ABOUT THE SPEAKER
Ed Boyden - Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute.

Why you should listen

Ed Boyden leads the Synthetic Neurobiology Group, which develops tools for analyzing and repairing complex biological systems such as the brain. His group applies these tools in a systematic way in order to reveal ground truth scientific understandings of biological systems, which in turn reveal radical new approaches for curing diseases and repairing disabilities. These technologies include expansion microscopy, which enables complex biological systems to be imaged with nanoscale precision, and optogenetic tools, which enable the activation and silencing of neural activity with light (TED Talk: A light switch for neurons). Boyden also co-directs the MIT Center for Neurobiological Engineering, which aims to develop new tools to accelerate neuroscience progress.

Amongst other recognitions, Boyden has received the Breakthrough Prize in Life Sciences (2016), the BBVA Foundation Frontiers of Knowledge Award (2015), the Carnegie Prize in Mind and Brain Sciences (2015), the Jacob Heskel Gabbay Award (2013), the Grete Lundbeck Brain Prize (2013) and the NIH Director's Pioneer Award (2013). He was also named to the World Economic Forum Young Scientist list (2013) and the Technology Review World's "Top 35 Innovators under Age 35" list (2006). His group has hosted hundreds of visitors to learn how to use new biotechnologies and spun out several companies to bring inventions out of his lab and into the world. Boyden received his Ph.D. in neurosciences from Stanford University as a Hertz Fellow, where he discovered that the molecular mechanisms used to store a memory are determined by the content to be learned. Before that, he received three degrees in electrical engineering, computer science and physics from MIT. He has contributed to over 300 peer-reviewed papers, current or pending patents and articles, and he has given over 300 invited talks on his group's work.

More profile about the speaker
Ed Boyden | Speaker | TED.com
TED2011

Ed Boyden: A light switch for neurons

Ed Boyden: Ein Lichtschalter für Neuronen.

Filmed:
1,098,379 views

Ed Boyden zeigt, wie er durch Einführen von Genen für lichtempfindliche Proteine in Gehirnzellen einzelne Neuronen durch faseroptische Implantate an- und ausschalten kann. Mit einer noch nie da gewesenen Präzision hat er es geschafft, bei Mäusen eine Art PTBS und verschiedene Arten von Blindheit zu heilen. Neurale Protesen sind in Sicht. Der Tagungsmoderator Juan Enriquez hat nach dem Vortrag einige kurze Fragen.
- Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute. Full bio

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

00:15
Think about your day for a secondzweite.
0
0
2000
Denken Sie einen Moment über Ihren Tag nach.
00:17
You wokeerwachte up, feltFilz freshfrisch airLuft on your faceGesicht as you walkedging out the doorTür,
1
2000
3000
Sie sind aufgewacht, haben frische Luft im Gesicht gespürt, als Sie das Haus verließen,
00:20
encounteredangetroffen newneu colleaguesKollegen and had great discussionsDiskussionen,
2
5000
2000
haben neue Kollegen getroffen und tolle Diskussionen geführt
00:22
and feltFilz in aweEhrfurcht when you foundgefunden something newneu.
3
7000
2000
und ein Aha-Erlebnis gehabt, als Sie etwas neues gefunden haben.
00:24
But I betWette there's something you didn't think about todayheute --
4
9000
2000
Aber ich wette, es gibt etwas, woran Sie heute nicht gedacht haben --
00:26
something so closeschließen to home
5
11000
2000
etwas so nah,
00:28
that you probablywahrscheinlich don't think about it very oftenhäufig at all.
6
13000
2000
dass Sie vermutlich überhaupt nicht oft daran denken.
00:30
And that's that all the sensationsEmpfindungen, feelingsGefühle,
7
15000
2000
Und zwar dass all die Wahrnehmungen, Gefühle,
00:32
decisionsEntscheidungen and actionsAktionen
8
17000
2000
Entscheidungen und Handlungen
00:34
are mediatedvermittelte by the computerComputer in your headKopf
9
19000
2000
von dem Computer in Ihrem Kopf,
00:36
callednamens the brainGehirn.
10
21000
2000
dem Gehirn vermittelt werden.
00:38
Now the brainGehirn maykann not look like much from the outsidedraußen --
11
23000
2000
Nun mag das Gehirn von außen vielleicht nicht viel hermachen --
00:40
a couplePaar poundsPfunde of pinkish-grayrosa-grau fleshFleisch,
12
25000
2000
a paar Pfund rosa-graues Fleisch
00:42
amorphousamorph --
13
27000
2000
formlos --
00:44
but the last hundredhundert yearsJahre of neuroscienceNeurowissenschaften
14
29000
2000
aber die letzten Jahrhunderte der Neurowissenschaften
00:46
have alloweddürfen us to zoomZoomen in on the brainGehirn,
15
31000
2000
erlauben uns einen genaueren Blick auf das Gehirn
00:48
and to see the intricacyKompliziertheit of what liesLügen withininnerhalb.
16
33000
2000
und lassen uns seine Komplexität erkennen.
00:50
And they'veSie haben told us that this brainGehirn
17
35000
2000
Sie haben uns gesagt, dass dieses Gehirn
00:52
is an incrediblyunglaublich complicatedkompliziert circuitSchaltung
18
37000
2000
ein unglaublich komplizierter Schaltkreis ist,
00:54
madegemacht out of hundredsHunderte of billionsMilliarden of cellsZellen callednamens neuronsNeuronen.
19
39000
4000
bestehend aus hunderten Milliarden Zellen, genannt Neuronen.
00:58
Now unlikenicht wie a human-designedMenschen konzipiert computerComputer,
20
43000
3000
Im Gegensatz zu menschengemachten Computern
01:01
where there's a fairlyziemlich smallklein numberNummer of differentanders partsTeile --
21
46000
2000
bestehend nur aus wenigen verschiedenen Teilen --
01:03
we know how they work, because we humansMenschen designedentworfen them --
22
48000
3000
wir wissen, wie sie funktionieren, weil wir Menschen sie gemacht haben --
01:06
the brainGehirn is madegemacht out of thousandsTausende of differentanders kindsArten of cellsZellen,
23
51000
3000
besteht das Gehirn aus tausenden unterschiedlichen Zellen,
01:09
maybe tenszehn of thousandsTausende.
24
54000
2000
vielleicht zehntausende.
01:11
They come in differentanders shapesFormen; they're madegemacht out of differentanders moleculesMoleküle.
25
56000
2000
Sie haben unterschiedliche Formen, bestehen aus unterschiedlichen Molekülen;
01:13
And they projectProjekt and connectverbinden to differentanders brainGehirn regionsRegionen,
26
58000
3000
und sie ragen in verschiedene Hirnregionen und verbinden sie.
01:16
and they alsoebenfalls changeVeränderung differentanders waysWege in differentanders diseaseKrankheit statesZustände.
27
61000
3000
Außerdem verändern sie sich unterschiedlich in verschiedenen Krankheitsstadien.
01:19
Let's make it concreteBeton.
28
64000
2000
Lassen Sie uns konkret werden.
01:21
There's a classKlasse of cellsZellen,
29
66000
2000
Es gibt eine Klasse Zellen,
01:23
a fairlyziemlich smallklein cellZelle, an inhibitoryhemmende cellZelle, that quietsberuhigt its neighborsNachbarn.
30
68000
3000
eine eher kleine Zelle, eine hemmende, die ihre Nachbarn beruhigt.
01:26
It's one of the cellsZellen that seemsscheint to be atrophiedverkümmert in disordersStörungen like schizophreniaSchizophrenie.
31
71000
4000
Sie ist eine der Zellen, die bei Krankheiten wie Schizophrenie zu verkümmern scheinen.
01:30
It's callednamens the basketKorb cellZelle.
32
75000
2000
Sie wird Korbzelle genannt.
01:32
And this cellZelle is one of the thousandsTausende of kindsArten of cellZelle
33
77000
2000
Und diese Zelle ist eine der tausend verschiedenen Zellarten,
01:34
that we are learningLernen about.
34
79000
2000
von denen wir lernen.
01:36
NewNeu onesEinsen are beingSein discoveredentdeckt everydayjeden Tag.
35
81000
2000
Neue Arten werden jeden Tag endeckt.
01:38
As just a secondzweite exampleBeispiel:
36
83000
2000
Ein zweites Beispiel:
01:40
these pyramidalpyramidale cellsZellen, largegroß cellsZellen,
37
85000
2000
Diese Pyramidenzellen, große Zellen,
01:42
they can spanSpanne a significantsignifikant fractionFraktion of the brainGehirn.
38
87000
2000
sie können weite Teile des Gehirns umfassen.
01:44
They're excitatoryexzitatorischen.
39
89000
2000
Sie sind erregend.
01:46
And these are some of the cellsZellen
40
91000
2000
Und sie sind eine der Zellen,
01:48
that mightMacht be overactiveüberaktiven in disordersStörungen sucheine solche as epilepsyEpilepsie.
41
93000
3000
die bei Erkrankungen wie Epilepsie überaktiv sein können.
01:51
EveryJedes one of these cellsZellen
42
96000
2000
Jede dieser Zellen
01:53
is an incredibleunglaublich electricalelektrisch deviceGerät.
43
98000
3000
ist ein unglaublicher elektrischer Apparat.
01:56
They receiveerhalten inputEingang from thousandsTausende of upstreamvorgelagerten partnersPartner
44
101000
2000
Sie erhalten tausende Eingänge von vorgeschalteten Partnern
01:58
and computeberechnen theirihr ownbesitzen electricalelektrisch outputsAusgänge,
45
103000
3000
und errechnen ihre eigenen elektrischen Ausgaben,
02:01
whichwelche then, if they passbestehen a certainsicher thresholdSchwelle,
46
106000
2000
welche dann, falls sie einen gewissen Schwellenwert überschreiten,
02:03
will go to thousandsTausende of downstreamstromab partnersPartner.
