ABOUT THE SPEAKER
Barry Schuler - Entrepreneur
Barry Schuler's multimedia firm Medior built key interactive technologies for AOL, helping millions connect to the Internet through a simple, accessible interface. Now, through venture capital (and wine appreciation), he wants to do the same for genomics.

Why you should listen

If in the mid-'90s tech revolution you found yourself intimidated by command lines (or computers in general), chances are you had your first encounter with email through America Online. Above those first-month-free CDs, the main appeal was its easy-as-a-microwave interface, which Barry Schuler and his team at Medior designed. While the other techies were complaining of eternal September, Schuler remained a populist, passionate about spreading accessibility to the next generation of services that he foresaw changing the world. (Earlier, he had developed and marketed color desktop apps for Apple.)

Schuler later served as AOL's CEO when it acquired Time Warner. But now, as high-tech democratization continues, Schuler wants to direct the momentum toward genomics. As managing director of Draper Fisher Jurvetson, he's funding next-thing projects in tech, and he also serves on the board of Synthetic Genomics. A lover of wine (and a proponent of using genetics to enhance wine grapes), he owns Meteor Vineyard in Napa Valley. He's currently CEO of Raydiance, which is developing laser technology for healthcare use.

More profile about the speaker
Barry Schuler | Speaker | TED.com
Taste3 2008

Barry Schuler: Genomics 101

Barry Schuler: Grundkurs Genomik – eine Einführung

Filmed:
454,548 views

Was ist Genomik? Wie beeinflusst sie unser Leben? in diesem fesselnden Elementarvortrag über die Genom-Revolution sagt der Unternehmer Barry Schuler, dass wir uns mindestens gesündere und schmackhaftere Nahrung erwarten dürfen. Er schlägt vor, mit dem Spätburgunder anzufangen, um bessere Reben zu konstruieren.
- Entrepreneur
Barry Schuler's multimedia firm Medior built key interactive technologies for AOL, helping millions connect to the Internet through a simple, accessible interface. Now, through venture capital (and wine appreciation), he wants to do the same for genomics. Full bio

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

00:16
What's happeningHappening in genomicsGenomik,
0
0
2000
Worum geht's bei der Genomik,
00:18
and how this revolutionRevolution is about to changeVeränderung everything we know
1
2000
5000
und wie wird diese Revolution
einfach alles verändern, was
00:23
about the worldWelt, life, ourselvesuns selbst, and how we think about them.
2
7000
7000
wir über die Welt, das Leben, uns selbst
wissen und wie wir darüber denken?
00:30
If you saw 2001: A SpaceRaum OdysseyOdyssee,
3
14000
3000
Wer ›2001: Odyssee im Weltraum‹
gesehen hat, weiß,
00:33
and you heardgehört the boomBoom, boomBoom, boomBoom, boomBoom, and you saw the monolithMonolith,
4
17000
4000
dass Arthur C. Clarke
mit dem »bum, bum, bum, bum« und
00:37
you know, that was ArthurArthur C. Clarke'sClarkes representationDarstellung
5
21000
4000
dem Monolithen ausdrücken wollte,
dass wir an einem
00:41
that we were at a seminalzukunftsträchtige momentMoment in the evolutionEvolution of our speciesSpezies.
6
25000
4000
Wendepunkt in der Evolution
unserer Art stehen.
00:45
In this caseFall, it was pickingpflücken up bonesKnochen and creatingErstellen a toolWerkzeug,
7
29000
4000
Es ging darum, Knochen als Werkzeug
zu benutzen – will sagen:
00:49
usingmit it as a toolWerkzeug, whichwelche meantgemeint that apesAffen just, sortSortieren of,
8
33000
4000
die Affen rennen rum und essen
und treiben es miteinander
00:53
runningLaufen around and eatingEssen and doing eachjede einzelne other
9
37000
2000
und finden plötzlich heraus,
00:55
figuredabgebildet out they can make things if they used a toolWerkzeug.
10
39000
6000
dass sie Dinge herstellen können,
wenn sie dazu ein Werkzeug benutzen.
01:01
And that movedbewegt us to the nextNächster levelEbene.
11
45000
3000
Das hat uns auf die nächste Stufe gebracht.
01:04
And, you know, we in the last 30 yearsJahre in particularinsbesondere
12
48000
4000
Speziell in den letzten 30 Jahren
haben wir einen geradezu
01:08
have seengesehen this accelerationBeschleunigung in knowledgeWissen and technologyTechnologie,
13
52000
4000
rasanten Fortschritt in Wissenschaft
und Technologie gesehen,
01:12
and technologyTechnologie has bredgezüchtet more knowledgeWissen and givengegeben us toolsWerkzeuge.
14
56000
3000
was uns noch mehr Wissen und
Werkzeuge eingebracht hat.
01:15
And we'vewir haben seengesehen manyviele seminalzukunftsträchtige momentsMomente.
15
59000
2000
Es gab viele bahnbrechende Schritte.
01:17
We'veWir haben seengesehen the creationSchaffung of smallklein computersComputer in the '70s and earlyfrüh '80s,
16
61000
4000
Es kamen die Kleinrechner
in den 70ern und frühen 80ern,
01:21
and who would have thought back then that everyjeden singleSingle personPerson
17
65000
3000
und wer hätte je gedacht, dass jeder von uns
01:24
would not have just one computerComputer but probablywahrscheinlich 20,
18
68000
3000
nicht nur einen Computer, sondern eher 20
01:27
in your home, and in not just your P.C. but in everyjeden deviceGerät --
19
71000
5000
daheim haben würden, und es ist
nicht nur der PC, sondern in jedem Gerät –
01:32
in your washingWaschen machineMaschine, your cellZelle phoneTelefon.
20
76000
3000
in der Waschmaschine, im Mobiltelefon,
01:35
You're walkingGehen around; your carAuto has 12 microprocessorsMikroprozessoren.
21
79000
4000
Man bewegt sich wohin: Das Auto
hat zwölf Microprozessoren.
01:39
Then we go alongeine lange and createerstellen the InternetInternet
22
83000
2000
Und dann erfinden wir das Internet
01:41
and connectverbinden the worldWelt togetherzusammen; we flattenAbflachen the worldWelt.
23
85000
3000
und verbinden die Welt, machen sie flach.
