ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com
TED2016

Riccardo Sabatini: How to read the genome and build a human being

Рикардо Сабатини: Как да разчетем генома и да направим човешко същество

Filmed:
1,834,677 views

Тайните, болестта и красотата – всички те са записани в човешкия геном, пълния комплект от генетични инструкции, които са нужни, за да се направи човешко същество. Сега - както ученият и предприемач Рикардо Сабатини ни показва, имаме силата да разчетем този сложен код, предвиждайки неща като ръст, цвят на очите, възраст и дори лицева структура – всичко това от една епруветка кръв. И скоро, казва Сабатини, нашето ново познание за генома ще ни позволи да персонализираме лечението на заболявания като рака. Имаме силата да променим живота който познаваме. Как ще я използваме?
- Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio

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

00:12
For the nextследващия 16 minutesминути,
I'm going to take you on a journeyпътуване
0
612
2762
През следващите 16 минути
ще ви отведа на приключение,
00:15
that is probablyвероятно
the biggestНай-големият dreamмечта of humanityчовечество:
1
3398
3086
представляващо може би
най-голямата мечта на човечеството:
00:18
to understandразбирам the codeкод of life.
2
6508
2015
да разбера кода на живота.
00:21
So for me, everything startedзапочна
manyмного, manyмного yearsгодини agoпреди
3
9072
2743
За мен всичко започна
преди много, много години,
00:23
when I metсрещнах the first 3D printerпечатар.
4
11839
2723
когато се сблъсках с първия 3D принтер.
00:26
The conceptпонятие was fascinatingочарователен.
5
14586
1674
Идеята беше пленителна.
00:28
A 3D printerпечатар needsпотребности threeтри elementsелементи:
6
16284
2022
3D принтерът се нуждае от три елемента:
00:30
a bitмалко of informationинформация, some
rawсуров materialматериал, some energyенергия,
7
18330
4134
малко информация, суровина и енергия
00:34
and it can produceпродукция any objectобект
that was not there before.
8
22488
3334
и може да изработи какъвто и да е предмет,
който не е бил налице преди.
Занимавах се с физика,
прибирах се към дома ми
00:38
I was doing physicsфизика,
I was comingидващ back home
9
26517
2137
00:40
and I realizedосъзнах that I actuallyвсъщност
always knewЗнаех a 3D printerпечатар.
10
28678
3438
и осъзнах, че всъщност
винаги съм познавал един 3D принтер.
00:44
And everyoneвсеки does.
11
32140
1336
И всеки го познава.
00:45
It was my momмама.
12
33500
1158
Това е майка ми.
00:46
(LaughterСмях)
13
34682
1001
(Смях)
Майка ми взима три елемента:
00:47
My momмама takes threeтри elementsелементи:
14
35707
2414
00:50
a bitмалко of informationинформация, whichкойто is betweenмежду
my fatherбаща and my momмама in this caseслучай,
15
38145
3973
малко информация, която в случая е
между баща ми и майка ми;
00:54
rawсуров elementsелементи and energyенергия
in the sameедин и същ mediaсредства, that is foodхрана,
16
42142
4157
суровина и енергия в една и съща
среда - това е храната,
00:58
and after severalняколко monthsмесеца, producesпроизвежда me.
17
46323
2508
и след няколко месеца произвежда мен.
01:00
And I was not existentсъществува before.
18
48855
1812
А аз не съществувах преди.
01:02
So apartна части from the shockшок of my momмама
discoveringоткриване that she was a 3D printerпечатар,
19
50691
3762
Освен че майка ми беше шокирана,
когато откри, че е 3D принтер,
01:06
I immediatelyведнага got mesmerizedхипнотизиран
by that pieceпарче,
20
54477
4738
аз веднага бях хипнотизиран
от този елемент,
01:11
the first one, the informationинформация.
21
59239
1717
първия, информацията.
01:12
What amountколичество of informationинформация does it take
22
60980
2251
Колко информация е нужна,
01:15
to buildпострои and assembleсглобяване a humanчовек?
23
63255
1936
за да се направи и сглоби човек?
01:17
Is it much? Is it little?
24
65215
1574
Много ли е? Малко ли е?
01:18
How manyмного thumbпалец drivesкара can you fillзапълни?
25
66813
2180
Колко флашки могат да бъдат запълнени?
01:21
Well, I was studyingизучаване physicsфизика
at the beginningначало
26
69017
2624
Е, аз следвах физика в началото
01:23
and I tookвзеха this approximationсближаване of a humanчовек
as a giganticгигантски LegoЛего pieceпарче.
27
71665
5597
и приех човека за сравним
с гигантско Лего блокче.
01:29
So, imagineПредставете си that the buildingсграда
blocksблокове are little atomsатома
28
77286
3785
Представете си, че градивните
елементи са малки атоми
01:33
and there is a hydrogenводород here,
a carbonвъглероден here, a nitrogenазот here.
29
81095
4653
и тук има водород,
тук – въглерод, тук – азот.
Значи според това първо сравнение,
01:37
So in the first approximationсближаване,
30
85772
1571
01:39
if I can listсписък the numberномер of atomsатома
that composeсъчинявам a humanчовек beingсъщество,
31
87367
4343
ако мога да изброя броя
на атомите, съставящи човека,
01:43
I can buildпострои it.
