław Kleryka (kleryk kaplicy królewskiej na Wawelu), autor polskich wierszy patriotycznych, poeta, kompozytor i dyrygent kapeli Zygmunta Starego. Zaopiekował się on siostrzeńcem, sprowadził do Krakowa w 1538 r., doglądał jego studiów, potem dworskiej kariery, a w końcu uczynił swym spadkobiercą.

Wiadomości o studiach Górnickiego opierają się tylko na domniemaniu. Można więc domniemywać, że – podobnie jak jego starszy rodak z Oświęcimia Andrzej Patrycy Nidecki – uczęszczał do szkoły parafialnej św. Jana, gdzie dwaj wybitni filologowie Wojciech Nowopolczyk i Szymon Marycjusz nauczali łaciny oraz greki. W Krakowie musiał Górnicki spotkać się ze środowiskiem włoskim. W klasztorze franciszkanów wykładali w tym czasie Franciszek Lismanin i znany Włoch Marek de la Torre. Tak samo jak Nidecki, Górnicki nie zapisał się na Akademię Krakowską.

Służba dworska Górnickiego trwała od lat młodzieńczych aż do zgonu. Około roku 1545 dostał się na zbudowany w latach 1505-1550 w Prądniku pod Krakowem dwór podkanclerzego koronnego, biskupa krakowskiego Samuela Maciejowskiego, wielkiego opiekuna literatury i nauki. Tam jako pisarz kancelaryjny był uczestnikiem życia mających spory zasób wiedzy dworzan. W 1548 r auburn football jersey. udał się z misją Filipa Padniewskiego do Siedmiogrodu. Po zgonie Maciejowskiego w roku 1550 przebywał dwa lata także w Prądniku na dworze biskupa Andrzeja Zebrzydowskiego, który przejął już bardziej pałacyk niż dwór po Maciejowskim, a w roku 1552 przeszedł do kancelarii królewskiej i pracował pod kierunkiem podkanclerzego Jana Przerembskiego. Z nim razem w 1552 r. asystował królowi do Gdańska, Królewca i na Litwę. W rok potem uczestniczył w poselstwie Przerembskiego do Wiednia, z prośbą od króla o rękę Katarzyny Habsburżanki. W latach 1554–1556 rezydował na dworze królewskim, pełniąc obowiązki pisarza kancelarii koronnej.

W tym okresie otrzymał niższe święcenia duchowne (podobnie zresztą postąpił Jan Kochanowski) i na tej podstawie uzyskał kilka beneficjów kościelnych. 24 maja 1554 r. wuj Łukasza Stanisław sporządził testament na korzyść siostrzeńca; odstąpił mu probostwo w Wieliczce oraz kanonię w kolegiacie kruszwickiej, a w 1562 probostwo w Kętach. Górnicki nie pełnił osobiście czynności związanych z piastowanymi stanowiskami, lecz – ówczesnym zwyczajem – czerpał jedynie korzyści z dochodów owych beneficjów, w obowiązkach zaś wysługując się zastępcami. Zyskawszy w ten sposób większe środki finansowe, w 1557 r. udał się na dwa lata do Włoch, gdzie osiedlił się w Padwie i zajął studiami prawniczymi. Do kraju wrócił w lutym 1559 i chociaż nie uzyskał stopnia naukowego, otrzymał przynoszącą zaszczyt godność sekretarza tajnej kancelarii królewskiej, który to urząd w praktyce oddawano tylko wybitnym osobistościom. 23 listopada 1559 r. otrzymał nominację na bibliotekarza Zygmunta Augusta id corporation sweater shaver. Funkcję bibliotekarza pełnił prawie trzynaście lat, do roku 1572.