01:44
We'veWir haben seengesehen so much changeVeränderung, and we'vewir haben givengegeben ourselvesuns selbst these toolsWerkzeuge now --
24
88000
5000
In der letzten Zeit hat sich sehr viel
verändert, und wir haben uns selbst
01:49
these high-poweredleistungsstark toolsWerkzeuge --
25
93000
2000
neue Werkzeuge geschaffen –
01:51
that are allowingZulassen us to turnWende the lensLinse inwardnach innen
26
95000
4000
sehr mächtige Werkzeuge –
mit denen wir nach innen
01:55
into something that is commonverbreitet to all of us, and that is a genomeGenom.
27
99000
5000
auf etwas schauen können, was wir alle
gemein haben, und das ist das Genom.
02:00
How'sWie geht es your genomeGenom todayheute? Have you thought about it latelyin letzter Zeit?
28
104000
5000
Wie geht's Ihrem Genom heute?
Haben Sie in letzter Zeit mal dran gedacht?
02:05
HeardGehört about it, at leastam wenigsten? You probablywahrscheinlich hearhören about genomesGenome these daysTage.
29
109000
5000
Oder was von gehört? Wahrscheinlich
hört man heutzutage was über Genome.
02:10
I thought I'd take a momentMoment to tell you what a genomeGenom is.
30
114000
3000
Ich erzähl Ihnen mal kurz,
was ein Genom ist.
02:13
It's, sortSortieren of, like if you askFragen people,
31
117000
2000
Wenn man die Leute fragt:
02:15
Well, what is a megabyteMegabyte or megabitMegabit? And what is broadbandBreitband?
32
119000
3000
»Was bedeuten Megabyte, Megabit, Breitband?«
02:18
People never want to say, I really don't understandverstehen.
33
122000
3000
sagen die ungern: »Ich weiß nicht so genau.«
02:21
So, I will tell you right off of the batFledermaus.
34
125000
1000
Ich erzähl es Ihnen.
02:22
You've heardgehört of DNADNA; you probablywahrscheinlich studiedstudiert a little bitBit in biologyBiologie.
35
126000
4000
Sie haben schon einmal was von DNA gehört,
vielleicht in Biologie.
02:26
A genomeGenom is really a descriptionBeschreibung for
all of the DNADNA that is in a livingLeben organismOrganismus.
36
130000
7000
Ein Genom ist die Beschreibung der gesamten
DNA in einem lebenden Organismus.
02:33
And one thing that is commonverbreitet to all of life is DNADNA.
37
137000
6000
DNA ist das, was allem Leben gemein ist.
02:39
It doesn't matterAngelegenheit whetherob you're a yeastHefe;
38
143000
2000
Egal, ob Sie eine Hefe sind;
02:41
it doesn't matterAngelegenheit whetherob you're a mouseMaus;
39
145000
2000
egal, ob Sie eine Maus sind;
02:43
doesn't matterAngelegenheit whetherob you're a flyFliege; we all have DNADNA.
40
147000
4000
egal ob Sie eine Fliege sind –
wir alle haben DNA.
02:47
The DNADNA is organizedorganisiert in wordsWörter, call them: genesGene and chromosomesChromosomen.
41
151000
7000
Die DNA ist in Worten angeordnet,
den sogenannten Genen und Chromosomen
02:54
And when WatsonWatson and CrickCrick in the '50s
42
158000
4000
Als Watson und Crick in den 50ern erstmals
02:58
first decodedentschlüsselt this beautifulschön doubledoppelt helixWendel that we know as the DNADNA moleculeMolekül --
43
162000
6000
diese wundervolle Doppelhelix entzifferten,
die wir heute als das DNA-Molekül kennen –
03:04
very long, complicatedkompliziert moleculeMolekül --
44
168000
2000
ein sehr langes, komplexes Molekül –
03:06
we then startedhat angefangen on this journeyReise to understandverstehen that
45
170000
4000
begann unsere Reise zum Verständnis
der DNA als Sprache,
03:10
insideinnen of that DNADNA is a languageSprache that determinesbestimmt the characteristicsCharakteristik, our traitsZüge,
46
174000
6000
die unsere charakteristischen Eigenschaften
bestimmt, was wir vererbt bekommen,
03:16
what we inheritErben, what diseasesKrankheiten we maykann get.
47
180000
3000
welche Krankheiten wir bekommen können.
03:19
We'veWir haben alsoebenfalls alongeine lange the way discoveredentdeckt that this is a very oldalt moleculeMolekül,
48
183000
6000
Unterwegs haben wir herausgefunden,
dass dieses Molekül schon sehr alt ist,
03:25
that all of the DNADNA in your bodyKörper has been around foreverfür immer,
49
189000
6000
dass die ganze DNA praktisch
schon immer in unserem Körper steckt,
03:31
sinceschon seit the beginningAnfang of us, of us as creaturesKreaturen.
50
195000
4000
seit unseren Anfängen als Kreaturen.
03:35
There is a historicalhistorisch archiveArchiv.
51
199000
2000
Sie ist ein Geschichtsarchiv.
03:37
LivingLeben in your genomeGenom is the historyGeschichte of our speciesSpezies,
52
201000
5000
In unserem Genom steckt
sowohl die Geschichte unserer Art
03:42
and you as an individualPerson humanMensch beingSein, where you're from,
53
206000
6000
als auch die jedes Einzelnen von uns,
wo wir herkommen, und sie reicht
03:48
going back thousandsTausende and thousandsTausende and thousandsTausende of yearsJahre,
54
212000
3000
Tausende und Abertausende
von Jahren zurück,
03:51
and that's now startingbeginnend to be understoodverstanden.
55
215000
3000
und das fangen wir gerade zu verstehen an.
03:54
But alsoebenfalls, the genomeGenom is really the instructionAnweisung manualHandbuch.
56
218000
5000
Das Genom ist so etwas
wie eine Betriebsanleitung.
03:59
It is the programProgramm. It is the codeCode of life.
57
223000
3000
Es ist das Programm.
Es ist der Code des Lebens.
04:02
It is what makesmacht you functionFunktion;
58
226000
2000
Das lässt uns funktionieren;
04:04
it is what makesmacht everyjeden organismOrganismus functionFunktion.
59
228000
4000
das lässt jeden Organismus funktionieren.
04:08
DNADNA is a very elegantelegant moleculeMolekül.
60
232000
3000
DNA ist ein sehr elegantes Molekül.
04:11
It's long and it's complicatedkompliziert.
61
235000
2000
Es ist lang und kompliziert.
04:13
Really all you have to know about it is that there's fourvier lettersBriefe:
62
237000
5000
Man braucht nur zu wissen, dass es sich
aus vier Buchstaben zusammensetzt:
04:18
A, T, C, G; they representvertreten the nameName of a chemicalchemisch.
63
242000
4000
A, T, C, G; sie stehen für
die Namen von chemischen Substanzen.