32
91734
1387
мога да го построя.
01:45
Now, you can runтичам some numbersчисленост
33
93145
2029
Можете да направите някои сметки
01:47
and that happensслучва се to be
quiteсъвсем an astonishingудивителен numberномер.
34
95198
3277
и това се оказва удивително число.
01:50
So the numberномер of atomsатома,
35
98499
2757
Броят на атомите,
01:53
the fileдосие that I will saveспасяване in my thumbпалец
driveпът to assembleсглобяване a little babyбебе,
36
101280
4755
файлът, който ще запаметя на флашката си,
за да сглобя малко бебе,
01:58
will actuallyвсъщност fillзапълни an entireцял TitanicТитаник
of thumbпалец drivesкара --
37
106059
4667
всъщност ще напълни цял Титаник от флашки,
02:02
multipliedумножен 2,000 timesпъти.
38
110750
2718
умножено по 2 000.
02:05
This is the miracleчудо of life.
39
113957
3401
Това е чудото на живота.
02:09
EveryВсеки time you see from now on
a pregnantбременна ladyдама,
40
117382
2612
Отсега нататък всеки път,
щом видите бременна жена,
02:12
she's assemblingсглобяване the biggestНай-големият
amountколичество of informationинформация
41
120018
2856
тя сглобява най-голямото
количество информация,
02:14
that you will ever encounterсблъскване.
42
122898
1556
което някога ще срещнете.
Забравете за големите масиви от данни,
забравете за всичко, което сте чували.
02:16
ForgetЗабравете bigголям dataданни, forgetзабравям
anything you heardчух of.
43
124478
2950
02:19
This is the biggestНай-големият amountколичество
of informationинформация that existsсъществува.
44
127452
2881
Това е най-голямото съществуващо
количество информация.
02:22
(ApplauseАплодисменти)
45
130357
3833
(Аплодисменти)
02:26
But natureприрода, fortunatelyза щастие, is much smarterпо-умни
than a youngмлад physicistфизик,
46
134214
4644
Но за щастие природата
е много по-умна от млад физик
02:30
and in fourчетирима billionмилиард yearsгодини, managedуправлявана
to packпакет this informationинформация
47
138882
3576
и за четири милиарда години
е успяла да побере тази информация
02:34
in a smallмалък crystalкристал we call DNAДНК.
48
142482
2705
в малък кристал, който наричаме ДНК.
02:37
We metсрещнах it for the first time in 1950
when RosalindРозалинд FranklinФранклин,
49
145605
4312
Срещаме го за първи път през 1950 г.,
когато Розалинд Франклин,
02:41
an amazingудивителен scientistучен, a womanжена,
50
149941
1556
страхотен учен, жена,
02:43
tookвзеха a pictureснимка of it.
51
151521
1389
го заснема.
02:44
But it tookвзеха us more than 40 yearsгодини
to finallyнакрая pokeмушкам insideвътре a humanчовек cellклетка,
52
152934
5188
Но ни отнема повече от 40 години
най-после да влезем в човешката клетка,
02:50
take out this crystalкристал,
53
158146
1602
да извадим този кристал,
02:51
unrollразвивам it, and readПрочети it for the first time.
54
159772
3080
да го разгънем и да го разчетем
за първи път.
02:55
The codeкод comesидва out to be
a fairlyсравнително simpleпрост alphabetазбука,
55
163615
3241
Кодът се оказа сравнително лесна азбука
02:58
fourчетирима lettersписма: A, T, C and G.
56
166880
3772
от четири букви: А,Т, Ц и Г.
03:02
And to buildпострои a humanчовек,
you need threeтри billionмилиард of them.
57
170676
3490
И за да направите човек,
ви трябват три милиарда от тях.
03:06
ThreeТри billionмилиард.
58
174933
1179
Три милиарда.
03:08
How manyмного are threeтри billionмилиард?
59
176136
1579
Колко са три милиарда?
03:09
It doesn't really make
any senseсмисъл as a numberномер, right?
60
177739
2762
Не значи нищо като число, нали?
03:12
So I was thinkingмислене how
I could explainобяснявам myselfсебе си better
61
180525
4085
Така че се чудех как по-добре да ви обясня
03:16
about how bigголям and enormousогромен this codeкод is.
62
184634
3050
колко наистина огромен е този код.
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
Но има... имам предвид, че ще ми помогнат
03:22
and the bestнай-доброто personчовек to help me
introduceвъведат the codeкод
64
190786
3227
и най-подходящият човек, който може
да ми помогне да представя кода
03:26
is actuallyвсъщност the first man
to sequenceпоследователност it, DrД-р. CraigКрейг VenterВентер.
65
194037
3522
е всъщност първият човек, който
го е секвенирал – д-р Крег Вентър.
03:29
So welcomeдобре дошли onstageна сцената, DrД-р. CraigКрейг VenterВентер.
66
197583
3390
Така че посрещнете
на сцената д-р Крег Вентър.