Na dworze królewskim Górnicki spotykał się z dawnymi przyjaciółmi – z Janem Kochanowskim i mającym już wtedy duży rozgłos filozofem Andrzejem Patrycym Nideckim. W tym okresie poświęcił się pracy literackiej. W kręgu dworu królewskiego dał się wówczas poznać jako poeta, choć tych pierwszych utworów poetyckich nigdy nie wydał. Z inspiracji królewskiej podjął się Górnicki przeróbki literackiej zwierciadła arcydzieła humanisty włoskiego Baldassare Castiglione Il Cortegiano, napisanego w latach 1508–1524 (wyd. 1528), tłumaczonego na różne języki europejskie (przekład polski jest piątym z rzędu), nad którą trudził się przez kilka lat; od 1559 do połowy 1565 r. w Wilnie, gdzie początkowo była przeniesiona biblioteka królewska, a później w Tykocinie, dokąd bibliotekę przewieziono ostatecznie. Dworzanin polski, bo taki tytuł otrzymało dzieło Górnickiego, jest doskonałą adaptacją, dostosowaną do polskiej rzeczywistości utworu Castiglione, w którym miejsce dworu Guidobalda Montefeltro w Urbino zajął pałacyk prądnicki biskupa Samuela Maciejowskiego. 18 lipca 1565 r. w Tykocinie Górnicki podpisał dedykację Dworzanina królowi. Już w następnym roku Dworzanina wydrukował jeden z najlepszych drukarzy owych czasów – Maciej Wirzbięta.

Górnicki zjednał sobie względy i przychylność Zygmunta Augusta, któremu zawdzięczał wiele korzyści, a przede wszystkim nobilitację, nadaną mu listem potwierdzającym w 1561 r. herb Ogończyk, którym się odtąd pieczętował, odcinając się od mieszczańskiego pochodzenia. Król zaopatrzył go w znaczne pobory dworskie. Górnicki został rewizorem w Tykocinie, a na przełomie lat 1571/1572 otrzymał starostwo tykocińskie utworzone po bezpotomnej śmierci ostatniego z rodu Gasztołdów, Stanisława (zm. 1542). Spadkobierczynią dochodów z tego starostwa była po zgonie brata Zygmunta Augusta (1572) do 1596 Anna Jagiellonka, z którą Górnicki utrzymywał korespondencję.

W Tykocinie, z dala od etykiety dworskiej, osiadł i zajął się dalszą pracą na polu literackim, m.in. tłumaczeniem jednego z najwybitniejszych sofistów Gorgiasza. Między rokiem 1574 a 1579 Górnicki ożenił się z młodszą o blisko 30 lat Barbarą Broniewską, córką Stanisława – koniuszego przemyskiego i starosty medyckiego.

Na stanowisku starosty Górnicki dał się poznać jako gnębiciel chłopów, stosujący metody ucisku pańszczyźnianego; dopuszczał się częstych zatargów w sprawach granicznych, danin, powinności pańszczyźnianych; brał udział w licznych procesach. Uciążliwy dla poddanych, nie cieszył się Górnicki uznaniem również wśród szlachty, a to głównie wskutek sporów w sprawach majątkowych. Niezadowolenie oraz wręcz wrogie nastawienie braci szlacheckiej przeciwko niemu znalazło ujście na zjeździe szlachty województwa podlaskiego w Brańsku w roku 1578, która uchwaliła „bronić się przed nim jak przed wrogiem ojczyzny”. Poza obowiązkami starościńskimi zajmował się też Górnicki gospodarką na roli, skrzętnie ją prowadząc, powiększał swój majątek; nabył wieś podlaską Tokowiska. Kłopoty, zatargi, skargi i procesy raz ze strony samego Górnickiego wszczynane, to znów przeciw niemu zwrócone, ciągnęły się aż do jego zgonu. W chwili śmierci posiadał 5 pozwów sądowych, przeważnie w sprawach majątkowych. Prace bibliotekarskie, nadzór nad skarbcem królewskim złożonym w Tykocinie, wreszcie obowiązki starosty wstrzymały na przeszło 20 lat prace literackie Górnickiego.

Górnicki miał szczególne względy u króla Stefana Batorego, podobnie jak wcześniej u Zygmunta Augusta; w 1576 r. przyjmował króla w Tykocinie, wtedy też za zasługi położone w służbie dyplomatycznej i publicznej otrzymał nadanie starostwa wasilkowskiego. W 1579 r. Batory powierzył mu misję przeprowadzenia wyboru posłów na sejm z województwa podlaskiego, podobną misję pełnił jeszcze na sejmiku w Brańsku.