04:22
And with these fourvier lettersBriefe, you can createerstellen a languageSprache:
64
246000
5000
Mit diesen vier Buchstaben
kann man eine Sprache bilden,
04:27
a languageSprache that can describebeschreiben anything, and very complicatedkompliziert things.
65
251000
5000
mit der man selbst komplizierteste
Sachverhalte beschreiben kann.
04:32
You know, they are generallyallgemein put togetherzusammen in pairsPaare,
66
256000
3000
Allgemein fasst man sie zu Paaren zusammen,
04:35
creatingErstellen a wordWort or what we call baseBase pairsPaare.
67
259000
3000
die dann die Worte bilden – die Basenpaare.
04:38
And you would, you know, when you think about it,
68
262000
3000
Wenn man mal drüber nachdenkt:
04:41
fourvier lettersBriefe, or the representationDarstellung of fourvier things, makesmacht us work.
69
265000
6000
vier Buchstaben, oder die Bezeichner
für vier Dinge, lassen uns funktionieren.
04:47
And that maykann not soundklingen very intuitiveintuitiv,
70
271000
3000
Das hört sich nicht sehr naturgegeben an,
04:50
but let me flipflip over to something elsesonst you know about, and that's computersComputer.
71
274000
4000
aber lassen Sie mich mal
zu etwas anderem wechseln: Computer.
04:54
Look at this screenBildschirm here and, you know, you see picturesBilder
72
278000
4000
Sehen Sie auf diesen Bildschirm:
man sieht Bilder und Wörter,
04:58
and you see wordsWörter, but really all there are are onesEinsen and zerosNullen.
73
282000
4000
aber tatsächlich besteht das alles
aus Einsen und Nullen.
05:02
The languageSprache of technologyTechnologie is binarybinär;
74
286000
4000
Wahrscheinlich haben Sie irgendwann
schon einmal davon gehört:
05:06
you've probablywahrscheinlich heardgehört that at some pointPunkt in time.
75
290000
2000
Die Sprache der Technologie ist binär.
05:08
Everything that happensdas passiert in digitaldigital is convertedkonvertiert,
76
292000
4000
Alles was im Digitalen abläuft,
wird konvertiert,
05:12
or a representationDarstellung, of a one and a zeroNull.
77
296000
3000
durch die Eins und die Null dargestellt.
05:15
So, when you're listeningHören to iTunesiTunes and your favoriteFavorit musicMusik-,
78
299000
5000
Wenn man also iTunes und seiner
Lieblingsmusik lauscht, werden da
05:20
that's really just a bunchBündel of onesEinsen and zerosNullen playingspielen very quicklyschnell.
79
304000
3000
ganz schnell viele Einsen
und Nullen abgespielt.
05:23
When you're seeingSehen these picturesBilder, it's all onesEinsen and zerosNullen,
80
307000
3000
Man sieht diese Bilder –
alles Einsen und Nullen.
05:26
and when you're talkingim Gespräch on your telephoneTelefon, your cellZelle phoneTelefon,
81
310000
3000
Man telefoniert mit dem Mobiltelefon,
05:29
and it's going over the networkNetzwerk,
82
313000
2000
und wie von Zauberhand
05:31
your voiceStimme is all beingSein turnedgedreht into onesEinsen and zerosNullen and magicallymagisch whizzedsausten around.
83
315000
4000
saust die Stimme als Folge
von Einsen und Nullen durchs Netz.
05:35
And look at all the complexKomplex things and wonderfulwunderbar things
84
319000
3000
Was für komplexe und
wunderbare Dinge man
05:38
we'vewir haben been ablefähig to createerstellen with just a one and a zeroNull.
85
322000
3000
nur mit einer Eins und
einer Null kreieren kann.
05:41
Well, now you rampRampe that up to fourvier, and you have a lot of complexityKomplexität,
86
325000
6000
Jetzt stocken wir das mal auf vier auf,
dann haben wir ganz schön viel Komplexität,
05:47
a lot of waysWege to describebeschreiben mechanismsMechanismen.
87
331000
4000
ganz schön viele Methoden,
Mechanismen zu beschreiben.
05:51
So, let's talk about what that meansmeint.
88
335000
2000
Was bedeutet das?
05:53
So, if you look at a humanMensch genomeGenom,
89
337000
2000
Das menschliche Genom
05:55
they consistbestehen of 3.2 billionMilliarde of these baseBase pairsPaare. That's a lot.
90
339000
6000
besteht aus 3,2 Milliarden Basenpaaren.
Das ist eine ganze Menge.
06:01
And they mixmischen up in all differentanders fashionsModen,
91
345000
2000
Die vielen möglichen Kombinationen
06:03
and that makesmacht you a humanMensch beingSein.
92
347000
3000
machen aus Ihnen einen Menschen.
06:06
If you convertkonvertieren that to binarybinär, just to give you a little bitBit of sizingDimensionierung,
93
350000
5000
Wenn man das binär schriebe,
nur um mal eine Größenordnung anzugeben,
06:11
we're actuallytatsächlich smallerkleiner than the programProgramm MicrosoftMicrosoft OfficeBüro.
94
355000
4000
wären wir kleiner als
das Programm Microsoft Office.
06:15
It's not really all that much dataDaten.
95
359000
4000
Es sind nämlich tatsächlich
gar nicht so viele Daten,
06:19
I will alsoebenfalls tell you we're at leastam wenigsten as buggyBuggy.
96
363000
3000
aber mindestens genauso viele Defekte.
06:22
(LaughterLachen)
97
366000
3000
(Lachen)
06:25
This here is a bugFehler in my genomeGenom
98
369000
4000
Das hier ist ein Defekt in meinem Genom,
06:29
that I have struggledkämpfte with for a long, long time.
99
373000
5000
mit dem ich mich schon seit langer,
langer Zeit rumschlage.
06:34
When you get sickkrank, it is a bugFehler in your genomeGenom.
100
378000
5000
Wenn Sie krank werden, ist das
ein Defekt in Ihrem Genom.
06:39
In factTatsache, manyviele, manyviele diseasesKrankheiten we have struggledkämpfte with for a long time,
101
383000
5000
Viele der Krankheiten, mit denen
wir uns schon lange rumgeschlagen haben,
06:44
like cancerKrebs, we haven'thabe nicht been ablefähig to cureheilen
102
388000
3000
wie zum Beispiel Krebs,
konnten wir nicht heilen,
06:47
because we just don't understandverstehen how it worksWerke at the genomicgenomische levelEbene.
103
391000
4000
weil wir einfach nicht wussten,
was da auf Genomebene abläuft.