47
108000
2000
an tausende nachgeschaltete Partner gehen.
02:05
And this processverarbeiten, whichwelche takes just a millisecondMillisekunde or so,
48
110000
3000
Und der ganze Prozess, der nur eine Millisekunde oder so dauert,
02:08
happensdas passiert thousandsTausende of timesmal a minuteMinute
49
113000
2000
passiert tausende male pro Minute
02:10
in everyjeden one of your 100 billionMilliarde cellsZellen,
50
115000
2000
in jeder Ihrer 100 Milliarden Zellen,
02:12
as long as you liveLeben
51
117000
2000
so lange Sie leben,
02:14
and think and feel.
52
119000
3000
und denken und fühlen.
02:17
So how are we going to figureZahl out what this circuitSchaltung does?
53
122000
3000
Wie finden wir also heraus, was dieser Schaltkreis tut?
02:20
IdeallyIm Idealfall, we could go throughdurch the circuitSchaltung
54
125000
2000
Idealerweise können wir durch den Schaltkreis gehen
02:22
and turnWende these differentanders kindsArten of cellZelle on and off
55
127000
3000
und jede einzelne Zellart an- und ausschalten
02:25
and see whetherob we could figureZahl out
56
130000
2000
und sehen ob wir herausfinden konnten,
02:27
whichwelche onesEinsen contributebeitragen to certainsicher functionsFunktionen
57
132000
2000
welche zu bestimmten Funktionen beitragen
02:29
and whichwelche onesEinsen go wrongfalsch in certainsicher pathologiesPathologien.
58
134000
2000
und welche bei bestimmten Symptomen versagen.
02:31
If we could activateAktivieren cellsZellen, we could see what powersKräfte they can unleashzu entfesseln,
59
136000
3000
Wenn wir Zellen aktivieren könnten, dann könnten wir sehen, welche Kräfte sie entfesseln können,
02:34
what they can initiatezu initiieren and sustainaushalten.
60
139000
2000
was sie auslösen und erhalten können.
02:36
If we could turnWende them off,
61
141000
2000
Wenn wir sie ausschalten könnten,
02:38
then we could try and figureZahl out what they're necessarynotwendig for.
62
143000
2000
dann könnten wir versuchen herauszufinden, wofür sie gut sind.
02:40
And that's a storyGeschichte I'm going to tell you about todayheute.
63
145000
3000
Und das ist die Geschichte, die ich heute erzählen werde.
02:43
And honestlyehrlich, where we'vewir haben goneWeg throughdurch over the last 11 yearsJahre,
64
148000
3000
Und ehrlich gesagt, was wir in den letzten 11 Jahren durchgemacht haben,
02:46
throughdurch an attemptVersuch to find waysWege
65
151000
2000
bei dem Versuch herauszufinden
02:48
of turningDrehen circuitsSchaltungen and cellsZellen and partsTeile and pathwaysWege of the brainGehirn
66
153000
2000
wie man Schaltkreise und Zellen und Teile und Pfade des Gehirns
02:50
on and off,
67
155000
2000
an- und ausschalten kann,
02:52
bothbeide to understandverstehen the scienceWissenschaft
68
157000
2000
um einerseits die Theorie zu verstehen
02:54
and alsoebenfalls to confrontkonfrontieren some of the issuesProbleme
69
159000
3000
und andererseits einige der Probleme zu begegnen,
02:57
that faceGesicht us all as humansMenschen.
70
162000
3000
die uns als alle als Menschen betrifft.
03:00
Now before I tell you about the technologyTechnologie,
71
165000
3000
Bevor ich anfange, über die Technologie zu reden,
03:03
the badschlecht newsNachrichten is that a significantsignifikant fractionFraktion of us in this roomZimmer,
72
168000
3000
die schlechte Nachricht ist, dass ein großer Teil von uns in diesem Raum,
03:06
if we liveLeben long enoughgenug,
73
171000
2000
falls wir lang genug leben,
03:08
will encounterBegegnung, perhapsvielleicht, a brainGehirn disorderStörung.
74
173000
2000
wahrscheinlich an einer Hirnkrankheit leiden werden.
03:10
AlreadyBereits, a billionMilliarde people
75
175000
2000
Heute hatte bereits eine Milliarde Menschen
03:12
have had some kindArt of brainGehirn disorderStörung
76
177000
2000
irgendeine Art Hirnkrankheit
03:14
that incapacitatesHirnkrankheit them,
77
179000
2000
die sie einschränkt.
03:16
and the numbersNummern don't do it justiceGerechtigkeit thoughobwohl.
78
181000
2000
Die Zahlen sind aber nicht alles.
03:18
These disordersStörungen -- schizophreniaSchizophrenie, Alzheimer'sAlzheimer Krankheit,
79
183000
2000
Diese Krankheiten -- Schizophrenie, Alzheimer,
03:20
depressionDepression, addictionsucht --
80
185000
2000
Depressionen, Abhängigkeit --
03:22
they not only stealstehlen our time to liveLeben, they changeVeränderung who we are.
81
187000
3000
sie stehlen nicht nur unsere Lebenszeit, sie verändern auch, wer wir sind;
03:25
They take our identityIdentität and changeVeränderung our emotionsEmotionen
82
190000
2000
sie nehmen unsere Identität und verändern unsere Gefühle --
03:27
and changeVeränderung who we are as people.
83
192000
3000
und verändern, wer wir sind als Menschen.
03:30
Now in the 20thth centuryJahrhundert,
84
195000
3000
Im 20. Jahrhundert
03:33
there was some hopeHoffnung that was generatedgeneriert
85
198000
3000
gab es einige Hoffnung
03:36
throughdurch the developmentEntwicklung of pharmaceuticalsArzneimittel for treatingbehandeln brainGehirn disordersStörungen,
86
201000
3000
durch die Entwicklung der Pharmazeutika um Hirnkrankheiten zu behandeln.
03:39
and while manyviele drugsDrogen have been developedentwickelt
87
204000
3000
Und während viele Medikamente entwickelt wurden
03:42
that can alleviatezu lindern symptomsSymptome of brainGehirn disordersStörungen,
88
207000
2000
die Symptome der Hirnkrankheiten lindern können,
03:44
practicallypraktisch nonekeiner of them can be consideredberücksichtigt to be curedgeheilt.
89
209000
3000
kann praktisch keine von ihnen als geheilt gelten.
03:47
And partTeil of that's because we're bathingBaden the brainGehirn in the chemicalchemisch.
90
212000
3000
Das liegt teilweise daran, dass wir das Gehirn in Chemikalien baden.
03:50
This elaborateerarbeiten circuitSchaltung
91
215000
2000
Dieser ausgefeilte Schaltkreis
03:52
madegemacht out of thousandsTausende of differentanders kindsArten of cellZelle
92
217000
2000
bestehend aus tausenden unterschiedlichen Zellen
03:54
is beingSein bathedgebadet in a substanceSubstanz.
93
219000
2000
wird in einer Substanz gebadet.
03:56
That's alsoebenfalls why, perhapsvielleicht, mostdie meisten of the drugsDrogen, and not all, on the marketMarkt
94
221000
2000
Daher haben die meisten Medikamente, nicht alle, auf dem Markt
03:58
can presentGeschenk some kindArt of seriousernst sideSeite effectbewirken too.
95
223000
3000
einige schwere Nebenwirkungen.
04:01
Now some people have gottenbekommen some solaceTrost
96
226000
3000
Einige Leute haben Trost
04:04
from electricalelektrisch stimulatorsStimulatoren that are implantedimplantiert in the brainGehirn.
97
229000
3000
in elektrischen Stimulatoren gefunden, die ins Gehirn implantiert werden.
04:07
And for Parkinson'sParkinson diseaseKrankheit,
98
232000
2000
Und für die Parkinson-Krankheit,
04:09
CochlearCochlea- implantsImplantate,
99
234000
2000
Cochleaimplantate,
04:11
these have indeedtatsächlich been ablefähig
100
236000
2000
die waren tatsächlich in der Lage
04:13
to bringbringen some kindArt of remedyAbhilfe
101
238000
2000
einige Besserung
04:15
to people with certainsicher kindsArten of disorderStörung.
102
240000
2000
für Leute mit bestimmten Krankheiten zu bringen.
04:17
But electricityElektrizität alsoebenfalls will go in all directionsRichtungen --
103
242000
2000
Aber Elektrizität breitet sich auch in jede Richtung aus --
04:19
the pathPfad of leastam wenigsten resistanceWiderstand,
104
244000
2000
den Weg des geringsten Widerstandes.
04:21
whichwelche is where that phrasePhrase, in partTeil, comeskommt from.
105
246000
2000
woher diese Redewendung teilweise kommt.
04:23
And it alsoebenfalls will affectbeeinflussen normalnormal circuitsSchaltungen as well as the abnormalabnorme onesEinsen that you want to fixFix.
106
248000
3000
Es wird die gesunden Schaltkreise genauso beeinflussen, wie die kranken, die Sie reparieren wollen.
04:26
So again, we're sentgesendet back to the ideaIdee
107
251000
2000
Also sind wir wieder bei der Idee
04:28
of ultra-preciseultra-präzise controlsteuern.
108
253000
2000
der hoch präzisen Kontrolle.
04:30
Could we dial-inDial-in informationInformation preciselygenau where we want it to go?
109
255000
3000
Können wir Informationen genau an die Stelle bringen, die wir wollen?