03:32
(ApplauseАплодисменти)
67
200997
6931
(Аплодисменти)
03:39
Not the man in the fleshплът,
68
207952
2256
Не човекът от плът и кръв,
03:43
but for the first time in historyистория,
69
211448
2345
а за първи път в историята
03:45
this is the genomeгеном of a specificспецифичен humanчовек,
70
213817
3462
това е геномът на даден човек
03:49
printedпечатен page-by-pageстраница по страница, letter-by-letterписмо до писмо:
71
217303
3760
принтиран страница по страница,
буква по буква
03:53
262,000 pagesстраници of informationинформация,
72
221087
3996
262 000 страници информация
03:57
450 kilogramsкг, shippedекспедирано
from the UnitedЮнайтед StatesДържавите to CanadaКанада
73
225107
4364
450 килограма, изпратени от САЩ за Канада,
04:01
thanksБлагодаря to BrunoБруно BowdenПрекъснати,
LuluЛулу.comCOM, a start-upстартиране, did everything.
74
229495
4843
благодарение на Бруно Боудън и стартъпът
Lulu.com, те направиха всичко това.
04:06
It was an amazingудивителен featподвиг.
75
234362
1463
Беше страхотно постижение.
04:07
But this is the visualзрителен perceptionвъзприятие
of what is the codeкод of life.
76
235849
4297
Но това онагледява визуално
какво е кодът на живота.
04:12
And now, for the first time,
I can do something funшега.
77
240170
2478
И сега за първи път мога
да направя нещо забавно.
04:14
I can actuallyвсъщност pokeмушкам insideвътре it and readПрочети.
78
242672
2547
Мога всъщност да бръкна вътре и да чета.
04:17
So let me take an interestingинтересен
bookКнига ... like this one.
79
245243
4625
Позволете ми да взема
една интересна книга... като тази тук.
04:25
I have an annotationАнотация;
it's a fairlyсравнително bigголям bookКнига.
80
253077
2534
Едно пояснение от мен,
сравнително голяма книга е.
04:27
So just to let you see
what is the codeкод of life.
81
255635
3727
Само да ви покажа какво е кодът на живота.
04:32
ThousandsХиляди and thousandsхиляди and thousandsхиляди
82
260566
3391
Хиляди, хиляди, хиляди
04:35
and millionsмилиони of lettersписма.
83
263981
2670
и милиони букви.
04:38
And they apparentlyочевидно make senseсмисъл.
84
266675
2396
И те очевидно имат смисъл.
04:41
Let's get to a specificспецифичен partчаст.
85
269095
1757
Нека отидем на определена част.
04:43
Let me readПрочети it to you:
86
271571
1362
Нека ви я прочета:
04:44
(LaughterСмях)
87
272957
1021
(Смях)
04:46
"AAGAAG, AATAAT, ATAАТА."
88
274002
4006
"ААГ, ААТ, АТА."
04:50
To you it soundsзвуци like muteизключване на звука lettersписма,
89
278965
2067
На вас ви звучат просто като букви,
04:53
but this sequenceпоследователност givesдава
the colorцвят of the eyesочи to CraigКрейг.
90
281056
4041
но тази секвенция определя
цвета на очите на Крег.
04:57
I'll showшоу you anotherоще partчаст of the bookКнига.
91
285633
1932
Ще ви покажа друга част от книгата.
04:59
This is actuallyвсъщност a little
more complicatedсложен.
92
287589
2094
Това всъщност е малко по-сложно.
05:02
ChromosomeХромозома 14, bookКнига 132:
93
290983
2647
Хромозома 14, книга 132:
05:05
(LaughterСмях)
94
293654
2090
(Смях)
05:07
As you mightбиха могли, може expectочаквам.
95
295768
1277
Както може да се очаква.
05:09
(LaughterСмях)
96
297069
3466
(Смях)
05:14
"ATTATT, CTTCTT, GATTГАТТ."
97
302857
4507
"ААТ, ЦТТ, ГАТТ."
05:20
This humanчовек is luckyкъсметлия,
98
308329
1687
Този човек е късметлия,
05:22
because if you missмис just
two lettersписма in this positionпозиция --
99
310040
4517
защото ако липсват
само две букви на това място,
05:26
two lettersписма of our threeтри billionмилиард --
100
314581
1877
две букви от три милиарда,
05:28
he will be condemnedосъден
to a terribleужасен diseaseболест:
101
316482
2019
той ще бъде обречен на ужасна болест:
05:30
cysticкистозна fibrosisфиброза.
102
318525
1440
цистична фиброза.
05:31
We have no cureлек for it,
we don't know how to solveрешавам it,
103
319989
3413
Нямаме лек, не знаем
как да се справим с нея,
05:35
and it's just two lettersписма
of differenceразлика from what we are.
104
323426
3755
а разликата с това, което сме ние,
е само две букви.
05:39
A wonderfulчудесен bookКнига, a mightyсилните bookКнига,
105
327585
2705
Чудесна книга, могъща книга -
05:43
a mightyсилните bookКнига that helpedпомогна me understandразбирам
106
331115
1998
могъща книга, която ми помогна да разбера
05:45
and showшоу you something quiteсъвсем remarkableзабележителен.
107
333137
2753
и да ви покажа нещо особено забележително.