06:51
We are startingbeginnend to understandverstehen that.
104
395000
2000
Wir fangen erst an, das zu verstehen.
06:53
So, up to this pointPunkt we triedversucht to fixFix it
105
397000
2000
Bisher haben wir versucht,
06:55
by usingmit what I call shit-against-the-wallScheiße-gegen-die-Wand pharmacologyPharmakologie,
106
399000
4000
eine Art ›Scheiß die Wand an‹-
Pharmakologie zu betreiben,
06:59
whichwelche meansmeint, well, let's just throwwerfen chemicalsChemikalien at it,
107
403000
3000
nach dem Motto:
»Lasst uns Chemie draufwerfen,
07:02
and maybe it's going to make it work.
108
406000
2000
vielleicht klappt's ja.«
07:04
But if you really understandverstehen why does a cellZelle go from normalnormal cellZelle to cancerKrebs?
109
408000
7000
Wenn man wirklich verstünde, warum aus
einer normalen Zelle eine Krebszelle wird,
07:11
What is the codeCode?
110
415000
2000
was der Code dafür ist,
07:13
What are the exactgenau instructionsAnleitung that are makingHerstellung it do that?
111
417000
4000
welche Anweisungen genau sie das tun lassen,
07:17
then you can go about the processverarbeiten of tryingversuchen to fixFix it and figureZahl it out.
112
421000
4000
könnte man versuchen,
eine Reparatur in Angriff zu nehmen.
07:21
So, for your nextNächster dinnerAbendessen over a great bottleFlasche of wineWein, here'shier ist a fewwenige factoidsFaktoide for you.
113
425000
5000
Für den Smalltalk bei Ihrem nächsten
Abendessen mit einem köstlichen Wein:
07:26
We actuallytatsächlich have about 24,000 genesGene that do things.
114
430000
4000
Wir haben etwa 24.000 Gene, die etwas tun,
07:30
We have about a hundredhundert, 120,000 othersAndere
115
434000
4000
und etwa 100-, 120.000 andere,
die nicht jeden Tag
07:34
that don't appearerscheinen to functionFunktion everyjeden day,
116
438000
3000
etwas zu tun haben,
sondern das Zehntausende
07:37
but representvertreten this archivalArchivierung historyGeschichte of how we used to work as a speciesSpezies
117
441000
5000
von Jahren zurückreichende
Geschichtsarchiv darüber bilden,
07:42
going back tenszehn of thousandsTausende of yearsJahre.
118
446000
3000
wie wir als Art mal funktioniert haben.
07:45
You mightMacht alsoebenfalls be interestedinteressiert in knowingzu wissen
119
449000
2000
Vielleicht auch interessant:
07:47
that a mouseMaus has about the samegleich amountMenge of genesGene.
120
451000
2000
eine Maus hat auch etwa so viele Gene.
07:49
They recentlyvor kurzem sequencedsequenziert PinotPinot NoirNoir, and it alsoebenfalls has about 30,000 genesGene,
121
453000
7000
Unlängst haben sie Spätburgunder sequenziert,
und der hat auch etwa 30.000 Gene.
07:56
so the numberNummer of genesGene you have maykann not necessarilyNotwendig representvertreten the complexityKomplexität
122
460000
4000
Die Anzahl der Gene stellt also
nicht unbedingt die Komplexität
08:00
or the evolutionaryevolutionär orderAuftrag of any particularinsbesondere speciesSpezies.
123
464000
5000
oder die Evolutions-Ordnung
einer speziellen Art dar.
08:05
Now, look around: just look nextNächster to your neighborNachbar,
124
469000
3000
Jetzt schauen Sie sich mal
an Ihrem Platz um:
08:08
look forwardVorwärts-, look backwardrückwärts. We all look prettyziemlich differentanders.
125
472000
2000
wir sehen alle verschieden aus.
08:10
A lot of very handsomegut aussehend and prettyziemlich people here, skinnydünn, chubbymollig,
126
474000
4000
Ein Haufen attraktiver und hübscher
Leute hier, mager, mollig,
08:14
differentanders racesRennen, culturesKulturen. We are all 99.9% geneticallygenetisch equalgleich.
127
478000
8000
alle Rassen, alle Kulturen. Aber:
genetisch sind wir zu 99,9 % gleich.
08:22
It is one one-hundredthein Hundertstel of one percentProzent of geneticgenetisch materialMaterial
128
486000
4000
Schon [ein Hundertstel] eines Prozentes
08:26
that makesmacht the differenceUnterschied betweenzwischen any one of us.
129
490000
3000
macht die Unterschiede zwischen uns aus.
08:29
That's a tinysehr klein amountMenge of materialMaterial,
130
493000
2000
Das ist nur eine winziges bisschen
08:31
but the way that ultimatelyletzten Endes expressesdrückt aus itselfselbst
131
495000
4000
an Material, aber darin,
wie es sich darstellt,
08:35
is what makesmacht changesÄnderungen in humansMenschen and in all speciesSpezies.
132
499000
5000
liegen die Unterschieden zwischen
den Menschen, und bei allen Arten.
08:40
So, we are now ablefähig to readlesen genomesGenome.
133
504000
3000
Wir können jetzt also Genome lesen.
08:43
The first humanMensch genomeGenom tookdauerte 10 yearsJahre, threedrei billionMilliarde dollarsDollar.
134
507000
5000
Das erste menschliche Genom brauchte
zehn Jahre und drei Milliarden Dollar.
08:48
It was doneerledigt by DrDr. CraigCraig VenterVenter.
135
512000
3000
Das hat damals Dr. Craig Venter gemacht.
08:51
And then JamesJames Watson'sWatsons -- one of the co-foundersCo-Gründer of DNADNA --
136
515000
4000
Dann wurde James Watsons Genom
– einer der Gründer der DNA –
08:55
genomeGenom was doneerledigt for two millionMillion dollarsDollar, and in just two monthsMonate.
137
519000
4000
für zwei Millionen Dollar und
in nur zwei Monaten sequenziert.
08:59
And if you think about the computerComputer industryIndustrie
138
523000
2000
Bei Computern sind wir
09:01
and how we'vewir haben goneWeg from biggroß computersComputer to little onesEinsen
139
525000
3000
von großen Rechnern auf kleine gekommen,
09:04
and how they get more powerfulmächtig and fasterschneller all the time,
140
528000
4000
und sie werden laufend
mächtiger und schneller –
09:08
the samegleich thing is happeningHappening with geneGen sequencingSequenzierung now:
141
532000
2000
die gleiche Entwicklung
09:10
we are on the cuspHöcker of beingSein ablefähig to sequenceSequenz humanMensch genomesGenome
142
534000
4000
haben wir beim Sequenzieren
von Genen: menschliche Genome
09:14
for about 5,000 dollarsDollar in about an hourStunde or a half-hourhalbe Stunde;
143
538000
5000
werden in den nächsten fünf Jahren
für etwa 5000 Dollar in weniger
09:19
you will see that happengeschehen in the nextNächster fivefünf yearsJahre.