04:34
So when I startedhat angefangen in neuroscienceNeurowissenschaften 11 yearsJahre agovor,
110
259000
4000
Als ich vor 11 Jahren mit Neurowissenschaften begonnen habe,
04:38
I had trainedausgebildet as an electricalelektrisch engineerIngenieur and a physicistPhysiker,
111
263000
3000
war ich ausgebildeter Elektrotechniker und Physiker,
04:41
and the first thing I thought about was,
112
266000
2000
und das erste, worüber ich nachdachte war,
04:43
if these neuronsNeuronen are electricalelektrisch devicesGeräte,
113
268000
2000
wenn diese Neuronen elektrische Apparate sind,
04:45
all we need to do is to find some way
114
270000
2000
dann müssen wir nur einen Weg finden
04:47
of drivingFahren those electricalelektrisch changesÄnderungen at a distanceEntfernung.
115
272000
2000
diese elektrischen Veränderung aus der Entfernung zu steuern.
04:49
If we could turnWende on the electricityElektrizität in one cellZelle,
116
274000
2000
Wenn wir den Strom in einer einzelnen Zelle anschalten könnten,
04:51
but not its neighborsNachbarn,
117
276000
2000
nicht aber den ihrer Nachbarn,
04:53
that would give us the toolWerkzeug we need to activateAktivieren and shutgeschlossen down these differentanders cellsZellen,
118
278000
3000
das gäbe uns die Werkzeuge, die wir brauchen, um die einzelnen Zellen an- und auszuschalten,
04:56
figureZahl out what they do and how they contributebeitragen
119
281000
2000
herauszufinden was sie tun und wie sie
04:58
to the networksNetzwerke in whichwelche they're embeddedeingebettet.
120
283000
2000
zu dem Netzwerk beitragen zu dem sie gehören.
05:00
And alsoebenfalls it would allowzulassen us to have the ultra-preciseultra-präzise controlsteuern we need
121
285000
2000
Außerdem würde es uns die hoch präzise Kontrolle erlauben, die wir brauchen
05:02
in orderAuftrag to fixFix the circuitSchaltung computationsBerechnungen
122
287000
3000
um die Schaltkreisberechnungen zu reparieren
05:05
that have goneWeg awryschief.
123
290000
2000
die falsch laufen.
05:07
Now how are we going to do that?
124
292000
2000
Nun, wie machen wir das?
05:09
Well there are manyviele moleculesMoleküle that existexistieren in natureNatur,
125
294000
2000
Es gibt viele Moleküle in der Natur,
05:11
whichwelche are ablefähig to convertkonvertieren lightLicht into electricityElektrizität.
126
296000
3000
die fähig sind Licht in Strom umzuwandeln.
05:14
You can think of them as little proteinsProteine
127
299000
2000
Sie können sie sich wie kleine Proteine vorstellen,
05:16
that are like solarSolar- cellsZellen.
128
301000
2000
die wie Solarzellen sind.
05:18
If we can installInstallieren these moleculesMoleküle in neuronsNeuronen somehowirgendwie,
129
303000
3000
Wenn wir diese Moleküle irgendwie in den Neuronen platzieren können
05:21
then these neuronsNeuronen would becomewerden electricallyelektrisch drivablefahrbare with lightLicht.
130
306000
3000
dann würden die Neuronen durch Licht steuerbar.
05:24
And theirihr neighborsNachbarn, whichwelche don't have the moleculeMolekül, would not.
131
309000
3000
Und ihre Nachbarn, die dieses Molekül nicht haben, wären es nicht.
05:27
There's one other magicMagie trickTrick you need to make this all happengeschehen,
132
312000
2000
Es gibt einen weiteren Zaubertrick, den Sie brauchen um das Wirklichkeit werden zu lassen,
05:29
and that's the abilityFähigkeit to get lightLicht into the brainGehirn.
133
314000
3000
und das ist die Fähigkeit, Licht ins Gehirn zu bringen.
05:32
And to do that -- the brainGehirn doesn't feel painSchmerz -- you can put --
134
317000
3000
Und um das zu tun -- das Gehirn empfindet keinen Schmerz -- können Sie --
05:35
takingunter advantageVorteil of all the effortAnstrengung
135
320000
2000
den ganzen Aufwand,
05:37
that's goneWeg into the InternetInternet and communicationsKommunikation and so on --
136
322000
2000
der um Internet Kommunikation und so weiter betrieben wird ausnutzend --
05:39
opticaloptische fibersFasern connectedin Verbindung gebracht to lasersLasern
137
324000
2000
Glasfasern verbunden mit Lasern
05:41
that you can use to activateAktivieren, in animalTier modelsModelle for exampleBeispiel,
138
326000
2000
die Sie nutzen können um Zellen zu aktivieren, in Tiermodellen zum Beispiel
05:43
in pre-clinicalprä-klinischen studiesStudien,
139
328000
2000
in vorklinischen Studien,
05:45
these neuronsNeuronen and to see what they do.
140
330000
2000
um zu sehen, was sie machen.
05:47
So how do we do this?
141
332000
2000
Wie machen wir das?
05:49
Around 2004,
142
334000
2000
Zirka 2004,
05:51
in collaborationZusammenarbeit with GerhardGerhard NagelNagel and KarlKarl DeisserothDeisseroth,
143
336000
2000
in Zusammenarbeit mit Gerhard Nagel und Karl Deisseroth,
05:53
this visionVision camekam to fruitionFrucht.
144
338000
2000
wurde diese Vision Wirklichkeit.
05:55
There's a certainsicher algaAlge that swimsschwimmt in the wildwild,
145
340000
3000
Es gibt eine gewisse Alge, die in der Wildnis schwimmt,
05:58
and it needsBedürfnisse to navigatenavigieren towardsin Richtung lightLicht
146
343000
2000
und Richtung Licht navigieren muss
06:00
in orderAuftrag to photosynthesizePhotosynthese optimallyoptimal.
147
345000
2000
um optimal Photosynthese betreiben zu können.
06:02
And it sensesSinne lightLicht with a little eye-spotAuge-Ort,
148
347000
2000
Sie nimmt Licht mit einem kleinen Augenfleck auf,
06:04
whichwelche worksWerke not unlikenicht wie how our eyeAuge worksWerke.
149
349000
3000
der ähnlich wie unser Auge arbeitet.
06:07
In its membraneMembran, or its boundaryGrenze,
150
352000
2000
In ihrer Haut, oder ihrem Rand,
06:09
it containsenthält little proteinsProteine
151
354000
3000
hat es kleine Proteine
06:12
that indeedtatsächlich can convertkonvertieren lightLicht into electricityElektrizität.
152
357000
3000
die tatsächlich Licht in Strom umwandeln können.
06:15
So these moleculesMoleküle are callednamens channelrhodopsinsKanalrhodopsine.
153
360000
3000
Diese Moleküle werden Kanalrhodopsine genannt.
06:18
And eachjede einzelne of these proteinsProteine actshandelt just like that solarSolar- cellZelle that I told you about.
154
363000
3000
Und jedes dieser Proteine verhält sich genau wie die Solarzelle, über die ich gesprochen habe.
06:21
When blueblau lightLicht hitsHits it, it opensöffnet up a little holeLoch
155
366000
3000
Wenn es von blauem Licht getroffen wird, öffnet es ein kleines Loch
06:24
and allowserlaubt chargedberechnet particlesPartikel to entereingeben the eye-spotAuge-Ort,
156
369000
2000
und lässt geladene Teilchen in den Augenfleck.
06:26
and that allowserlaubt this eye-spotAuge-Ort to have an electricalelektrisch signalSignal
157
371000
2000
Das ermöglicht dem Augenfleck ein elektrisches Signal
06:28
just like a solarSolar- cellZelle chargingAufladen up a batteryBatterie.
158
373000
3000
genau wie eine Solarzelle eine Batterie aufladen würde.
06:31
So what we need to do is to take these moleculesMoleküle
159
376000
2000
Was wir als machen müssen ist diese Moleküle nehmen
06:33
and somehowirgendwie installInstallieren them in neuronsNeuronen.
160
378000
2000
und sie irgendwie in die Neuronen installieren.
06:35
And because it's a proteinEiweiß,
161
380000
2000
Und weil es ein Protein ist
06:37
it's encodedcodiert for in the DNADNA of this organismOrganismus.
162
382000
3000
ist es in der DNS des Organismus gespeichert.
06:40
So all we'vewir haben got to do is take that DNADNA,
163
385000
2000
Also müssen wir nur die DNS nehmen,
06:42
put it into a geneGen therapyTherapie vectorVektor, like a virusVirus,
164
387000
3000
sie in einen Gentherapie Vektor zu packen, wie einen Virus,
06:45
and put it into neuronsNeuronen.
165
390000
3000
und dann in die Neuronen bringen.
06:48
So it turnedgedreht out that this was a very productiveproduktiv time in geneGen therapyTherapie,
166
393000
3000
Es hat sich herausgestellt, dass das eine gute Zeit für Gentherapie war,
06:51
and lots of virusesViren were comingKommen alongeine lange.
167
396000
2000
und viele Viren zu Verfügung standen.
06:53
So this turnedgedreht out to be very simpleeinfach to do.
168
398000
2000
Es war sogar ziemlich leicht zu machen.
06:55
And earlyfrüh in the morningMorgen one day in the summerSommer- of 2004,
169
400000
3000
Und eines Morgens im Sommer 2004
06:58
we gavegab it a try, and it workedhat funktioniert on the first try.
170
403000
2000
haben wir es versucht und es hat beim ersten Mal geklappt.
07:00
You take this DNADNA and you put it into a neuronNeuron.
171
405000
3000
Man nimmt die DNS und packt sie in ein Neuron.