05:48
EveryВсеки one of you -- what makesправи
me, me and you, you --
108
336480
4435
Всеки един от вас: това, което
прави мен мен и вас – вас,
05:52
is just about fiveпет millionмилион of these,
109
340939
2954
е само около пет милиона от тези,
05:55
halfнаполовина a bookКнига.
110
343917
1228
половин книга.
05:58
For the restПочивка,
111
346015
1663
Относно останалото
05:59
we are all absolutelyабсолютно identicalидентичен.
112
347702
2562
всички сме абсолютно идентични.
06:03
FiveПет hundredсто pagesстраници
is the miracleчудо of life that you are.
113
351008
4018
Петстотин страници са
чудото на живота, което сте.
06:07
The restПочивка, we all shareдял it.
114
355050
2531
Останалото го споделяме всички.
06:09
So think about that again
when we think that we are differentразличен.
115
357605
2909
Да помислим отново за това,
когато си мислим, че сме различни.
06:12
This is the amountколичество that we shareдял.
116
360538
2221
Това е количеството, което споделяме.
06:15
So now that I have your attentionвнимание,
117
363441
3429
Сега, когато привлякох вниманието ви,
06:18
the nextследващия questionвъпрос is:
118
366894
1359
следващият въпрос е:
06:20
How do I readПрочети it?
119
368277
1151
Как да го разчета?
06:21
How do I make senseсмисъл out of it?
120
369452
1509
Как да намеря смисъла му?
06:23
Well, for howeverвъпреки това good you can be
at assemblingсглобяване SwedishШведски furnitureмебели,
121
371409
4240
Колкото и добри да сте
в сглобяването на шведски мебели,
06:27
this instructionинструкция manualнаръчник
is nothing you can crackцепнатина in your life.
122
375673
3563
този наръчник не е нещо, което
можете да разберете през живота си.
06:31
(LaughterСмях)
123
379260
1603
(Смях)
06:32
And so, in 2014, two famousизвестен TEDstersTED-стърите,
124
380887
3112
И така, през 2014 г.
двама известни ТЕDстъри,
06:36
PeterПетър DiamandisДиамандис and CraigКрейг VenterВентер himselfсебе си,
125
384023
2540
Питър Диамандис и самият Крег Вентър,
06:38
decidedреши to assembleсглобяване a newнов companyкомпания.
126
386587
1927
решиха да основат нова компания.
06:40
HumanЧовешки LongevityДълголетие was bornроден,
127
388538
1412
Хюмън Лонджевити се роди
06:41
with one missionмисия:
128
389974
1370
с една мисия:
06:43
tryingопитвайки everything we can try
129
391368
1861
да опитаме всичко, което можем
06:45
and learningизучаване на everything
we can learnуча from these booksкниги,
130
393253
2759
и да научим всичко,
което можем от тези книги
06:48
with one targetмишена --
131
396036
1705
с една цел:
06:50
makingприготвяне realреален the dreamмечта
of personalizedперсонализирани medicineмедицина,
132
398862
2801
да осъществим мечтата
за персонализирана медицина,
06:53
understandingразбиране what things
should be doneСвършен to have better healthздраве
133
401687
3767
да разберем какво трябва
да се направи, за да сме по-здрави
06:57
and what are the secretsтайни in these booksкниги.
134
405478
2283
и какви са тайните в тези книги.
07:00
An amazingудивителен teamекип, 40 dataданни scientistsучени
and manyмного, manyмного more people,
135
408329
4250
Страхотен екип, 40 учени
и още много, много хора,
с които е удоволствие да се работи.
07:04
a pleasureудоволствие to work with.
136
412603
1350
07:05
The conceptпонятие is actuallyвсъщност very simpleпрост.
137
413977
2253
Идеята всъщност е много проста.
07:08
We're going to use a technologyтехнология
calledНаречен machineмашина learningизучаване на.
138
416254
3158
Ще използваме технология,
наречена машинно самообучение.
07:11
On one sideстрана, we have genomesгеноми --
thousandsхиляди of them.
139
419436
4539
От една страна, имаме
геноми, хиляди от тях.
07:15
On the other sideстрана, we collectedсъбран
the biggestНай-големият databaseбаза данни of humanчовек beingsсъщества:
140
423999
3997
От друга страна, събрахме най-голямата
база данни от човешки същества:
07:20
phenotypesфенотипове, 3D scanпреглеждане, NMRЯМР --
everything you can think of.
141
428020
4296
фенотипове, 3D сканиране, ЯМР -
всичко, за което можете да се сетите.
07:24
InsideВътре there, on these two oppositeпротивоположен sidesстрани,
142
432340
2899
Вътре, на тези две противоположи страни,
07:27
there is the secretтайна of translationпревод.
143
435263
2442
е тайната на превода.
07:29
And in the middleсреден, we buildпострои a machineмашина.
144
437729
2472
И по средата ние строим машина.
07:32
We buildпострои a machineмашина
and we trainвлак a machineмашина --
145
440801
2385
Строим машина и я обучаваме -
07:35
well, not exactlyточно one machineмашина,
manyмного, manyмного machinesмашини --
146
443210
3210
е, не точно една машина,
а много, много машини,
07:38
to try to understandразбирам and translateпревеждам
the genomeгеном in a phenotypeфенотип.
147
446444
4544
за да се опитаме да разберем
и преведем генома във фенотип.