144
543000
2000
als einer Stunde sequenziert.
09:21
And what that meansmeint is, you are going to walkgehen around
145
545000
2000
Das bedeutet, dass man
09:23
with your ownbesitzen personalpersönlich genomeGenom on a smartsmart cardKarte. It will be here.
146
547000
6000
mit einer Plastikkarte rumlaufen kann,
auf der das eigene Genom gespeichert ist.
09:29
And when you buykaufen medicineMedizin,
147
553000
2000
Wenn man dann Medizin kauft,
09:31
you won'tGewohnheit be buyingKauf a drugDroge that's used for everybodyjeder.
148
555000
3000
kauft man keine Medizin für jedermann mehr.
09:34
You will give your genomeGenom to the pharmacistApotheker,
149
558000
3000
Man gibt dem Apotheker
sein Genom, und der macht
09:37
and your drugDroge will be madegemacht for you
150
561000
2000
daraus eine maßgeschneiderte Medizin
09:39
and it will work much better than the onesEinsen that were --
151
563000
2000
die besser ist als die heutigen –
09:41
you won'tGewohnheit have sideSeite effectsAuswirkungen.
152
565000
2000
sie hat keinerlei Nebenwirkungen.
09:43
All those sideSeite effectsAuswirkungen, you know, oilyölige residueRückstände and, you know,
153
567000
3000
Die Nebenwirkungen, ölige Rückstände und
09:46
whateverwas auch immer they say in those commercialsWerbung: forgetvergessen about that.
154
570000
4000
all das Zeug, von dem sie
in der Werbung reden: Vergiss es.
09:50
They're going to make all that stuffSachen go away.
155
574000
2000
Das wird alles verschwinden.
09:52
What does a genomeGenom look like?
156
576000
3000
Wie sieht ein Genom aus?
09:55
Well, there it is. It is a long, long seriesSerie of these baseBase pairsPaare.
157
579000
6000
So. – Es ist eine lange,
lange Folge dieser Basenpaare.
10:01
If you saw the genomeGenom for a mouseMaus or for a humanMensch it would look no differentanders than this,
158
585000
4000
Das Genom einer Maus oder
eines Menschen sieht ungefähr so aus,
10:05
but what scientistsWissenschaftler are doing now is
159
589000
2000
aber mittlerweile verstehen
10:07
they're understandingVerstehen what these do and what they mean.
160
591000
4000
die Wissenschaftler, was die tun,
und was sie bedeuten.
10:11
Because what NatureNatur is doing is double-clickingDoppelklick auf all the time.
161
595000
4000
Weil: Die Natur doppelt-klickt die ganze Zeit.
10:15
In other wordsWörter, the first couplePaar of sentencesSätze here,
162
599000
4000
Anders ausgedrückt: wenn man
davon ausgeht, dass das hier
10:19
assumingunter der Annahme this is a grapeTraube plantPflanze:
163
603000
2000
eine Traubenpflanze ist, heißt das:
10:21
make a rootWurzel, make a branchAst, createerstellen a blossomBlüte.
164
605000
4000
bilde eine Wurzel, bilde
einen Zweig, bilde eine Blüte.
10:25
In a humanMensch beingSein, down in here it could be:
165
609000
4000
Bei einem Menschen könnte das heißen:
10:29
make bloodBlut cellsZellen, startAnfang cancerKrebs.
166
613000
4000
produziere Blutzellen, mach Krebs.
10:33
For me it maykann be: everyjeden calorieKalorie you consumeverbrauchen, you conservezu sparen,
167
617000
7000
Für mich könnte das sein: Speichere
jede Kalorie, die vorbei kommt –
10:40
because I come from a very coldkalt climateKlima.
168
624000
3000
weil ich aus einer sehr kalten Gegend komme.
10:43
For my wifeEhefrau: eatEssen threedrei timesmal as much and you never put on any weightGewicht.
169
627000
4000
Für meine Frau: Iss dreimal so viel
und lege kein Gramm zu.
10:47
It's all hiddenversteckt in this codeCode,
170
631000
2000
Alles verborgen in diesem Code,
10:49
and it's startingbeginnend to be understoodverstanden at breakneckhalsbrecherische paceTempo.
171
633000
4000
und wir kommen ihm mit
atemberaubenden Tempo auf den Grund.
10:54
So, what can we do with genomesGenome now that we can readlesen them,
172
638000
3000
Jetzt lesen wir Genome
wie das Buch des Lebens –
10:57
now that we're startingbeginnend to have the bookBuch of life?
173
641000
2000
was können wir damit anfangen?
10:59
Well, there's manyviele things. Some are excitingaufregend.
174
643000
3000
Viele Dinge. Einige sind richtig spannend,
11:02
Some people will find very scaryunheimlich. I will tell you a couplePaar of things
175
646000
4000
andere richtig gruselig.
Ich erzähle Ihnen ein paar Sachen –
11:06
that will probablywahrscheinlich make you want to projectileProjektil pukePuke on me, but that's okay.
176
650000
4000
wenn Sie mich dann ankotzen,
könnte ich das verstehen.
11:10
So, you know, we now can learnlernen the historyGeschichte of organismsOrganismen.
177
654000
4000
Wir können jetzt die Geschichte
von Organismen verstehen.
11:14
You can do a very simpleeinfach testTest: scrapekratzen your cheekWange; sendsenden it off.
178
658000
3000
Das ist ganz einfach:
Man schabt sich an der Wange,
11:17
You can find out where your relativesVerwandten come from;
179
661000
3000
schickt es ein, und kann damit
seinen Stammbaum
11:20
you can do your genealogyGenealogie going back thousandsTausende of yearsJahre.
180
664000
3000
über Tausende von Jahren aufstellen.
11:23
We can understandverstehen functionalityFunktionalität. This is really importantwichtig.
181
667000
3000
Wir kommen endlich dahinter,
wie es funktioniert.