07:03
The neuronNeuron usesVerwendungen its naturalnatürlich protein-makingProtein-Herstellung machineryMaschinen
172
408000
3000
Das Neuron benutzt seine natürliche Proteinproduktion
07:06
to fabricatefabrizieren these little light-sensitivelichtempfindlich proteinsProteine
173
411000
2000
um die kleinen lichtempfindlichen Proteine herzustellen
07:08
and installInstallieren them all over the cellZelle,
174
413000
2000
und sie dann über die gesamte Zelle zu verteilen
07:10
like puttingPutten solarSolar- panelsPlatten on a roofDach,
175
415000
2000
als würde man Solarzellen auf ein Dach packen.
07:12
and the nextNächster thing you know,
176
417000
2000
Und bevor Sie sich versehen,
07:14
you have a neuronNeuron whichwelche can be activatedaktiviert with lightLicht.
177
419000
2000
haben Sie Neuronen, die man mit Licht anschalten kann.
07:16
So this is very powerfulmächtig.
178
421000
2000
Das funktioniert also sehr gut.
07:18
One of the tricksTricks you have to do
179
423000
2000
Eines der Probleme, die man lösen muss
07:20
is to figureZahl out how to deliverliefern these genesGene to the cellsZellen that you want
180
425000
2000
ist der Transport dieser Gene zu den Zellen, die man will
07:22
and not all the other neighborsNachbarn.
181
427000
2000
und nicht zu all den Nachbarn.
07:24
And you can do that; you can tweakzwicken the virusesViren
182
429000
2000
Und man kann es machen; man kann den Virus so justieren,
07:26
so they hitschlagen just some cellsZellen and not othersAndere.
183
431000
2000
dass er nur einige bestimmte Zellen trifft.
07:28
And there's other geneticgenetisch tricksTricks you can playspielen
184
433000
2000
Es gibt einen anderen genetischen Trick, den man ausnutzen kann
07:30
in orderAuftrag to get light-activatedLicht aktiviert cellsZellen.
185
435000
3000
um Zellen zu bekommen, die man mit Licht einschalten kann.
07:33
This fieldFeld has now come to be knownbekannt as optogeneticsOptogenetik.
186
438000
4000
Dieses Feld ist heute als Optogenetik bekannt.
07:37
And just as one exampleBeispiel of the kindArt of thing you can do,
187
442000
2000
Ich gebe Ihnen ein weiteres Beispiel, was man damit machen kann.
07:39
you can take a complexKomplex networkNetzwerk,
188
444000
2000
Man kann ein komplexes Netzwerk nehmen,
07:41
use one of these virusesViren to deliverliefern the geneGen
189
446000
2000
eines der Viren nutzen um das Gen
07:43
just to one kindArt of cellZelle in this densedicht networkNetzwerk.
190
448000
3000
zu genau einer Art Zelle in diesem dichten Netzwerk zu bringen.
07:46
And then when you shinescheinen lightLicht on the entireganz networkNetzwerk,
191
451000
2000
Wenn man das das gesamte Netzwerk mit Licht anstrahlt,
07:48
just that cellZelle typeArt will be activatedaktiviert.
192
453000
2000
dann wird nur dieser eine Zelltyp aktiviert.
07:50
So for exampleBeispiel, letsLasst uns sortSortieren of considerErwägen that basketKorb cellZelle I told you about earliervorhin --
193
455000
3000
Nehmen wir zum Beispiel die Korbzellen, über die ich früher gesprochen habe --
07:53
the one that's atrophiedverkümmert in schizophreniaSchizophrenie
194
458000
2000
die bei Schizophrenie verkümmert sind
07:55
and the one that is inhibitoryhemmende.
195
460000
2000
und die hemmend wirken.
07:57
If we can deliverliefern that geneGen to these cellsZellen --
196
462000
2000
Wenn wir das Gen zu diesen Zellen bringen --
07:59
and they're not going to be alteredverändert by the expressionAusdruck of the geneGen, of courseKurs --
197
464000
3000
und sie sich nicht durch die Ausprägung des Gens verändern --
08:02
and then flashBlitz blueblau lightLicht over the entireganz brainGehirn networkNetzwerk,
198
467000
3000
und dann blaues Licht auf das gesamte Gehirnnetzwerk leuchten,
08:05
just these cellsZellen are going to be drivenGefahren.
199
470000
2000
dann werden nur diese Zellen beeinflusst.
08:07
And when the lightLicht turnswendet sich off, these cellsZellen go back to normalnormal,
200
472000
2000
Und wenn das Licht ausgeschaltet ist, dann verhalten sie sich völlig normal.
08:09
so they don't seemscheinen to be averseabgeneigt againstgegen that.
201
474000
3000
sie scheinen dem also nicht abgeneigt zu sein.
08:12
Not only can you use this to studyStudie what these cellsZellen do,
202
477000
2000
Man kann damit nicht nur herausfinden, was diese Zellen tun,
08:14
what theirihr powerLeistung is in computingComputer in the brainGehirn,
203
479000
2000
welche Leistung sie bei den Berechnungen des Gehirns bringen,
08:16
but you can alsoebenfalls use this to try to figureZahl out --
204
481000
2000
man kann außerdem versuchen herauszufinden --
08:18
well maybe we could jazzJazz up the activityAktivität of these cellsZellen,
205
483000
2000
vielleicht können die Aktivität dieser Zellen etwas aufmöbeln,
08:20
if indeedtatsächlich they're atrophiedverkümmert.
206
485000
2000
falls sie tatsächlich verkümmert sind.
08:22
Now I want to tell you a couplePaar of shortkurz storiesGeschichten
207
487000
2000
Nun möchte ich Ihnen ein paar kurze Geschichten darüber erzählen
08:24
about how we're usingmit this,
208
489000
2000
wie wir das ausnutzen.
08:26
bothbeide at the scientificwissenschaftlich, clinicalklinisch and pre-clinicalprä-klinischen levelsEbenen.
209
491000
3000
sowohl wissenschaftlich, klinisch als auch vorklinisch.
08:29
One of the questionsFragen we'vewir haben confrontedkonfrontiert
210
494000
2000
Einer der Fragen, an der wir arbeiten ist,
08:31
is, what are the signalsSignale in the brainGehirn that mediatevermitteln the sensationSensation of rewardBelohnung?
211
496000
3000
welche Signale im Gehirn vermitteln das Gefühl von Belohnung?
08:34
Because if you could find those,
212
499000
2000
Wenn wir die finden würden,
08:36
those would be some of the signalsSignale that could driveFahrt learningLernen.
213
501000
2000
die könnten einige der Signale sein, die das Lernen steuern.
08:38
The brainGehirn will do more of whateverwas auch immer got that rewardBelohnung.
214
503000
2000
Das Gehirn macht das häufiger, was belohnt wird.
08:40
And alsoebenfalls these are signalsSignale that go awryschief in disordersStörungen sucheine solche as addictionsucht.
215
505000
3000
Und außerdem sind diese Signale bei Krankheiten wie Sucht fehlerhaft.
08:43
So if we could figureZahl out what cellsZellen they are,
216
508000
2000
Wenn wir also herausfinden, welche Zellen sie sind,
08:45
we could maybe find newneu targetsZiele
217
510000
2000
könnten wir vielleicht neue Ziele finden
08:47
for whichwelche drugsDrogen could be designedentworfen or screenedgeschirmt againstgegen,
218
512000
2000
für die Medikamente entwickelt oder vor ihnen abgeschirmt werden,
08:49
or maybe placessetzt where electrodesElektroden could be put in
219
514000
2000
oder vielleicht Orte, an denen man Elektroden anbringen könnte
08:51
for people who have very severeschwer disabilityBehinderung.
220
516000
3000
bei Menschen, die sehr ernste Behinderungen haben.
08:54
So to do that, we camekam up with a very simpleeinfach paradigmParadigma
221
519000
2000
Um das zu tun, haben wir ein sehr einfaches Musterbeispiel
08:56
in collaborationZusammenarbeit with the FiorellaFiorella groupGruppe,
222
521000
2000
zusammen mit der Fiorella Gruppe entwickelt,
08:58
where one sideSeite of this little boxBox,
223
523000
2000
Wenn das Tier auf einer Seite
09:00
if the animalTier goesgeht there, the animalTier getsbekommt a pulseImpuls of lightLicht
224
525000
2000
der Box geht, dann gibt es einen kleinen Lichtimpuls
09:02
in orderAuftrag to make differentanders cellsZellen in the brainGehirn sensitiveempfindlich to lightLicht.
225
527000
2000
um verschiedene Zellen im Gehirn lichtempfindlich zu machen.
09:04
So if these cellsZellen can mediatevermitteln rewardBelohnung,
226
529000
2000
Falls diese Zellen Belohnungen vermitteln,
09:06
the animalTier should go there more and more.
227
531000
2000
dann sollte das Tier immer häufiger dort hingehen.
09:08
And so that's what happensdas passiert.
228
533000
2000
Und das ist passiert.
09:10
This animal'sdes Tieres going to go to the right-handrechte Hand sideSeite and pokePoke his noseNase there,
229
535000
2000
Das Tier geht auf die rechte Seite und stöbert mit seiner Nase herum,
09:12
and he getsbekommt a flashBlitz of blueblau lightLicht everyjeden time he does that.
230
537000
2000
und bekommt jedes mal einen blauen Lichtblitz, wenn es das tut.
09:14
And he'llHölle do that hundredsHunderte and hundredsHunderte of timesmal.
231
539000
2000
Das passiert hunderte male.
09:16
These are the dopamineDopamin neuronsNeuronen,
232
541000
2000
Das sind die Dopamin-Neuronen,
09:18
whichwelche some of you maykann have heardgehört about, in some of the pleasureVergnügen centersZentren in the brainGehirn.
233
543000
2000
von denen einige von Ihnen vielleicht gehört haben, in den Lustzentren des Gehirns.
09:20
Now we'vewir haben showngezeigt that a briefkurz activationAktivierung of these
234
545000
2000
Wir haben gezeigt, dass bereits eine kurze Aktivierung dieser Zellen
09:22
is enoughgenug, indeedtatsächlich, to driveFahrt learningLernen.