07:43
What are those lettersписма,
and what do they do?
148
451362
3340
Какви са тези букви и какво правят?
07:46
It's an approachподход that can
be used for everything,
149
454726
2747
Това е подход, който може
да се използва за всичко,
07:49
but usingизползвайки it in genomicsгеномика
is particularlyособено complicatedсложен.
150
457497
2993
но използването му в геномиката
е особено сложно.
Малко по малко се разраснахме и искахме
да си поставяме други предизвикателства.
07:52
Little by little we grewизраснал and we wanted
to buildпострои differentразличен challengesпредизвикателства.
151
460514
3276
07:55
We startedзапочна from the beginningначало,
from commonчесто срещани traitsчерти.
152
463814
2732
Започнахме от началото, от общите черти.
07:58
CommonОбщи traitsчерти are comfortableкомфортен
because they are commonчесто срещани,
153
466570
2603
Общите черти са удобни, защото са общи,
08:01
everyoneвсеки has them.
154
469197
1184
всеки ги има.
08:02
So we startedзапочна to askпитам our questionsвъпроси:
155
470405
2494
Започнахме да задаваме въпросите си.
Можем ли да предскажем височина?
08:04
Can we predictпредскаже heightвисочина?
156
472923
1380
Можем ли да прочетем книгите
и да предвидим височината ви?
08:06
Can we readПрочети the booksкниги
and predictпредскаже your heightвисочина?
157
474985
2177
08:09
Well, we actuallyвсъщност can,
158
477186
1151
Всъщност можем,
08:10
with fiveпет centimetersсм of precisionпрецизност.
159
478361
1793
с точност до 5 сантиметра.
Индексът на телесната маса е
сравнително свързан с начина ви на живот,
08:12
BMIBMI is fairlyсравнително connectedсвързан to your lifestyleначин на живот,
160
480178
3135
08:15
but we still can, we get in the ballparkприблизителни,
eightосем kilogramsкг of precisionпрецизност.
161
483337
3864
но все пак можем да го предскажем
с точност до 8 килограма.
Можем ли да предскажем цвета на очите?
08:19
Can we predictпредскаже eyeоко colorцвят?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Да, можем.
08:21
EightyОсемдесет percentна сто accuracyточност.
164
489662
1324
С 80 процента точност.
08:23
Can we predictпредскаже skinкожа colorцвят?
165
491466
1858
Можем ли да предскажем цвета на кожата?
08:25
Yeah we can, 80 percentна сто accuracyточност.
166
493348
2441
Да, можем, с 80 процента точност.
08:27
Can we predictпредскаже ageвъзраст?
167
495813
1340
Можем ли да предскажем
възрастта ви?
08:30
We can, because apparentlyочевидно,
the codeкод changesпромени duringпо време на your life.
168
498121
3739
Да, можем, защото кодът, изглежда,
се променя през живота ви.
08:33
It getsполучава shorterпо-къс, you loseгубя piecesпарчета,
it getsполучава insertionsвмъквания.
169
501884
3282
Става по-къс, губите части,
получавате допълнения.
08:37
We readПрочети the signalsсигнали, and we make a modelмодел.
170
505190
2555
Разчитаме сигналите и правим модел.
Ето едно интересно предизвикателство:
08:40
Now, an interestingинтересен challengeпредизвикателство:
171
508438
1475
08:41
Can we predictпредскаже a humanчовек faceлице?
172
509937
1729
Можем ли да предскажем човешко лице?
08:45
It's a little complicatedсложен,
173
513014
1278
Малко е сложно,
08:46
because a humanчовек faceлице is scatteredразпръснати
amongсред millionsмилиони of these lettersписма.
174
514316
3191
защото човешкото лице е разпиляно
сред милиони от тези букви.
08:49
And a humanчовек faceлице is not
a very well-definedдобре дефинирана objectобект.
175
517531
2629
И човешкото лице не е
много добре дефиниран обект,
така че трябваше да направим
специален алгоритъм,
08:52
So, we had to buildпострои an entireцял tierПодреждане of it
176
520184
2051
08:54
to learnуча and teachпреподавам
a machineмашина what a faceлице is,
177
522259
2710
за да научим и да обясним
на машина какво е лице,
08:56
and embedзакрепвам and compressкомпрес it.
178
524993
2037
да го вградим и компресираме.
08:59
And if you're comfortableкомфортен
with machineмашина learningизучаване на,
179
527054
2248
И ако сте наясно с машинното самообучение,
09:01
you understandразбирам what the challengeпредизвикателство is here.
180
529326
2284
ще разберете какво
предизвикателство беше това.
09:04
Now, after 15 yearsгодини -- 15 yearsгодини after
we readПрочети the first sequenceпоследователност --
181
532108
5991
Сега, след 15 години - 15 години,
след като прочетохме първата секвенция,
09:10
this OctoberОктомври, we startedзапочна
to see some signalsсигнали.
182
538123
2902
през този октомври започнахме
да виждаме някои сигнали.
09:13
And it was a very emotionalемоционален momentмомент.
183
541049
2455
И беше много емоционален момент.
09:15
What you see here is a subjectпредмет
comingидващ in our labлаборатория.
184
543528
3745
Това, което виждате тук, е субект,
който дойде в лабораторията ни.