11:26
We can understandverstehen, for exampleBeispiel, why we createerstellen plaquePlakette in our arteriesArterien,
182
670000
5000
Wir kommen zum Beispiel dahinter,
warum sich unsere Arterien zusetzen,
11:31
what createserstellt the starchinessstarchiness insideinnen of a grainKorn,
183
675000
4000
wie die Stärke in ein Getreidekorn kommt,
11:35
why does yeastHefe metabolizeverstoffwechseln sugarZucker and produceproduzieren carbonKohlenstoff dioxideDioxid.
184
679000
7000
warum Hefe Zucker abbaut und
Kohlendioxid produziert.
11:43
We can alsoebenfalls look at, at a granderGrander scaleRahmen, what createserstellt problemsProbleme,
185
687000
3000
Wir können in großem Stil
Probleme analysieren,
11:46
what createserstellt diseaseKrankheit, and how we maykann be ablefähig to fixFix them.
186
690000
4000
was Krankheiten erzeugt,
und wie wir sie heilen können.
11:50
Because we can understandverstehen this,
187
694000
2000
Weil wir all das jetzt verstehen,
11:52
we can fixFix them, make better organismsOrganismen.
188
696000
3000
können wir es richten und besser machen.
11:55
MostDie meisten importantlywichtig, what we're learningLernen
189
699000
2000
Das Wichtigste ist das Verständnis,
11:57
is that NatureNatur has providedunter der Voraussetzung us a spectacularspektakulär toolboxToolbox.
190
701000
5000
dass uns Mutter Natur für uns
einen eindrucksvollen Werkzeugkasten
12:02
The toolboxToolbox existsexistiert.
191
706000
2000
zusammengestellt hat.
12:04
An architectArchitekt farweit better and smarterintelligenter than us has givengegeben us that toolboxToolbox,
192
708000
5000
Ein Architekt viel besser und klüger
als wir hat uns diese Werkzeuge gegeben,
12:09
and we now have the abilityFähigkeit to use it.
193
713000
3000
und jetzt können wir sie auch benutzen.
12:12
We are now not just readingLesen genomesGenome; we are writingSchreiben them.
194
716000
4000
Wir lesen nicht nur Genome,
wir schreiben sie auch.
12:16
This companyUnternehmen, SyntheticSynthetische GenomicsGenomik, I'm involvedbeteiligt with,
195
720000
2000
Ich bin bei Synthetic Genomics.
12:18
createderstellt the first fullvoll syntheticSynthetik genomeGenom for a little bugFehler,
196
722000
4000
Wir haben das erste Genom
für einen sehr primitiven Käfer
12:22
a very primitivePrimitive creatureKreatur callednamens MycoplasmaMykoplasmen genitaliumGenitalien.
197
726000
3000
namens Mycoplasma genitalium synthetisiert.
12:25
If you have a UTIUTI, you've probablywahrscheinlich -- or ever had a UTIUTI --
198
729000
4000
Wer mal eine Harnwegsinfektion
hatte, ist mit dem kleinen Kerl
12:29
you've come in contactKontakt with this little bugFehler.
199
733000
3000
wahrscheinlich schon in Kontakt gekommen.
12:32
Very simpleeinfach -- only has about 246 genesGene --
200
736000
3000
Er ist wirklich einfach – hat nur 246 Gene –
12:35
but we were ablefähig to completelyvollständig synthesizesynthetisieren that genomeGenom.
201
739000
6000
aber wir konnten ihn
vollständig synthetisieren.
12:42
Now, you have the genomeGenom and you say to yourselfdich selber,
202
746000
3000
Dann hat man also das Genom und fragt sich:
12:45
So, if I plugStecker this syntheticSynthetik genomeGenom -- if I pullziehen the oldalt one out and plugStecker it in --
203
749000
5000
»Wenn ich jetzt dieses synthetische Genom
statt des alten reintue –
12:50
does it just bootBoot up and liveLeben?
204
754000
2000
lebt der dann einfach los?«
12:52
Well, guessvermuten what. It does.
205
756000
3000
Raten Sie mal. – Ja, macht er.
12:56
Not only does it do that; if you tookdauerte the genomeGenom -- that syntheticSynthetik genomeGenom --
206
760000
6000
Und nicht nur das: Wenn man das Genom
hernimmt – das synthetische – und es
13:02
and you pluggedangeschlossen it into a differentanders critterCritter, like yeastHefe,
207
766000
3000
in ein anderes Viech reinsetzt, zum Beispiel
13:05
you now turnWende that yeastHefe into MycoplasmaMykoplasmen.
208
769000
4000
in Hefe, dann hat man
aus der Hefe Mycoplasma gemacht.
13:09
It's, sortSortieren of, like bootingBooten up a PCPC with a MacMac O.S. softwareSoftware.
209
773000
5000
Es ist so, als ob man einen PC
mit Mac OS Software hochfahren wollte.
13:14
Well, actuallytatsächlich, you could do it the other way.
210
778000
2000
Ach nee, eher andersherum.
13:16
So, you know, by beingSein ablefähig to writeschreiben a genomeGenom
211
780000
4000
Wenn man so will, ist
das Schreiben des Genoms
13:20
and plugStecker it into an organismOrganismus,
212
784000
3000
und das Einsetzen in
einen anderen Organismus
13:23
the softwareSoftware, if you will, changesÄnderungen the hardwareHardware-.
213
787000
5000
als ob die Software die Hardware ändert.
13:28
And this is extremelyäußerst profoundtiefsinnig.
214
792000
2000
Das ist sehr tiefgreifend.
13:30
So, last yearJahr the FrenchFranzösisch and ItaliansItaliener announcedangekündigt
215
794000
3000
Letztes Jahr haben Franzosen und Italiener
13:33
they got togetherzusammen and they wentging aheadvoraus and they sequencedsequenziert PinotPinot NoirNoir.
216
797000
4000
sich zusammengetan und
Spätburgunder sequenziert.
13:37
The genomicgenomische sequenceSequenz now existsexistiert for the entireganz PinotPinot NoirNoir organismOrganismus,
217
801000
6000
Jetzt existiert das Genom für
den kompletten Spätburgunderorganismus,
13:43
and they identifiedidentifiziert, onceEinmal again, about 29,000 genesGene.
218
807000
4000
und sie haben – mal wieder –
etwa 29.000 Gene identifiziert.
13:47
They have discoveredentdeckt pathwaysWege that createerstellen flavorsAromen,
219
811000
3000
Sie haben die für Geschmacksrichtungen
13:50
althoughobwohl it's very importantwichtig to understandverstehen
220
814000
2000
zuständige Region gefunden,
13:52
that those compoundsVerbindungen that it's crankingKurbeln out
221
816000
3000
aber man darf nicht vergessen, dass wir
13:55
have to matchSpiel a receptorRezeptor in our genomeGenom, in our tongueZunge,
222
819000
3000
einen Rezeptor in unserem Genom,
auf der Zunge,
13:58
for us to understandverstehen and interpretinterpretieren those flavorsAromen.