235
547000
2000
reicht, um das Lernen anzutreiben.
09:24
Now we can generalizeverallgemeinern the ideaIdee.
236
549000
2000
Die Idee kann verallgemeinert werden.
09:26
InsteadStattdessen of one pointPunkt in the brainGehirn,
237
551000
2000
Anstatt nur einen Punkt zu aktivieren,
09:28
we can deviseentwickeln devicesGeräte that spanSpanne the brainGehirn,
238
553000
2000
können wir Geräte entwickeln, die das ganze Gehirn umspannen
09:30
that can deliverliefern lightLicht into three-dimensionaldreidimensional patternsMuster --
239
555000
2000
und das Licht in dreidimensionalen Mustern ausstrahlen kann --
09:32
arraysArrays of opticaloptische fibersFasern,
240
557000
2000
Anordnungen optischer Fasern,
09:34
eachjede einzelne coupledgekoppelt to its ownbesitzen independentunabhängig miniatureMiniatur lightLicht sourceQuelle.
241
559000
2000
jeweils angeschlossen an die eigene unabhängige Miniaturlichtquelle.
09:36
And then we can try to do things in vivovivo
242
561000
2000
Und wir können Dinge am lebenden Organismus ausprobieren
09:38
that have only been doneerledigt to-datebis dato in a dishGericht --
243
563000
3000
die bis jetzt nur in der Petrischale gemacht wurden --
09:41
like high-throughputHochdurchsatz- screeningSiebung throughoutwährend the entireganz brainGehirn
244
566000
2000
wie Hochdurchsatz-Screening über das gesamte Gehirn
09:43
for the signalsSignale that can causeUrsache certainsicher things to happengeschehen.
245
568000
2000
um Signale zu finden, die bestimme Dinge verursachen.
09:45
Or that could be good clinicalklinisch targetsZiele
246
570000
2000
Oder sie könnten gute klinische Ziele sein
09:47
for treatingbehandeln brainGehirn disordersStörungen.
247
572000
2000
um Hirnkrankheiten zu behandeln.
09:49
And one storyGeschichte I want to tell you about
248
574000
2000
Eine andere Geschichte, die ich Ihnen erzählen möchte,
09:51
is how can we find targetsZiele for treatingbehandeln post-traumaticPost-traumatische stressStress disorderStörung --
249
576000
3000
handelt von der Suche nach Zielen für die Behandlung von posttraumatischem Stress --
09:54
a formbilden of uncontrolledunkontrollierte anxietyAngst and fearAngst.
250
579000
3000
eine Form unkontrollierter Angst und Sorge.
09:57
And one of the things that we did
251
582000
2000
Unter anderem
09:59
was to adoptadoptieren a very classicalklassische modelModell- of fearAngst.
252
584000
3000
haben wir ein klassisches Angstmodell adaptiert,
10:02
This goesgeht back to the PavlovianPawlowsche daysTage.
253
587000
3000
was bis in die Pavlovsche Zeit zurückgeht.
10:05
It's callednamens PavlovianPawlowsche fearAngst conditioningAufbereitung --
254
590000
2000
Es nennt sich Pavlovsche Angstkonditionierung --
10:07
where a toneTon endsendet with a briefkurz shockSchock.
255
592000
2000
hierbei endet ein Ton mit einem kurzem Schock.
10:09
The shockSchock isn't painfulschmerzlich, but it's a little annoyingnervig.
256
594000
2000
Der Schock tut nicht weh, er ist nur ein bisschen unangenehm.
10:11
And over time -- in this caseFall, a mouseMaus,
257
596000
2000
Und nach einiger Zeit -- in diesem Fall eine Maus,
10:13
whichwelche is a good animalTier modelModell-, commonlyhäufig used in sucheine solche experimentsExperimente --
258
598000
2000
die ein gutes und in solchen Experimenten häufig verwendetes Tiermodell ist --
10:15
the animalTier learnslernt to fearAngst the toneTon.
259
600000
2000
bekommt das Tier Angst vor dem Ton.
10:17
The animalTier will reactreagieren by freezingEinfrieren,
260
602000
2000
Das Tier wird durch Starre reagieren,
10:19
sortSortieren of like a deerHirsch in the headlightsScheinwerfer.
261
604000
2000
ähnlich wie ein Reh im Autoscheinwerfer.
10:21
Now the questionFrage is, what targetsZiele in the brainGehirn can we find
262
606000
3000
Die Frage ist jetzt, welche Ziele wir im Gehirn finden können,
10:24
that allowzulassen us to overcomeüberwinden this fearAngst?
263
609000
2000
die uns erlauben, die Angst zu überwinden.
10:26
So what we do is we playspielen that toneTon again
264
611000
2000
Also spielen wir den Ton noch einmal
10:28
after it's been associateddamit verbundenen with fearAngst.
265
613000
2000
nachdem er mit der Angst assoziiert wurde.
10:30
But we activateAktivieren targetsZiele in the brainGehirn, differentanders onesEinsen,
266
615000
2000
Aber wir aktivieren jedes mal verschiedene Ziele im Gehirn
10:32
usingmit that opticaloptische fiberFaser arrayArray I told you about in the previousbisherige slidegleiten,
267
617000
3000
durch die optischen Fasern, die ich Ihnen auf früheren Folien gezeigt habe,
10:35
in orderAuftrag to try and figureZahl out whichwelche targetsZiele
268
620000
2000
um herauszufinden, welche Ziele
10:37
can causeUrsache the brainGehirn to overcomeüberwinden that memoryErinnerung of fearAngst.
269
622000
3000
das Gehirn veranlassen können, die Erinnerung an die Angst zu überwinden.
10:40
And so this briefkurz videoVideo
270
625000
2000
Und dieses kurze Video
10:42
showszeigt an you one of these targetsZiele that we're workingArbeiten on now.
271
627000
2000
zeigt Ihnen eines der Ziele an denen wir gerade arbeiten.
10:44
This is an areaBereich in the prefrontalpräfrontalen cortexKortex,
272
629000
2000
Das ist ein Gebiet im präfrontalen Cortex,
10:46
a regionRegion where we can use cognitionErkenntnis to try to overcomeüberwinden aversiveaversive emotionalemotional statesZustände.
273
631000
3000
eine Region, wo wir Wahrnehmung nutzen können, um die Aversion zu überwinden.
10:49
And the animal'sdes Tieres going to hearhören a toneTon -- and a flashBlitz of lightLicht occurredaufgetreten there.
274
634000
2000
Und das Tier hört einen Ton -- und ein Lichtblitz erscheint dort.
10:51
There's no audioAudio- on this, but you can see the animal'sdes Tieres freezingEinfrieren.
275
636000
2000
Es gibt kein Audio dazu, aber Sie können sehen, dass das Tier erstarrt.
10:53
This toneTon used to mean badschlecht newsNachrichten.
276
638000
2000
Dieser Ton hieß schlechte Neuigkeiten.
10:55
And there's a little clockUhr in the lowerniedriger left-handlinke Hand cornerEcke,
277
640000
2000
Dort ist eine kleine Uhr in der unteren linken Ecke,
10:57
so you can see the animalTier is about two minutesProtokoll into this.
278
642000
3000
man sieht, das Tier bleibt ungefähr 2 Minuten so.
11:00
And now this nextNächster clipKlammer
279
645000
2000
Und nun das nächste Video,
11:02
is just eightacht minutesProtokoll laterspäter.
280
647000
2000
nur 8 Minuten später.
11:04
And the samegleich toneTon is going to playspielen, and the lightLicht is going to flashBlitz again.
281
649000
3000
Der gleiche Ton wird gespielt, und das Licht wird wieder erscheinen.
11:07
Okay, there it goesgeht. Right now.
282
652000
3000
Und es geht los. Jetzt.
11:10
And now you can see, just 10 minutesProtokoll into the experimentExperiment,
283
655000
3000
Nun kann man sehen, nach nur 10 Minuten im Experiment,
11:13
that we'vewir haben equippedausgerüstet the brainGehirn by photoactivatingLichtaktivierung this areaBereich
284
658000
3000
dass wir es dem Gehirn durch Lichtaktivierung dieses Gebietes ermöglicht haben
11:16
to overcomeüberwinden the expressionAusdruck
285
661000
2000
den Ausdruck von Angst
11:18
of this fearAngst memoryErinnerung.
286
663000
2000
aus seiner Erinnerung zu überwinden.
11:20
Now over the last couplePaar of yearsJahre, we'vewir haben goneWeg back to the treeBaum of life
287
665000
3000
In den letzten paar Jahren sind wir zurück zum Baum des Lebens gegangen,
11:23
because we wanted to find waysWege to turnWende circuitsSchaltungen in the brainGehirn off.
288
668000
3000
weil wir Wege finden wollten, die Schaltkreise im Gehirn auszuschalten.
11:26
If we could do that, this could be extremelyäußerst powerfulmächtig.
289
671000
3000
Wenn wir das könnten, wäre es extrem mächtig.
11:29
If you can deletelöschen cellsZellen just for a fewwenige millisecondsMillisekunden or secondsSekunden,
290
674000
3000
Wenn man Zellen nur für ein paar Millisekunden oder Sekunden löschen kann,
11:32
you can figureZahl out what necessarynotwendig roleRolle they playspielen
291
677000
2000
kann man herausfinden, welche Rolle sie im Schaltkreis
11:34
in the circuitsSchaltungen in whichwelche they're embeddedeingebettet.
292
679000
2000
spielen, in den sie eingebettet sind.
11:36
And we'vewir haben now surveyedBefragten organismsOrganismen from all over the treeBaum of life --
293
681000
2000
Heute haben wir Organismen vom gesamten Baum des Lebens analysiert --
11:38
everyjeden kingdomKönigreich of life exceptaußer for animalsTiere, we see slightlyleicht differentlyanders.