09:19
This is a faceлице for us.
185
547619
1928
Това за нас е лице.
09:21
So we take the realреален faceлице of a subjectпредмет,
we reduceнамаляване на the complexityсложност,
186
549571
3631
Ние взимаме истинското лице на субекта,
намаляваме сложността му,
09:25
because not everything is in your faceлице --
187
553226
1970
защото не всичко е в лицето -
09:27
lots of featuresХарактеристика and defectsдефекти
and asymmetriesасиметрия come from your life.
188
555220
3786
много от чертите, дефектите
и асиметриите идват от живота ви.
09:31
We symmetrizesymmetrize the faceлице,
and we runтичам our algorithmалгоритъм.
189
559030
3469
Ние правим лицето симетрично
и пускаме алгоритъма си.
09:35
The resultsрезултати that I showшоу you right now,
190
563245
1898
При резултатите,
които сега ви показвам,
09:37
this is the predictionпредвиждане we have
from the bloodкръв.
191
565167
3372
това е предвиждането,
което получаваме от кръвта.
09:41
(ApplauseАплодисменти)
192
569596
1524
(Аплодисменти)
09:43
Wait a secondвтори.
193
571144
1435
Изчакайте секунда.
09:44
In these secondsсекунди, your eyesочи are watchingгледане,
left and right, left and right,
194
572603
4692
През тези секунди очите ви гледат
вляво и вдясно, вляво и вдясно
09:49
and your brainмозък wants
those picturesснимки to be identicalидентичен.
195
577319
3930
и мозъкът ви иска
тези картини да са идентични.
09:53
So I askпитам you to do
anotherоще exerciseупражнение, to be honestчестен.
196
581273
2446
Така че ви моля да направите
друго упражнение.
09:55
Please searchТърсене for the differencesразлики,
197
583743
2287
Моля ви, търсете разликите,
09:58
whichкойто are manyмного.
198
586054
1361
а те са много.
09:59
The biggestНай-големият amountколичество of signalсигнал
comesидва from genderпол,
199
587439
2603
Най-много сигнал идва от пола,
10:02
then there is ageвъзраст, BMIBMI,
the ethnicityетническа принадлежност componentкомпонент of a humanчовек.
200
590066
5201
след това възрастта, индекса на телесната
маса, етническия компонент на човек.
10:07
And scalingмащабиране up over that signalсигнал
is much more complicatedсложен.
201
595291
3711
И да погледнем отвъд този сигнал
е много по-сложно.
10:11
But what you see here,
even in the differencesразлики,
202
599026
3250
Но това, което виждате тук,
дори и в разликите,
10:14
letsНека да you understandразбирам
that we are in the right ballparkприблизителни,
203
602300
3595
ви показва, че сме в правилния диапазон,
10:17
that we are gettingполучаване на closerпо близо.
204
605919
1348
че се приближаваме.
10:19
And it's alreadyвече givingдавайки you some emotionsемоции.
205
607291
2349
И това вече ви предава някакви емоции.
Това е друг субект, който е на ред,
10:21
This is anotherоще subjectпредмет
that comesидва in placeмясто,
206
609664
2703
10:24
and this is a predictionпредвиждане.
207
612391
1409
а това е прогнозата.
10:25
A little smallerпо-малък faceлице, we didn't get
the completeпълен cranialчерепен structureструктура,
208
613824
4596
Малко по-малко лице, не получихме
цялата черепна структура,
10:30
but still, it's in the ballparkприблизителни.
209
618444
2651
но все пак е близко.
Това е субектът, който
дойде в лабораторията ни,
10:33
This is a subjectпредмет that comesидва in our labлаборатория,
210
621634
2224
10:35
and this is the predictionпредвиждане.
211
623882
1443
а това е прогнозата.
10:38
So these people have never been seenвидян
in the trainingобучение of the machineмашина.
212
626056
4676
Тези хора никога не са виждани
по време на обучаването на машината.
10:42
These are the so-calledтака наречен "held-outдържани-out" setкомплект.
213
630756
2837
Те са така нареченият "резерв".
10:45
But these are people that you will
probablyвероятно never believe.
214
633617
3740
Но това са хора, на които вероятно
никога няма да повярвате.
10:49
We're publishingиздаване everything
in a scientificнаучен publicationпубликация,
215
637381
2676
Ние публикуваме всичко
в научна публикация,
10:52
you can readПрочети it.
216
640081
1151
можете да я прочетете.
10:53
But sinceот we are onstageна сцената,
ChrisКрис challengedоспорено me.
217
641256
2344
Но понеже сме на сцената,
Крис ме предизвика.
10:55
I probablyвероятно exposedизложен myselfсебе си
and triedопитах to predictпредскаже
218
643624
3626
Вероятно се издадох и
се опитах да предвидя някого,
10:59
someoneнякой that you mightбиха могли, може recognizeпризнавам.
219
647274
2831
когото може би ще разпознаете.