223
822000
3000
brauchen, damit wir sie
auch schmecken können.
14:01
They'veSie haben alsoebenfalls discoveredentdeckt that
224
825000
2000
Sie haben auch herausgefunden,
14:03
there's a heckTeufel of a lot of activityAktivität going on producingproduzierend aromaAroma as well.
225
827000
4000
dass da ganz schön was los ist,
um auch Aroma zu produzieren.
14:07
They'veSie haben identifiedidentifiziert areasBereiche of vulnerabilityVerletzlichkeit to diseaseKrankheit.
226
831000
3000
Sie haben Regionen für
Anfälligkeiten gefunden.
14:10
They now are understandingVerstehen, and the work is going on,
227
834000
4000
Jetzt kann man den
vollständigen Code lesen und so
14:14
exactlygenau how this plantPflanze worksWerke, and we have the capabilityFähigkeit to know,
228
838000
4000
dahinter kommen – und daran
arbeiten sie weiter –,
14:18
to readlesen that entireganz codeCode and understandverstehen how it ticksZecken.
229
842000
4000
wie genau diese Pflanze funktioniert
und wie sie tickt.
14:22
So, then what do you do?
230
846000
2000
Was macht man daraus?
14:24
KnowingWissen that we can readlesen it, knowingzu wissen that we can writeschreiben it, changeVeränderung it,
231
848000
4000
Wir wissen, dass wir ihn lesen,
schreiben, ändern können,
14:28
maybe writeschreiben its genomeGenom from scratchkratzen. So, what do you do?
232
852000
4000
vielleicht sogar das Genom
ganz neu schreiben. Also, was tun?
14:32
Well, one thing you could do is what some people mightMacht call Franken-NoirFranken-Noir.
233
856000
4000
Eines der Dinge, die man machen könnte,
wäre ›Monsterburgunder‹.
14:36
(LaughterLachen)
234
860000
3000
(Lachen)
14:39
We can buildbauen a better vineRebe.
235
863000
2000
Wir können bessere Reben bauen.
14:41
By the way, just so you know:
236
865000
2000
Ach ja, mal so nebenbei –
14:43
you get stressedbetont out about geneticallygenetisch modifiedgeändert organismsOrganismen;
237
867000
4000
falls Sie Stress wegen genetisch
veränderter Organismen haben:
14:47
there is not one singleSingle vineRebe in this valleyTal or anywhereirgendwo
238
871000
3000
es gibt weder hier noch sonstwo
irgendeine Rebe,
14:50
that is not geneticallygenetisch modifiedgeändert.
239
874000
2000
die nicht genetisch verändert ist.
14:52
They're not growngewachsen from seedsSaat; they're graftedgepfropft into rootWurzel stockStock;
240
876000
3000
Sie wachsen nicht aus Samen,
sie werden veredelt,
14:55
they would not existexistieren in natureNatur on theirihr ownbesitzen.
241
879000
2000
sie würden alleine nicht überleben.
14:57
So, don't worrySorge about, don't stressStress about that stuffSachen. We'veWir haben been doing this foreverfür immer.
242
881000
4000
Also kein Stress mit dem Zeug.
Das haben wir schon immer gemacht.
15:01
So, we could, you know, focusFokus on diseaseKrankheit resistanceWiderstand;
243
885000
3000
Wir könnten jetzt auf Robustheit abzielen,
15:04
we can go for higherhöher yieldsErträge withoutohne necessarilyNotwendig havingmit
244
888000
4000
auf höhere Erträge, ohne die Anbaumethoden
15:08
dramaticdramatisch farmingLandwirtschaft techniquesTechniken to do it, or costsKosten.
245
892000
3000
zu ändern, oder auf geringere Kosten.
15:11
We could conceivablydenkbar expanderweitern the climateKlima windowFenster:
246
895000
3000
Wir könnten das Klimafenster
deutlich erweitern,
15:14
we could make PinotPinot NoirNoir growgrößer werden maybe in Long IslandInsel, God forbidverbieten.
247
898000
5000
wir könnten Spätburgunder auf
Long Island anbauen – verhüt's Gott.
15:19
(LaughterLachen)
248
903000
3000
(Lachen)
15:23
We could produceproduzieren better flavorsAromen and aromasAromen.
249
907000
3000
Man könnte sich viele Dinge vorstellen:
15:26
You want a little more raspberryHimbeere, a little more chocolateSchokolade here or there?
250
910000
3000
bessere Geschmacksrichtungen und Aromas –
15:29
All of these things could conceivablydenkbar be doneerledigt,
251
913000
3000
mehr Himbeere, mehr Schoko hier oder dort?
15:32
and I will tell you I'd prettyziemlich much betWette that it will be doneerledigt.
252
916000
3000
Ich sag' Ihnen eines:
es wird gemacht werden.
15:35
But there's an ecosystemÖkosystem here.
253
919000
2000
Aber es gibt da ein Ökosystem.
15:37
In other wordsWörter, we're not, sortSortieren of, uniqueeinzigartig little organismsOrganismen runningLaufen around;
254
921000
5000
Wir laufen nicht als kleine Organismen
allein auf der Welt rum, sondern sind
15:42
we are partTeil of a biggroß ecosystemÖkosystem.
255
926000
2000
Teil eines großen Ökosystems.
15:44
In factTatsache -- I'm sorry to informinformieren you --
256
928000
3000
Tatsächlich – tut mir leid, aber so ist es –
15:47
that insideinnen of your digestiveMagen-Darm tractTrakt is about 10 poundsPfunde of microbesMikroben
257
931000
4000
wohnen in Ihrem Verdauungstrakt
etwa zehn Pfund Mikroben,
15:51
whichwelche you're circulatingim Umlauf throughdurch your bodyKörper quiteganz a bitBit.
258
935000
3000
die Sie ganz schön
in Ihrem Körper rumschicken.
15:54
Our ocean'sdes Ozeans teamingGruppenbildung with microbesMikroben;
259
938000
3000
Unsere Meere und die Mikroben
haben sich verbündet:
15:57
in factTatsache, when CraigCraig VenterVenter wentging and sequencedsequenziert the microbesMikroben in the oceanOzean,
260
941000
5000
die Zahl der bekannten Arten verdreifachte
sich in den ersten drei Monaten
16:02
in the first threedrei monthsMonate tripledverdreifacht the knownbekannt speciesSpezies on the planetPlanet
261
946000
4000
nachdem Craig Venter begann,
Meeresmikroben aus nur
16:06
by discoveringentdecken all-newbrandneue microbesMikroben in the first 20 feetFüße of waterWasser.