294
683000
3000
jedes Reich außer das der Tiere, was wir etwas anders betrachten.
11:41
And we foundgefunden all sortssortiert of moleculesMoleküle, they're callednamens halorhodopsinsBakteriorhodopsine or archaerhodopsinsArchaerhodopsine,
295
686000
3000
Wir haben jede Menge verschiedene Moleküle gefunden, Bakteriorhodopsine oder Archaerhodopsine,
11:44
that respondreagieren to greenGrün and yellowGelb lightLicht.
296
689000
2000
die auf grünes und gelbes Licht reagieren.
11:46
And they do the oppositeGegenteil thing of the moleculeMolekül I told you about before
297
691000
2000
Und sie machen das Gegenteil von den Molekülen, von denen ich vorher erzählt habe,
11:48
with the blueblau lightLicht activatorAktivator channelrhodopsinChannelrhodopsin.
298
693000
3000
mit dem Blaulicht-Aktivierer Kanalrhodopsin.
11:52
Let's give an exampleBeispiel of where we think this is going to go.
299
697000
3000
Lassen Sie mich ein Beispiel bringen, wo wir glauben, dass es so funktionieren wird.
11:55
ConsiderPrüfen, for exampleBeispiel, a conditionBedingung like epilepsyEpilepsie,
300
700000
3000
Stellen Sie sich zum Beispiel einen Zustand wie Epilepsie vor,
11:58
where the brainGehirn is overactiveüberaktiven.
301
703000
2000
wo das Gehirn übererregbar ist.
12:00
Now if drugsDrogen failScheitern in epilepticepileptisch treatmentBehandlung,
302
705000
2000
Falls Medikamente bei der Behandlung nicht anschlagen,
12:02
one of the strategiesStrategien is to removeentfernen partTeil of the brainGehirn.
303
707000
2000
ist die Entfernung von Teilen des Gehirns eine mögliche Strategie.
12:04
But that's obviouslyoffensichtlich irreversibleirreversible, and there could be sideSeite effectsAuswirkungen.
304
709000
2000
Das ist natürlich irreversible und es kann Nebenwirkungen haben.
12:06
What if we could just turnWende off that brainGehirn for a briefkurz amountMenge of time,
305
711000
3000
Was wäre, wenn wir stattdessen das Gehirn für einen kurzen Moment ausschalten könnten,
12:09
untilbis the seizureBeschlagnahme diesstirbt away,
306
714000
3000
bis der Anfall vorbei ist,
12:12
and causeUrsache the brainGehirn to be restoredwiederhergestellt to its initialInitiale stateBundesland --
307
717000
3000
und das Gehirn dazu bringen, wieder in seinen Ausgangszustand zurückzukehren --
12:15
sortSortieren of like a dynamicaldynamische systemSystem that's beingSein coaxedüberredet down into a stablestabil stateBundesland.
308
720000
3000
ungefähr wie ein dynamisches System, was in seinen Ausgangszustand versetzt wird.
12:18
So this animationAnimation just triesversucht to explainerklären this conceptKonzept
309
723000
3000
Diese Animation versucht dieses Konzept zu erklären
12:21
where we madegemacht these cellsZellen sensitiveempfindlich to beingSein turnedgedreht off with lightLicht,
310
726000
2000
in dem wir diese Zellen abschaltbar durch Licht gemacht haben,
12:23
and we beamStrahl lightLicht in,
311
728000
2000
und dann Licht hineingestrahlt haben,
12:25
and just for the time it takes to shutgeschlossen down a seizureBeschlagnahme,
312
730000
2000
und dann hoffentlich die Zellen solange deaktiviert haben,
12:27
we're hopinghoffend to be ablefähig to turnWende it off.
313
732000
2000
wie ein Anfall dauert.
12:29
And so we don't have dataDaten to showShow you on this frontVorderseite,
314
734000
2000
Wir haben dazu noch keine Daten,
12:31
but we're very excitedaufgeregt about this.
315
736000
2000
aber wir sind wirklich begeistert davon.
12:33
Now I want to closeschließen on one storyGeschichte,
316
738000
2000
Ich möchte mit anderen Möglichkeit enden,
12:35
whichwelche we think is anotherein anderer possibilityMöglichkeit --
317
740000
2000
an die wir gedacht haben --
12:37
whichwelche is that maybe these moleculesMoleküle, if you can do ultra-preciseultra-präzise controlsteuern,
318
742000
2000
und zwar dass man diese Moleküle vielleicht, durch ultra-präzise Kontrolle,
12:39
can be used in the brainGehirn itselfselbst
319
744000
2000
im Gehirn selbst nutzen könnte
12:41
to make a newneu kindArt of prostheticprothetische, an opticaloptische prostheticprothetische.
320
746000
3000
um eine neue Art Prothese, eine optische Prothese herzustellen.
12:44
I alreadybereits told you that electricalelektrisch stimulatorsStimulatoren are not uncommonselten.
321
749000
3000
Ich habe bereits gesagt, dass elektrische Stimulatoren nicht selten sind.
12:47
Seventy-fiveFünfundsiebzig thousandtausend people have Parkinson'sParkinson deep-braintief-Gehirn stimulatorsStimulatoren implantedimplantiert.
322
752000
3000
75.000 Menschen haben Pakinson's Tiefenhirnstimulatoren implantiert.
12:50
Maybe 100,000 people have CochlearCochlea- implantsImplantate,
323
755000
2000
Vielleicht 100.000 Menschen haben Cochleaimplantate,
12:52
whichwelche allowzulassen them to hearhören.
324
757000
2000
die Ihnen das Hören ermöglichen.
12:54
There's anotherein anderer thing, whichwelche is you've got to get these genesGene into cellsZellen.
325
759000
3000
Ein anderes Problem ist, die Gene in die entsprechenden Zellen zu bekommen.
12:57
And newneu hopeHoffnung in geneGen therapyTherapie has been developedentwickelt
326
762000
3000
Hoffnung geben da neu entwickelte Gentherapien,
13:00
because virusesViren like the adeno-associatedAdeno-assoziierten virusVirus,
327
765000
2000
weil Viren wie das Adeno-assoziierte Virus,
13:02
whichwelche probablywahrscheinlich mostdie meisten of us around this roomZimmer have,
328
767000
2000
den wahrscheinlich die meisten von uns hier in diesem Raum haben,
13:04
and it doesn't have any symptomsSymptome,
329
769000
2000
und der keinerlei Symptome zeigt,
13:06
whichwelche have been used in hundredsHunderte of patientsPatienten
330
771000
2000
was dazu genutzt wurde, hunderten von Patienten
13:08
to deliverliefern genesGene into the brainGehirn or the bodyKörper.
331
773000
2000
Gene ins Gehirn oder den Körper zu bringen.
13:10
And so farweit, there have not been seriousernst adverseunerwünschte eventsVeranstaltungen
332
775000
2000
So weit hat es noch keine ernsten unerwünschten Ereignisse
13:12
associateddamit verbundenen with the virusVirus.
333
777000
2000
assoziiert mit dem Virus gegeben.
13:14
There's one last elephantElefant in the roomZimmer, the proteinsProteine themselvessich,
334
779000
3000
Es gibt noch einen letzten Elefanten im Raum, die Proteine selbst,
13:17
whichwelche come from algaeAlgen and bacteriaBakterien and fungiPilze,
335
782000
2000
die von Algen, Bakterien und Pilzen kommen,
13:19
and all over the treeBaum of life.
336
784000
2000
und von überall im Baum des Lebens.
13:21
MostDie meisten of us don't have fungiPilze or algaeAlgen in our brainsGehirne,
337
786000
2000
Die meisten von uns haben keine Pilze oder Algen im Gehirn,
13:23
so what is our brainGehirn going to do if we put that in?
338
788000
2000
was wird unser Gehirn also tun, wenn wir dort welche hin tun?
13:25
Are the cellsZellen going to toleratetolerieren it? Will the immuneimmun systemSystem reactreagieren?
339
790000
2000
Werden die Zellen es tolerieren? Wird das Immunsystem reagieren?
13:27
In its earlyfrüh daysTage -- these have not been doneerledigt on humansMenschen yetnoch --
340
792000
2000
In diesem Frühstadium -- nichts davon wurde bis jetzt am Menschen getestet --
13:29
but we're workingArbeiten on a varietyVielfalt of studiesStudien
341
794000
2000
aber wir arbeiten an einer Vielzahl von Studien
13:31
to try and examineprüfen this,
342
796000
2000
um das auszuprobieren und zu testen.
13:33
and so farweit we haven'thabe nicht seengesehen overtoffen reactionsReaktionen of any severityschwere
343
798000
3000
Bis jetzt gab es weder offene Reaktionen jeglicher Art
13:36
to these moleculesMoleküle
344
801000
2000
gegen die Moleküle
13:38
or to the illuminationBeleuchtung of the brainGehirn with lightLicht.
345
803000
3000
oder gegen die Beleuchtung des Gehirns.
13:41
So it's earlyfrüh daysTage, to be upfrontim Voraus, but we're excitedaufgeregt about it.
346
806000
3000
Um ehrlich zu sein, es ist wirklich ein Frühstadium, aber wir sind begeistert davon.
13:44
I wanted to closeschließen with one storyGeschichte,
347
809000
2000
Ich möchte mit einer Geschichte enden
13:46
whichwelche we think could potentiallymöglicherweise
348
811000
2000
von der wir glauben, es könnte vielleicht
13:48
be a clinicalklinisch applicationAnwendung.
349
813000
2000
klinische Anwendung finden.