11:02
So, in this vialфлакон of bloodкръв --
and believe me, you have no ideaидея
220
650470
4425
В тази епруветка с кръв -
и повярвайте ми, нямате идея
11:06
what we had to do to have
this bloodкръв now, here --
221
654919
2880
какво трябваше да направим,
за да имаме тази кръв сега, тук,
11:09
in this vialфлакон of bloodкръв is the amountколичество
of biologicalбиологичен informationинформация
222
657823
3901
та в тази епруветка с кръв
е количеството биологична информация,
11:13
that we need to do a fullпълен genomeгеном sequenceпоследователност.
223
661748
2277
което ни е нужно
за пълна геномна секвенция.
11:16
We just need this amountколичество.
224
664049
2070
Трябва ни само това количество.
11:18
We ranзавтече this sequenceпоследователност,
and I'm going to do it with you.
225
666528
3205
Изпълнихме тази секвенция
и сега ще го направя с вас.
11:21
And we startначало to layerслой up
all the understandingразбиране we have.
226
669757
3979
Започваме да наслагваме
всичкото знание, което имаме.
11:25
In the vialфлакон of bloodкръв,
we predictedпрогнозира, he's a maleмъжки.
227
673760
3350
В епруветката с кръв
предсказахме, че е мъж.
11:29
And the subjectпредмет is a maleмъжки.
228
677134
1364
И субектът е мъж.
11:30
We predictпредскаже that he's a meterметър and 76 cmсм.
229
678996
2438
Предсказахме, че е висок 1,76 м.
11:33
The subjectпредмет is a meterметър and 77 cmсм.
230
681458
2392
Субектът е 1,77 м.
11:35
So, we predictedпрогнозира, that he's 76;
the subjectпредмет is 82.
231
683874
4110
Предсказахме, че тежи 76 кг.
субектът е 82 кг.
11:40
We predictпредскаже his ageвъзраст, 38.
232
688701
2632
Предсказахме възрастта му, 38 г.
11:43
The subjectпредмет is 35.
233
691357
1904
Субектът е на 35 г.
11:45
We predictпредскаже his eyeоко colorцвят.
234
693851
2124
Предсказахме цвета на очите му.
11:48
Too darkтъмен.
235
696824
1211
Прекалено тъмни.
11:50
We predictпредскаже his skinкожа colorцвят.
236
698059
1555
Предсказахме цвета на кожата му.
11:52
We are almostпочти there.
237
700026
1410
Почти свършихме.
11:53
That's his faceлице.
238
701899
1373
Това е лицето му.
11:57
Now, the revealразкрие momentмомент:
239
705172
3269
Сега, моментът на разкритието:
12:00
the subjectпредмет is this personчовек.
240
708465
1770
Субектът е този човек.
12:02
(LaughterСмях)
241
710259
1935
(Смях)
12:04
And I did it intentionallyпреднамерено.
242
712218
2058
Направих го нарочно.
12:06
I am a very particularособен
and peculiarхарактерни ethnicityетническа принадлежност.
243
714300
3692
Аз съм от много особен и чудат етнос.
Южноевропейците, италианците -
те никога не се вписват в модели.
12:10
SouthernЮжна EuropeanЕвропейската, ItaliansИталианците --
they never fitгоден in modelsмодели.
244
718016
2950
А е и специално този етнос е сложен
страничен случай за нашия модел.
12:12
And it's particularособен -- that ethnicityетническа принадлежност
is a complexкомплекс cornerъглов caseслучай for our modelмодел.
245
720990
5130
12:18
But there is anotherоще pointточка.
246
726144
1509
Но има друга идея.
12:19
So, one of the things that we use
a lot to recognizeпризнавам people
247
727677
3477
Едно от нещата, които много използваме,
за да разпознаем хора,
никога няма да бъде записано в генома.
12:23
will never be writtenписмен in the genomeгеном.
248
731178
1722
12:24
It's our freeБезплатно will, it's how I look.
249
732924
2317
Това е свободната ни воля -
това, как изглеждам.
12:27
Not my haircutПодстригване in this caseслучай,
but my beardбрада cutразрез.
250
735265
3229
Не прическата ми в този случай, а брадата.
12:30
So I'm going to showшоу you, I'm going to,
in this caseслучай, transferпрехвърляне it --
251
738518
3553
Ще ви покажа, в този случай ще я пренеса -
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingмоделиране --
252
742095
2765
и това не е нищо повече
от Фотошоп, никакви модели:
12:36
the beardбрада on the subjectпредмет.
253
744884
1713
ще пренеса брадата върху субекта.
12:38
And immediatelyведнага, we get
much, much better in the feelingчувство.
254
746621
3472
И това веднага се усеща
много, много по-добре.
12:42
So, why do we do this?
255
750955
2709
Защо правим това?
12:47
We certainlyразбира се don't do it
for predictingпредсказване heightвисочина
256
755938
5140
Със сигурност не за да предскажем височина
12:53
or takingприемате a beautifulкрасив pictureснимка
out of your bloodкръв.
257
761102
2372
или да направим
красива снимка на кръвта ви.