W latach 80. XVI w. spadały na Górnickiego ciężkie ciosy. Najpierw zmarł serdeczny przyjaciel Jan Kochanowski (1584), potem otoczony podziwem król Batory (1586), a w roku 1587 żona, zostawiając ośmioro dzieci, i Andrzej Patrycy Nidecki, osoba również mu bliska. Te silne wstrząsy były może powodem nawrotu do pracy literackiej. Filozofia stoicka, wyjątkowo mentorska, zbliżona do chrystianizmu, stała się wówczas dla Górnickiego szczególnie bliska. W 1589 r. u krakowskiego drukarza Łazarza Andrysowicza (Drukarnia Łazarzowa) ukazał się wierszowany przekład tragedii Trojanki (Troades) Seneki pod tytułem Troas, a w roku 1593 tegoż autora dostosowany do nowego przeznaczenia duży traktat Rzecz o dobrodziejstwach (De beneficiis). Tematem tego ostatniego utworu jest pojęcie dobrodziejstwa, które pisarz poddaje dokładnej analizie. W owym czasie przesłał także Górnicki Janowi Januszowskiemu swoje uwagi o ortografii polskiej wraz z projektem nowego alfabetu (całość zatytułowana Rozprawa o grafice). Wypowiedź na ten temat Górnickiego oraz Kochanowskiego – z dodatkiem własnych uwag – wydał Januszowski w 1594 r. pod tytułem Nowy karakter polski. Żal po zgonie żony wypowiedział autor w żałobnym wierszu przetykanym motywami Trenów Kochanowskiego. W roku 1594 Górnicki złożył urząd starosty tykocińskiego i wycofał się w zacisze domu w Lipnikach.

Tymczasem nastąpiła elekcja Zygmunta III Wazy. Po zgonie Batorego osłabł autorytet króla, wystąpiły groźne niedomagania co do wymiaru sprawiedliwości, ochrony życia i mienia obywateli. W takim nastroju pisał Górnicki swoje ostatnie prace literackie. Pisarz zajął się sprawami polityki i reformy państwa; powstały dwa utwory wybitnie politycznej treści: Rozmowa Polaka z Włochem o wolnościach i prawach polskich i Droga do zupełnej wolności. W pierwszym Polak jest wyrazicielem sarmackiej ideologii, Włoch odtwarza poglądy samego autora, odważnie krytykujące stosunki polskie, a zwłaszcza «złotą wolność», sądownictwo i wymiar sprawiedliwości. Droga do zupełnej wolności jest traktatem szkicującym zmiany ustrojowe, reformę najwyższych urzędów, sejmu, sądownictwa, skarbu i wojska, przy czym wzorem dla niektórych reform jest ustrój Rzeczypospolitej Weneckiej. Obie prace dotyczyły problemów reformy Rzeczypospolitej; autor wychodził z założenia, że najlepsza reforma nic nie da, jeśli ludzie nie będą do niej odpowiednio przygotowani. Pisarz kładł wielki nacisk na postawę etyczną pojedynczego obywatela. Jedną wersję Rozmowy wydał w 1616 r. przemyski pisarz grodzki Jędrzej Suski jako tekst własny. Skłoniło to synów Górnickiego do opublikowania w tym samym roku Rozmowy z podaniem rzeczywistego twórcy. Droga ukazała się dopiero w 1650 r. w Elblągu.

Między rokiem 1595 a 1603 napisał Górnicki ostatnią większą pracę Dzieje w Koronie polskiej […] od roku 1538 aż do roku 1572 shaver reviews, wydaną przez synów w 1637 r. W Dziejach wykorzystał Kronikę polską Bielskiego i w formie cytatów oraz streszczeń przedstawił w porządku chronologicznym swoje czasy, a zwłaszcza życie na dworze Zygmunta Augusta. Nie wiadomo jednak, czy Górnicki odwoływał się do Kroniki polskiej Marcina Bielskiego (wyd. 1567), czy też do jej nowego opracowania z uzupełnieniami jego syna Joachima (wyd. 1597). Odwołując się do Bielskiego oraz do własnej pamięci, autor przypomniał fakty różnej natury i rangi. Wystąpił w roli nie tyle historyka skrupulatnie analizującego bieg dziejów, ile świadka zdarzeń („ja tylko to piszę, com widział abo czegom miał wiadomość dostateczną”). Własnym sumptem wydał jeszcze w 1598 r. żartobliwy drobiazg Raczył, w którym kpił z nadużywania słowa „raczył” w słowie żywym i pisanym. Natomiast już pośmiertnie w 1624 r. została wydana Rozmowa złodzieja z czartem (Demon Socratis) napisana na modłę dialogów platońskich.