13:50
Now there are manyviele formsFormen of blindnessBlindheit
350
815000
2000
Es gibt viele Formen von Blindheit,
13:52
where the photoreceptorsPhotorezeptoren,
351
817000
2000
wo die Photorezeptoren,
13:54
our lightLicht sensorsSensoren that are in the back of our eyeAuge, are goneWeg.
352
819000
3000
unsere Lichtsensoren, das Schwarze in unseren Augen, verloren sind.
13:57
And the retinaRetina, of courseKurs, is a complexKomplex structureStruktur.
353
822000
2000
Und die Netzhaut ist natürlich eine komplexe Struktur.
13:59
Now let's zoomZoomen in on it here, so we can see it in more detailDetail.
354
824000
2000
Hier sieht man es sehr detailliert.
14:01
The photoreceptorPhotorezeptor cellsZellen are showngezeigt here at the topoben,
355
826000
3000
Die Photorezeptorzellen sind hier ganz oben,
14:04
and then the signalsSignale that are detectederkannt by the photoreceptorsPhotorezeptoren
356
829000
2000
und die Signale, die von diesen Zellen aufgenommen werden
14:06
are transformedtransformiert by variousverschiedene computationsBerechnungen
357
831000
2000
werden durch verschiedenste Berechnungen umgeformt,
14:08
untilbis finallyendlich that layerSchicht of cellsZellen at the bottomBoden, the ganglionGanglion cellsZellen,
358
833000
3000
bis schließlich die unterste Schicht Zellen, die Ganglien,
14:11
relayRelais the informationInformation to the brainGehirn,
359
836000
2000
die Informationen zum Gehirn weiterleiten,
14:13
where we see that as perceptionWahrnehmung.
360
838000
2000
wo wir das schließlich wahrnehmen.
14:15
In manyviele formsFormen of blindnessBlindheit, like retinitisRetinitis pigmentosapigmentosa,
361
840000
3000
Bei vielen Formen von Blindheit, wie Retinitis pigmentosa,
14:18
or macularMakuladegeneration degenerationDegeneration,
362
843000
2000
oder der Makuladegeneration,
14:20
the photoreceptorPhotorezeptor cellsZellen have atrophiedverkümmert or been destroyedkaputt gemacht.
363
845000
3000
wo die Photorezeptoren verkümmert sind oder zerstört wurden.
14:23
Now how could you repairreparieren this?
364
848000
2000
Wie kann man das reparieren?
14:25
It's not even clearklar that a drugDroge could causeUrsache this to be restoredwiederhergestellt,
365
850000
3000
Es ist nicht einmal sicher, ob ein Medikament das heilen könnte,
14:28
because there's nothing for the drugDroge to bindbinden to.
366
853000
2000
weil es nichts gibt, woran man das Medikament binden kann.
14:30
On the other handHand, lightLicht can still get into the eyeAuge.
367
855000
2000
Andererseits gelangt Licht immer noch ins Auge.
14:32
The eyeAuge is still transparenttransparent and you can get lightLicht in.
368
857000
3000
Das Auge ist immer noch transparent und Licht gelangt hinein.
14:35
So what if we could just take these channelrhodopsinsKanalrhodopsine and other moleculesMoleküle
369
860000
3000
Was wäre also, wenn wir einfach diese Kanalrhodopsine und andere Moleküle nehmen könnten
14:38
and installInstallieren them on some of these other spareschonen cellsZellen
370
863000
2000
und sie auf einige der übrigen Zellen installieren könnten
14:40
and convertkonvertieren them into little camerasKameras.
371
865000
2000
und sie dadurch in kleine Kameras verwandeln.
14:42
And because there's so manyviele of these cellsZellen in the eyeAuge,
372
867000
2000
Und weil es so viele dieser Zellen im Auge gibt,
14:44
potentiallymöglicherweise, they could be very high-resolutionhohe Auflösung camerasKameras.
373
869000
3000
könnte das, eventuell, eine sehr hoch-aufgelöste Kamera sein.
14:47
So this is some work that we're doing.
374
872000
2000
Das ist ein Ausschnitt von dem, was wir gerade machen.
14:49
It's beingSein led by one of our collaboratorsMitarbeiter,
375
874000
2000
Es wird von einem unserer Mitarbeiter,
14:51
AlanAlan HorsagerHorsager at USCUSC,
376
876000
2000
Alan Horsager von der USC geleitet
14:53
and beingSein soughtgesucht to be commercializedin den Handel gebracht by a start-upStart-up companyUnternehmen EosEOS NeuroscienceNeurowissenschaften,
377
878000
3000
und was das Start-up Eos Neuroscience kommerzialisieren möchte,
14:56
whichwelche is fundedfinanziert by the NIHNIH.
378
881000
2000
finanziert vom NIH.
14:58
And what you see here is a mouseMaus tryingversuchen to solvelösen a mazeMatze.
379
883000
2000
Was Sie hier sehen, ist eine Maus, die versucht, einem Labyrinth zu entkommen.
15:00
It's a six-armsechs-arm mazeMatze. And there's a bitBit of waterWasser in the mazeMatze
380
885000
2000
Das Labyrinth hat sechs Arme und es ist etwas Wasser darin,
15:02
to motivatemotivieren the mouseMaus to moveBewegung, or he'llHölle just sitsitzen there.
381
887000
2000
damit die Maus sich bewegt und nicht einfach still sitzen bleibt.
15:04
And the goalTor, of courseKurs, of this mazeMatze
382
889000
2000
Das Ziel des Labyrinths ist natürlich
15:06
is to get out of the waterWasser and go to a little platformPlattform
383
891000
2000
das Wasser zu verlassen und zu der kleinen Plattform zu gelangen
15:08
that's underunter the litzündete topoben portHafen.
384
893000
2000
die unter dem oberen Öffnung liegt.
15:10
Now miceMäuse are smartsmart, so this mouseMaus solveslöst the mazeMatze eventuallyschließlich,
385
895000
3000
Die Maus ist schlau, sie wird das Labyrinth irgendwann lösen,
15:13
but he does a brute-forceBrute-Force- searchSuche.
386
898000
2000
aber sie macht eine Brute-Force-Suche.
15:15
He's swimmingSchwimmen down everyjeden avenueAvenue untilbis he finallyendlich getsbekommt to the platformPlattform.
387
900000
3000
Sie schwimmt jede Straße runter, bis sie schließlich die Plattform erreicht.
15:18
So he's not usingmit visionVision to do it.
388
903000
2000
Offenbar nutzt sie nicht ihre Sehkraft.
15:20
These differentanders miceMäuse are differentanders mutationsMutationen
389
905000
2000
Diese unterschiedlichen Mäuse sind verschiedene Mutationen
15:22
that recapitulaterekapitulieren differentanders kindsArten of blindnessBlindheit that affectbeeinflussen humansMenschen.
390
907000
3000
und zeigen die verschiedenen Arten der Blindheit, die Menschen haben können.
15:25
And so we're beingSein carefulvorsichtig in tryingversuchen to look at these differentanders modelsModelle
391
910000
3000
Wir versuchen also vorsichtig diese verschiedenen Modelle zu studieren
15:28
so we come up with a generalizedgeneralisierte approachAnsatz.
392
913000
2000
damit wir einen allgemeinen Ansatz finden.
15:30
So how are we going to solvelösen this?
393
915000
2000
Wie können wir das tun?
15:32
We're going to do exactlygenau what we outlinedbeschriebenen in the previousbisherige slidegleiten.
394
917000
2000
Wir machen genau das, was in der letzten Folie beschrieben wurde.
15:34
We're going to take these blueblau lightLicht photosensorsPhotosensoren
395
919000
2000
Wir nehmen diese Photosensoren für blaues Licht
15:36
and installInstallieren them on a layerSchicht of cellsZellen
396
921000
2000
und installieren sie auf einer Zellschicht
15:38
in the middleMitte of the retinaRetina in the back of the eyeAuge
397
923000
3000
in der Mitte der Netzhaut auf dem hinteren Teil des Auges
15:41
and convertkonvertieren them into a cameraKamera --
398
926000
2000
und verwandeln es in eine Kamera.
15:43
just like installingInstallation solarSolar- cellsZellen all over those neuronsNeuronen
399
928000
2000
Als würde man Solarzellen auf den Neuronen verteilen
15:45
to make them lightLicht sensitiveempfindlich.
400
930000
2000
um sie lichtempfindlich zu machen.
15:47
LightLicht is convertedkonvertiert to electricityElektrizität on them.
401
932000
2000
Licht wird auf ihnen dann in Strom umgewandelt.
15:49
So this mouseMaus was blindblind a couplePaar weeksWochen before this experimentExperiment
402
934000
3000
Diese Maus ein paar Wochen vor dem Experiment geblendet
15:52
and receivedempfangen one doseDosis of this photosensitivelichtempfindliche moleculeMolekül in a virusVirus.
403
937000
3000
und erhielt eine Dosis der lichtempfindlichen Moleküle in einem Virus.
15:55
And now you can see, the animalTier can indeedtatsächlich avoidvermeiden wallsWände
404
940000
2000
Nun kann man sehen, dass das Tier tatsächlich die Wände meidet
15:57
and go to this little platformPlattform
405
942000
2000
und zu der kleinen Plattform geht
15:59
and make cognitivekognitiv use of its eyesAugen again.
406
944000
3000
und seine Augen wieder nutzen kann.
16:02
And to pointPunkt out the powerLeistung of this:
407
947000
2000
Um die Bedeutsamkeit hervorzuheben:
16:04
these animalsTiere are ablefähig to get to that platformPlattform
408
949000
2000
diese Tiere erreichen die Plattform
16:06
just as fastschnell as animalsTiere that have seengesehen theirihr entireganz livesLeben.
409
951000
2000
genauso schnell wie Tiere, die ihr ganzes Leben lang sehen konnten.