12:56
We do it because the sameедин и същ technologyтехнология
and the sameедин и същ approachподход,
258
764390
4018
Правим го, защото същата
технология и същият подход -
13:00
the machineмашина learningизучаване на of this codeкод,
259
768432
2520
машинното самообучение на този код,
13:02
is helpingподпомагане us to understandразбирам how we work,
260
770976
3137
ни помагат да разберем как работим,
13:06
how your bodyтяло worksвърши работа,
261
774137
1486
как тялото ви работи,
13:07
how your bodyтяло agesвъзрасти,
262
775647
1665
как остарява,
13:09
how diseaseболест generatesгенерира in your bodyтяло,
263
777336
2769
как болестите се зараждат в тялото ви,
13:12
how your cancerрак growsрасте and developsразработва,
264
780129
2972
как ракът ви расте и се развива,
13:15
how drugsнаркотици work
265
783125
1783
как работят лекарствата
13:16
and if they work on your bodyтяло.
266
784932
2314
и дали работят за вашето тяло.
13:19
This is a hugeогромен challengeпредизвикателство.
267
787713
1667
Това е огромно предизвикателство.
Това е предизвикателство, което споделяме
13:21
This is a challengeпредизвикателство that we shareдял
268
789894
1638
13:23
with thousandsхиляди of other
researchersизследователи around the worldсвят.
269
791556
2579
с хиляди други изследователи по света.
13:26
It's calledНаречен personalizedперсонализирани medicineмедицина.
270
794159
2222
Нарича се персонализирана медицина.
13:29
It's the abilityспособност to moveход
from a statisticalстатистически approachподход
271
797125
3460
Това е способността да преминем
от статистически подход,
13:32
where you're a dotточка in the oceanокеан,
272
800609
2032
където човек е само капка в океана,
13:34
to a personalizedперсонализирани approachподход,
273
802665
1813
към персонализиран подход,
13:36
where we readПрочети all these booksкниги
274
804502
2185
където четем всички тези книги
13:38
and we get an understandingразбиране
of exactlyточно how you are.
275
806711
2864
и придобиваме представа какви сте точно.
13:42
But it is a particularlyособено
complicatedсложен challengeпредизвикателство,
276
810260
3362
Но това е особено
сложно предизвикателство,
13:45
because of all these booksкниги, as of todayднес,
277
813646
3998
защото от всички тези книги
към днешна дата
13:49
we just know probablyвероятно two percentна сто:
278
817668
2642
са ни известни само може би два процента,
13:53
fourчетирима booksкниги of more than 175.
279
821027
3653
четири книги от над 175.
13:58
And this is not the topicтема of my talk,
280
826021
3206
И това не е темата на моята лекция,
14:02
because we will learnуча more.
281
830145
2598
защото ние ще научим повече.
14:05
There are the bestнай-доброто mindsумове
in the worldсвят on this topicтема.
282
833378
2669
Най-добрите умове по света
работят по темата.
14:09
The predictionпредвиждане will get better,
283
837048
1834
Прогнозите ще се подобрят,
14:10
the modelмодел will get more preciseточно.
284
838906
2253
моделът ще стане по-точен.
14:13
And the more we learnуча,
285
841183
1858
И колкото повече учим,
14:15
the more we will
be confrontedизправен with decisionsрешения
286
843065
4830
толкова повече ще бъдем
изправяни пред решения,
14:19
that we never had to faceлице before
287
847919
3021
които никога преди
не ни се е налагало да взимаме:
14:22
about life,
288
850964
1435
за живота,
14:24
about deathсмърт,
289
852423
1674
за смъртта,
14:26
about parentingВъзпитание, отглеждане.
290
854121
1603
за това да бъдеш родител.
Докосваме се до вътрешността
на това как работи животът.
14:32
So, we are touchingтрогателен the very
innerатрешна detailдетайл on how life worksвърши работа.
291
860626
4746
14:38
And it's a revolutionреволюция
that cannotне мога be confinedограничено
292
866118
3158
И това е революция, която
не може да бъде ограничена
14:41
in the domainдомейн of scienceнаука or technologyтехнология.
293
869300
2659
до областта на науката или технологиите.
14:44
This mustтрябва да be a globalв световен мащаб conversationразговор.
294
872960
2244
Това трябва да е глобална дискусия.
14:47
We mustтрябва да startначало to think of the futureбъдеще
we're buildingсграда as a humanityчовечество.
295
875798
5217
Трябва да започнем да обмисляме
бъдещето, което градим като човечество.
14:53
We need to interactвзаимодействат with creativesрекламни послания,
with artistsхудожници, with philosophersфилософи,
296
881039
4064
Трябва да общуваме
с хора на изкуството, с философи,
14:57
with politiciansполитици.
297
885127
1510
с политици.
14:58
EveryoneВсеки is involvedучастващи,
298
886661
1158
Всички са замесени,
14:59
because it's the futureбъдеще of our speciesвид.
299
887843
2825
защото това е бъдещето на нашия вид.
15:03
WithoutБез fearстрах, but with the understandingразбиране
300
891273
3968
Без страх, но разбирайки,
15:07
that the decisionsрешения
that we make in the nextследващия yearгодина
301
895265
3871
че решенията, които ще направим
през следващата година,
15:11
will changeпромяна the courseкурс of historyистория foreverзавинаги.
302
899160
3789
ще променят хода на историята завинаги.
15:15
Thank you.
303
903732
1160
Благодаря ви.
15:16
(ApplauseАплодисменти)
304
904916
10159
(Аплодисменти)
Translated by Maria Panayotova
Reviewed by Irina Lilova

▲Back to top

ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com