Łukasz Górnicki zmarł w Lipnikach pod Tykocinem 22 lipca 1603 r., pochowany został w Tykocinie w kościele tamtejszych bernardynów zbudowanym na wyspie Narwi, wcześnie zrujnowanym.

W dziejach staropolskiego życia literackiego zajmuje Górnicki czołowe miejsce jako tłumacz nowoczesnego, renesansowego arcydzieła, jako jeden z najświetniejszych stylistów i miłośników języka polskiego.

W Tykocinie przy wyjeździe na Tatary po prawej stronie drogi w okolicach zamku stoi krzyż ufundowany przez synów Łukasza Górnickiego z tekstem łacińskim na tablicy u jego stóp. Na krzyżu wysoko umieszczono tabliczkę z tłumaczeniem tekstu: „ŁUKASZOWI GÓRNICKIEMU/ TYKOCIŃSKIEMU I WASILKOWSKIEMU STAROŚCIE / CZTERECH KRÓLÓW POLSKI ZYGMUNTA AUGUSTA,/ HENRYKA, STEFANA BATOREGO,/ ZYGMUNTA III, SEKRETARZOWI / WIELKIEMU NA DWORZE I W RZECZYPOSPOLITEJ MĘŻOWI,/ MAŁY TEN POMNIK JAN I ŁUKASZ SYNOWIE OJCU (POSTAWILI). / ON SAM DUCHEM, UMYSŁEM, PISMAMI I OBYCZAJAMI WIĘKSZĄ SOBIE I WIECZNĄ PAMIĘĆ U LUDZI ZOSTAWIA. / ZMARŁ ROKU PAŃSKIEGO 1603 DNIA 22 MIESIĄCA LIPCA WIEKU SWEGO 71 LAT” (tłumaczenie epitafium z języka łacińskiego).

W 1977 r. na kamienicy pod nr 2 w Rynku Głównym w Oświęcimiu została odsłonięta tablica pamiątkowa poświęcona Górnickiemu następującej treści:

PILS MANIBUS LUCAE GORNICII / ŁUKASZ GÓRNICKI /1527-1603 / TWÓRCA „DWORZANINA POLSKIEGO” / SEKRETARZ I BIBLIOTEKARZ / ZYGMUNTA AUGUSTA / CHLUBA RODZINNEGO MIASTA OŚWIĘCIMIA / W 450 ROCZNICĘ URODZIN WDZIĘCZNI POTOMNI

Łukasz Górnicki jest patronem m.in. Miejskiej Biblioteki Publicznej w Oświęcimiu, Miejskiego Gimnazjum nr 2 w Oświęcimiu i Książnicy Podlaskiej w Białymstoku.

MapReduce is a programming model and an associated implementation for processing and generating large data sets with a parallel, distributed algorithm on a cluster.

A MapReduce program is composed of a Map() procedure (method) that performs filtering and sorting (such as sorting students by first name into queues, one queue for each name) and a Reduce() method that performs a summary operation (such as counting the number of students in each queue, yielding name frequencies). The "MapReduce System" (also called "infrastructure" or "framework") orchestrates the processing by marshalling the distributed servers, running the various tasks in parallel, managing all communications and data transfers between the various parts of the system, and providing for redundancy and fault tolerance.

The model is inspired by the map and reduce functions commonly used in functional programming, although their purpose in the MapReduce framework is not the same as in their original forms. The key contributions of the MapReduce framework are not the actual map and reduce functions (which, for example, resemble the 1995 Message Passing Interface standard's reduce and scatter operations), but the scalability and fault-tolerance achieved for a variety of applications by optimizing the execution engine once. As such, a single-threaded implementation of MapReduce will usually not be faster than a traditional (non-MapReduce) implementation; any gains are usually only seen with multi-threaded implementations. The use of this model is beneficial only when the optimized distributed shuffle operation (which reduces network communication cost) and fault tolerance features of the MapReduce framework come into play. Optimizing the communication cost is essential to a good MapReduce algorithm.