16:08
So this pre-clinicalprä-klinischen studyStudie, I think,
410
953000
2000
Ich denke, diese vorklinische Studie
16:10
bodesist ein gutes Vorzeichen hopeHoffnung for the kindsArten of things
411
955000
2000
lässt auf die Dinge hoffen,
16:12
we're hopinghoffend to do in the futureZukunft.
412
957000
2000
die wir in Zukunft machen wollen.
16:14
To closeschließen, I want to pointPunkt out that we're alsoebenfalls exploringErkundung
413
959000
3000
Um zu schließen, möchte ich darauf hinweisen, dass wir auch
16:17
newneu businessGeschäft modelsModelle for this newneu fieldFeld of neurotechnologyNeurotechnologie.
414
962000
2000
neue Geschäftsmodelle für dieses neue Feld der Neurotechnologie prüfen.
16:19
We're developingEntwicklung these toolsWerkzeuge,
415
964000
2000
Wir entwickeln diese Werkzeuge,
16:21
but we shareAktie them freelyfrei with hundredsHunderte of groupsGruppen all over the worldWelt,
416
966000
2000
aber wir teilen sie kostenlos mit hunderten von Gruppen aus der ganzen Welt,
16:23
so people can studyStudie and try to treatbehandeln differentanders disordersStörungen.
417
968000
2000
damit andere das studieren können und verschiedene Krankheiten behandeln können.
16:25
And our hopeHoffnung is that, by figuringaufstellend out brainGehirn circuitsSchaltungen
418
970000
3000
Unsere Hoffnung ist, dass wir durch das Verstehen von Gehirnschaltkreisen
16:28
at a levelEbene of abstractionAbstraktion that letsLasst uns us repairreparieren them and engineerIngenieur them,
419
973000
3000
auf einer abstrakten Stufe diese reparieren und manipulieren können,
16:31
we can take some of these intractableunlösbare disordersStörungen that I told you about earliervorhin,
420
976000
3000
und wir einige der hartnäckigen Krankheiten, von denen ich früher gesprochen habe,
16:34
practicallypraktisch nonekeiner of whichwelche are curedgeheilt,
421
979000
2000
von denen praktisch keine geheilt werden kann,
16:36
and in the 21stst centuryJahrhundert make them historyGeschichte.
422
981000
2000
im 21. Jahrhundert Vergangenheit werden lassen können.
16:38
Thank you.
423
983000
2000
Danke sehr.
16:40
(ApplauseApplaus)
424
985000
13000
(Applaus)
16:53
JuanJuan EnriquezEnriquez: So some of the stuffSachen is a little densedicht.
425
998000
3000
Juan Enriquez: Das war mir jetzt ein bisschen viel.
16:56
(LaughterLachen)
426
1001000
2000
(Lachen)
16:58
But the implicationsImplikationen
427
1003000
2000
Aber die Implikationen
17:00
of beingSein ablefähig to controlsteuern seizuresAnfälle or epilepsyEpilepsie
428
1005000
3000
der Möglichkeit Anfälle oder Epilepsie
17:03
with lightLicht insteadstattdessen of drugsDrogen,
429
1008000
2000
durch Licht anstatt durch Medikamente zu behandeln
17:05
and beingSein ablefähig to targetZiel those specificallyspeziell
430
1010000
3000
und die Möglichkeit, diese direkt anzusprechen
17:08
is a first stepSchritt.
431
1013000
2000
ist ein erster Schritt.
17:10
The secondzweite thing that I think I heardgehört you say
432
1015000
2000
Die zweite Sache, ich die Sie glaube ich gesagt haben,
17:12
is you can now controlsteuern the brainGehirn in two colorsFarben,
433
1017000
3000
ist, dass Sie inzwischen das Gehirn mit zwei Farben kontrollieren können,
17:15
like an on/off switchSchalter.
434
1020000
2000
wie ein An/Aus-Schalter.
17:17
EdEd BoydenBoyden: That's right.
435
1022000
2000
Ed Boyden: Das stimmt.
17:19
JEJE: WhichDie makesmacht everyjeden impulseImpuls going throughdurch the brainGehirn a binarybinär codeCode.
436
1024000
3000
JE: Was jeden einzelnen Impuls, der durch das Gehirn geht, zu einem binären Code macht.
17:22
EBEB: Right, yeah.
437
1027000
2000
EB: Richtig.
17:24
So with blueblau lightLicht, we can driveFahrt informationInformation, and it's in the formbilden of a one.
438
1029000
3000
Mit blauem Licht können wir Informationen lenken, es ist eine eins.
17:27
And by turningDrehen things off, it's more or lessWeniger a zeroNull.
439
1032000
2000
Und durch Ausschalten ist es mehr oder weniger eine null.
17:29
So our hopeHoffnung is to eventuallyschließlich buildbauen brainGehirn coprocessorsCoprozessoren
440
1034000
2000
Wir hoffen, dass wir letztendlich einen Gehirn-Koprozessor bauen können,
17:31
that work with the brainGehirn
441
1036000
2000
der mit dem Gehirn zusammenarbeitet,
17:33
so we can augmentAugment functionsFunktionen in people with disabilitiesBehinderungen.
442
1038000
3000
so dass wir die Fähigkeiten von Leuten mit Behinderungen erweitern können.
17:36
JEJE: And in theoryTheorie, that meansmeint that,
443
1041000
2000
JE: Und in der Theorie heißt dass,
17:38
as a mouseMaus feelsfühlt sich, smellsriecht,
444
1043000
2000
dass während eine Maus fühlt, riecht,
17:40
hearshört, touchesberührt,
445
1045000
2000
hört und berührt,
17:42
you can modelModell- it out as a stringZeichenfolge of onesEinsen and zerosNullen.
446
1047000
3000
Sie das als eine Reihe von Nullen und Einsen auslesen können.
17:45
EBEB: Sure, yeah. We're hopinghoffend to use this as a way of testingtesten
447
1050000
2000
Ja, klar. Wir hoffen, dass wir auf diese Art und Weise testen können,
17:47
what neuralneuronale codesCodes can driveFahrt certainsicher behaviorsVerhaltensweisen
448
1052000
2000
welche neuralen Codes bestimmte Verhalten steuern
17:49
and certainsicher thoughtsGedanken and certainsicher feelingsGefühle,
449
1054000
2000
und bestimmte Gedanken und bestimmte Gefühle,
17:51
and use that to understandverstehen more about the brainGehirn.
450
1056000
3000
und das nutzen können, um das Gehirn besser zu verstehen.
17:54
JEJE: Does that mean that some day you could downloadherunterladen memoriesErinnerungen
451
1059000
3000
JE: Heißt das, dass man eines Tages Erinnerungen herunterladen
17:57
and maybe uploadhochladen them?
452
1062000
2000
und vielleicht sogar hochladen kann?
17:59
EBEB: Well that's something we're startingbeginnend to work on very hardhart.
453
1064000
2000
EB: Wir haben angefangen, daran zu arbeiten.
18:01
We're now workingArbeiten on some work
454
1066000
2000
Im Moment arbeiten wir an etwas
18:03
where we're tryingversuchen to tileFliese the brainGehirn with recordingAufzeichnung elementsElemente too.
455
1068000
2000
wo wir versuchen, auch Aufnahmegeräte am Gehirn anzubringen.
18:05
So we can recordAufzeichnung informationInformation and then driveFahrt informationInformation back in --
456
1070000
3000
Dadurch können wir Informationen aufnehmen und dann wieder Informationen hinein senden --
18:08
sortSortieren of computingComputer what the brainGehirn needsBedürfnisse
457
1073000
2000
mehr oder weniger berechnen, was Gehirn braucht
18:10
in orderAuftrag to augmentAugment its informationInformation processingwird bearbeitet.
458
1075000
2000
um seine Informationsverarbeitung zu verbessern.
18:12
JEJE: Well, that mightMacht changeVeränderung a couplePaar things. Thank you. (EBEB: Thank you.)
459
1077000
3000
JE: Nun, dass könnte einiges verändern. Vielen Dank. (EB: Danke sehr.)
18:15
(ApplauseApplaus)
460
1080000
3000
(Applaus)
Translated by Paul Boeck
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Ed Boyden - Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute.

Why you should listen

Ed Boyden leads the Synthetic Neurobiology Group, which develops tools for analyzing and repairing complex biological systems such as the brain. His group applies these tools in a systematic way in order to reveal ground truth scientific understandings of biological systems, which in turn reveal radical new approaches for curing diseases and repairing disabilities. These technologies include expansion microscopy, which enables complex biological systems to be imaged with nanoscale precision, and optogenetic tools, which enable the activation and silencing of neural activity with light (TED Talk: A light switch for neurons). Boyden also co-directs the MIT Center for Neurobiological Engineering, which aims to develop new tools to accelerate neuroscience progress.

Amongst other recognitions, Boyden has received the Breakthrough Prize in Life Sciences (2016), the BBVA Foundation Frontiers of Knowledge Award (2015), the Carnegie Prize in Mind and Brain Sciences (2015), the Jacob Heskel Gabbay Award (2013), the Grete Lundbeck Brain Prize (2013) and the NIH Director's Pioneer Award (2013). He was also named to the World Economic Forum Young Scientist list (2013) and the Technology Review World's "Top 35 Innovators under Age 35" list (2006). His group has hosted hundreds of visitors to learn how to use new biotechnologies and spun out several companies to bring inventions out of his lab and into the world. Boyden received his Ph.D. in neurosciences from Stanford University as a Hertz Fellow, where he discovered that the molecular mechanisms used to store a memory are determined by the content to be learned. Before that, he received three degrees in electrical engineering, computer science and physics from MIT. He has contributed to over 300 peer-reviewed papers, current or pending patents and articles, and he has given over 300 invited talks on his group's work.

More profile about the speaker
Ed Boyden | Speaker | TED.com