MapReduce libraries have been written in many programming languages, with different levels of optimization. A popular open-source implementation that has support for distributed shuffles is part of Apache Hadoop. The name MapReduce originally referred to the proprietary Google technology, but has since been genericized. By 2014, Google was no longer using MapReduce as their primary Big Data processing model, and development on Apache Mahout had moved on to more capable and less disk-oriented mechanisms that incorporated full map and reduce capabilities.

MapReduce is a framework for processing parallelizable problems across large datasets using a large number of computers (nodes), collectively referred to as a cluster (if all nodes are on the same local network and use similar hardware) or a grid (if the nodes are shared across geographically and administratively distributed systems, and use more heterogenous hardware). Processing can occur on data stored either in a filesystem (unstructured) or in a database (structured). MapReduce can take advantage of the locality of data, processing it near the place it is stored in order to reduce the distance over which it must be transmitted.

MapReduce allows for distributed processing of the map and reduction operations. Provided that each mapping operation is independent of the others, all maps can be performed in parallel – though in practice this is limited by the number of independent data sources and/or the number of CPUs near each source. Similarly, a set of 'reducers' can perform the reduction phase, provided that all outputs of the map operation that share the same key are presented to the same reducer at the same time, or that the reduction function is associative. While this process can often appear inefficient compared to algorithms that are more sequential (because multiple rather than one instance of the reduction process must be run), MapReduce can be applied to significantly larger datasets than "commodity" servers can handle – a large server farm can use MapReduce to sort a petabyte of data in only a few hours. The parallelism also offers some possibility of recovering from partial failure of servers or storage during the operation: if one mapper or reducer fails, the work can be rescheduled – assuming the input data is still available.

Another way to look at MapReduce is as a 5-step parallel and distributed computation:

These five steps can be logically thought of as running in sequence – each step starts only after the previous step is completed – although in practice they can be interleaved as long as the final result is not affected.

In many situations, the input data might already be distributed ("sharded") among many different servers, in which case step 1 could sometimes be greatly simplified by assigning Map servers that would process the locally present input data. Similarly, step 3 could sometimes be sped up by assigning Reduce processors that are as close as possible to the Map-generated data they need to process.

The Map and Reduce functions of MapReduce are both defined with respect to data structured in (key, value) pairs. Map takes one pair of data with a type in one data domain, and returns a list of pairs in a different domain:

Map(k1,v1)list(k2,v2)

The Map function is applied in parallel to every pair (keyed by k1) in the input dataset. This produces a list of pairs (keyed by k2) for each call. After that, the MapReduce framework collects all pairs with the same key (k2) from all lists and groups them together, creating one group for each key.

The Reduce function is then applied in parallel to each group, which in turn produces a collection of values in the same domain:

Reduce(k2, list (v2))list(v3)

Each Reduce call typically produces either one value v3 or an empty return, though one call is allowed to return more than one value. The returns of all calls are collected as the desired result list.

Thus the MapReduce framework transforms a list of (key, value) pairs into a list of values. This behavior is different from the typical functional programming map and reduce combination, which accepts a list of arbitrary values and returns one single value that combines all the values returned by map.

It is necessary but not sufficient to have implementations of the map and reduce abstractions in order to implement MapReduce. Distributed implementations of MapReduce require a means of connecting the processes performing the Map and Reduce phases. This may be a distributed file system. Other options are possible, such as direct streaming from mappers to reducers, or for the mapping processors to serve up their results to reducers that query them.

The prototypical MapReduce example counts the appearance of each word in a set of documents:

Here, each document is split into words, and each word is counted by the map function, using the word as the result key. The framework puts together all the pairs with the same key and feeds them to the same call to reduce. Thus cheap white socks, this function just needs to sum all of its input values to find the total appearances of that word.

As another example, imagine that for a database of 1.1 billion people, one would like to compute the average number of social contacts a person has according to age. In SQL, such a query could be expressed as:

Using MapReduce, the K1 key values could be the integers 1 through 1100, each representing a batch of 1 million records, the K2 key value could be a person’s age in years, and this computation could be achieved using the following functions:

The MapReduce System would line up the 1100 Map processors, and would provide each with its corresponding 1 million input records. The Map step would produce 1.1 billion (Y,(N,1)) records, with Y values ranging between, say, 8 and 103. The MapReduce System would then line up the 96 Reduce processors by performing shuffling operation of the key/value pairs due to the fact that we need average per age, and provide each with its millions of corresponding input records. The Reduce step would result in the much reduced set of only 96 output records (Y,A), which would be put in the final result file, sorted by Y.

The count info in the record is important if the processing is reduced more than one time. If we did not add the count of the records, the computed average would be wrong, for example:

If we reduce files #1 and #2, we will have a new file with an average of 9 contacts for a 10-year-old person ((9+9+9+9+9)/5):

If we reduce it with file #3, we lose the count of how many records we've already seen, so we end up with an average of 9.5 contacts for a 10-year-old person ((9+10)/2), which is wrong. The correct answer is 9.166 = 55 / 6 = (9*3+9*2+10*1)/(3+2+1) shaver reviews.

The frozen part of the MapReduce framework is a large distributed sort. The hot spots, which the application defines, are:

The input reader divides the input into appropriate size 'splits' (in practice typically 64 MB to 128 MB) and the framework assigns one split to each Map function. The input reader reads data from stable storage (typically a distributed file system) and generates key/value pairs.

A common example will read a directory full of text files and return each line as a record.

The Map function takes a series of key/value pairs, processes each, and generates zero or more output key/value pairs. The input and output types of the map can be (and often are) different from each other.

If the application is doing a word count, the map function would break the line into words and output a key/value pair for each word. Each output pair would contain the word as the key and the number of instances of that word in the line as the value.

Each Map function output is allocated to a particular reducer by the application's partition function for sharding purposes. The partition function is given the key and the number of reducers and returns the index of the desired reducer.

A typical default is to hash the key and use the hash value modulo the number of reducers. It is important to pick a partition function that gives an approximately uniform distribution of data per shard for load-balancing purposes, otherwise the MapReduce operation can be held up waiting for slow reducers to finish (i.e. the reducers assigned the larger shares of the non-uniformly partitioned data).

Between the map and reduce stages, the data are shuffled (parallel-sorted / exchanged between nodes) in order to move the data from the map node that produced them to the shard in which they will be reduced. The shuffle can sometimes take longer than the computation time depending on network bandwidth, CPU speeds, data produced and time taken by map and reduce computations.

The input for each Reduce is pulled from the machine where the Map ran and sorted using the application's comparison function.

The framework calls the application's Reduce function once for each unique key in the sorted order. The Reduce can iterate through the values that are associated with that key and produce zero or more outputs.

In the word count example, the Reduce function takes the input values, sums them and generates a single output of the word and the final sum.

The Output Writer writes the output of the Reduce to the stable storage.

MapReduce programs are not guaranteed to be fast. The main benefit of this programming model is to exploit the optimized shuffle operation of the platform, and only having to write the Map and Reduce parts of the program. In practice, the author of a MapReduce program however has to take the shuffle step into consideration; in particular the partition function and the amount of data written by the Map function can have a large impact on the performance and scalability cool soccer t shirts. Additional modules such as the Combiner function can help to reduce the amount of data written to disk, and transmitted over the network. MapReduce applications can achieve sub-linear speedups under specific circumstances.

When designing a MapReduce algorithm, the author needs to choose a good tradeoff between the computation and the communication costs. Communication cost often dominates the computation cost, and many MapReduce implementations are designed to write all communication to distributed storage for crash recovery.

In tuning performance of MapReduce, the complexity of mapping, shuffle, sorting (grouping by the key) green goalkeeper gloves, and reducing has to be taken into account. The amount of data produced by the mappers is a key parameter that shifts the bulk of the computation cost between mapping and reducing. Reducing includes sorting (grouping of the keys) which has nonlinear complexity. Hence, small partition sizes reduce sorting time, but there is a trade-off because having a large number of reducers may be impractical. The influence of split unit size is marginal (unless chosen particularly badly, say <1MB). The gains from some mappers reading load from local disks, on average, is minor.

For processes that complete quickly, and where the data fits into main memory of a single machine or a small cluster, using a MapReduce framework usually is not effective. Since these frameworks are designed to recover from the loss of whole nodes during the computation, they write interim results to distributed storage. This crash recovery is expensive, and only pays off when the computation involves many computers and a long runtime of the computation. A task that completes in seconds can just be restarted in the case of an error, and the likelihood of at least one machine failing grows quickly with the cluster size. On such problems, implementations keeping all data in memory and simply restarting a computation on node failures or —when the data is small enough— non-distributed solutions will often be faster than a MapReduce system.

MapReduce achieves reliability by parceling out a number of operations on the set of data to each node in the network. Each node is expected to report back periodically with completed work and status updates. If a node falls silent for longer than that interval, the master node (similar to the master server in the Google File System) records the node as dead and sends out the node's assigned work to other nodes. Individual operations use atomic operations for naming file outputs as a check to ensure that there are not parallel conflicting threads running. When files are renamed, it is possible to also copy them to another name in addition to the name of the task (allowing for side-effects).

The reduce operations operate much the same way. Because of their inferior properties with regard to parallel operations, the master node attempts to schedule reduce operations on the same node, or in the same rack as the node holding the data being operated on. This property is desirable as it conserves bandwidth across the backbone network of the datacenter.

Implementations are not necessarily highly reliable. For example, in older versions of Hadoop the NameNode was a single point of failure for the distributed filesystem. Later versions of Hadoop have high availability with an active/passive failover for the "NameNode."

MapReduce is useful in a wide range of applications, including distributed pattern-based searching, distributed sorting, web link-graph reversal, Singular Value Decomposition, web access log stats, inverted index construction, document clustering, machine learning, and statistical machine translation. Moreover, the MapReduce model has been adapted to several computing environments like multi-core and many-core systems, desktop grids, volunteer computing environments, dynamic cloud environments, and mobile environments.

At Google, MapReduce was used to completely regenerate Google's index of the World Wide Web. It replaced the old ad hoc programs that updated the index and ran the various analyses. Development at Google has since moved on to technologies such as Percolator, FlumeJava and MillWheel that offer streaming operation and updates instead of batch processing, to allow integrating "live" search results without rebuilding the complete index.

MapReduce's stable inputs and outputs are usually stored in a distributed file system. The transient data are usually stored on local disk and fetched remotely by the reducers.

David DeWitt and Michael Stonebraker, computer scientists specializing in parallel databases and shared-nothing architectures, have been critical of the breadth of problems that MapReduce can be used for. They called its interface too low-level and questioned whether it really represents the paradigm shift its proponents have claimed it is. They challenged the MapReduce proponents' claims of novelty, citing Teradata as an example of prior art that has existed for over two decades. They also compared MapReduce programmers to CODASYL programmers, noting both are "writing in a low-level language performing low-level record manipulation." MapReduce's use of input files and lack of schema support prevents the performance improvements enabled by common database system features such as B-trees and hash partitioning, though projects such as Pig (or PigLatin), Sawzall, Apache Hive, , HBase and BigTable are addressing some of these problems.

Greg Jorgensen wrote an article rejecting these views. Jorgensen asserts that DeWitt and Stonebraker's entire analysis is groundless as MapReduce was never designed nor intended to be used as a database.

DeWitt and Stonebraker have subsequently published a detailed benchmark study in 2009 comparing performance of Hadoop's MapReduce and RDBMS approaches on several specific problems. They concluded that relational databases offer real advantages for many kinds of data use, especially on complex processing or where the data is used across an enterprise, but that MapReduce may be easier for users to adopt for simple or one-time processing tasks.

Google has been granted a patent on MapReduce. However, there have been claims that this patent should not have been granted because MapReduce is too similar to existing products. For example, map and reduce functionality can be very easily implemented in Oracle's PL/SQL database oriented language or is supported for developers transparently in distributed database architectures such as Clusterpoint XML database or MongoDB NoSQL database.

MapReduce tasks must be written as acyclic dataflow programs, i.e. a stateless mapper followed by a stateless reducer, that are executed by a batch job scheduler. This paradigm makes repeated querying of datasets difficult and imposes limitations that are felt in fields such as machine learning, where iterative algorithms that revisit a single working set multiple times are the norm.