262
950000
3000
wenigen Metern Tiefe zu sequenzieren.
16:09
We now understandverstehen that those microbesMikroben have more impactEinfluss on our climateKlima
263
953000
4000
Wir wissen heute, dass der Einfluss
der Mikroben auf unser Klima
16:13
and regulatingzur Regelung COCO2 and oxygenSauerstoff than plantsPflanzen do,
264
957000
4000
und auf die Regulierung von CO2
und Sauerstoff größer ist
16:17
whichwelche we always thought oxygenatemit Sauerstoff the atmosphereAtmosphäre.
265
961000
2000
als der der Pflanzen.
16:19
We find microbialmikrobiell life in everyjeden partTeil of the planetPlanet:
266
963000
4000
Wir finden mikrobielles Leben
überall auf dem Planeten:
16:23
in iceEis, in coalKohle, in rocksFelsen, in volcanicvulkanisch ventsLüftungsöffnungen; it's an amazingtolle thing.
267
967000
8000
in Eis, in Kohle, in Vulkanschloten,
in Felsen – es ist einfach faszinierend.
16:31
But we'vewir haben alsoebenfalls discoveredentdeckt, when it comeskommt to plantsPflanzen, in plantsPflanzen,
268
975000
5000
Wir haben auch entdeckt, dass bei
den Pflanzen, soviel wir bis jetzt
16:36
as much as we understandverstehen and are startingbeginnend to understandverstehen theirihr genomesGenome,
269
980000
4000
von ihnen und ihren Genomen
zu verstehen begonnen haben,
16:40
it is the ecosystemÖkosystem around them,
270
984000
3000
das Ökosystem, das sie umgibt,
und die Mikroben,
16:43
it is the microbesMikroben that liveLeben in theirihr rootWurzel systemsSysteme,
271
987000
3000
die in Ihren Wurzeln leben, mindestens
16:46
that have just as much impactEinfluss on the characterCharakter of those plantsPflanzen
272
990000
4000
genau so viel Einfluss auf
die Charakteristik dieser Pflanzen
16:50
as the metabolicmetabolische pathwaysWege of the plantsPflanzen themselvessich.
273
994000
4000
haben wie das Stoffwechselsystem
der Pflanzen selbst.
16:54
If you take a closernäher look at a rootWurzel systemSystem,
274
998000
3000
Sieht man sich so ein Wurzelgeflecht
näher an,
16:57
you will find there are manyviele, manyviele, manyviele diversevielfältig microbialmikrobiell coloniesKolonien.
275
1001000
4000
findet man enorm viele
verschiedene mikrobielle Kolonien.
17:01
This is not biggroß newsNachrichten to viticulturistsWeinbauern;
276
1005000
2000
Für Weinbauern ist das nichts Neues,
17:03
they have been, you know, concernedbesorgt with waterWasser and fertilizationBefruchtung.
277
1007000
4000
sie haben sich schon länger
mit Wasser und Düngung beschäftigt.
17:07
And, again, this is, sortSortieren of, my notionBegriff of shit-against-the-wallScheiße-gegen-die-Wand pharmacologyPharmakologie:
278
1011000
6000
Das ist wieder so ein Fall meiner
›Scheiß die Wand an‹-Pharmakologie: Man weiß,
17:13
you know certainsicher fertilizersDüngemittel make the plantPflanze more healthygesund so you put more in.
279
1017000
4000
gewisse Dünger sind für die Pflanze besser –
also drauf damit.
17:17
You don't necessarilyNotwendig know with granularityGranularität
280
1021000
4000
Man weiß nicht unbedingt genau,
welche Organismen
17:21
exactlygenau what organismsOrganismen are providingBereitstellung what flavorsAromen and what characteristicsCharakteristik.
281
1025000
6000
welche Geschmacksrichtungen und
welche Charakteristika hervorbringen.
17:27
We can startAnfang to figureZahl that out.
282
1031000
3000
Das können wir jetzt herausarbeiten.
17:30
We all talk about terroirTerroir; we worshipGottesdienst terroirTerroir;
283
1034000
3000
Alle reden über das Terroir, huldigen ihm:
17:33
we say, WowWow, is my terroirTerroir great! It's so specialbesondere.
284
1037000
3000
»Poh, tolles Terroir! Ganz was Besonderes –
17:36
I've got this pieceStück of landLand and it createserstellt terroirTerroir like you wouldn'twürde nicht believe.
285
1040000
4000
mein eines Stück Land da
produziert Terroir wie nix.«
17:40
Well, you know, we really, we argueargumentieren and debateDebatte about it --
286
1044000
4000
Wir argumentieren und debattieren
darüber – wir schieben es
17:44
we say it's climateKlima, it's soilBoden, it's this. Well, guessvermuten what?
287
1048000
3000
aufs Klima, auf den Boden, auf dies und das.
17:47
We can figureZahl out what the heckTeufel terroirTerroir is.
288
1051000
3000
Jetzt können wir herausfinden,
was Terroir ist.
17:50
It's in there, waitingwarten to be sequencedsequenziert.
289
1054000
3000
Es wartet nur darauf, sequenziert zu werden.
17:53
There are thousandsTausende of microbesMikroben there.
290
1057000
2000
Da leben Tausende von Mikroben.
17:55
They're easyeinfach to sequenceSequenz: unlikenicht wie a humanMensch,
291
1059000
2000
Ihre 1.000 oder 2.000 Gene sind
17:57
they, you know, have a thousandtausend, two thousandtausend genesGene;
292
1061000
2000
viel einfacher sequenzierbar
17:59
we can figureZahl out what they are.
293
1063000
2000
als die des Menschen.
18:01
All we have to do is go around and sampleSample, diggraben into the groundBoden, find those bugsFehler,
294
1065000
7000
Wir müssen nur ein bisschen graben, Proben nehmen,
die Käfer finden, sie sequenzieren
18:08
sequenceSequenz them, correlatekorrelieren them to the kindsArten of characteristicsCharakteristik we like and don't like --
295
1072000
5000
und in Bezug zu den gewünschten
Charakteristika setzen – das ist nur
18:13
that's just a biggroß databaseDatenbank -- and then fertilizedüngen.
296
1077000
3000
eine große Datenbank – und dann zu düngen.
18:16
And then we understandverstehen what is terroirTerroir.
297
1080000
3000
Dann verstehen wir, was Terroir ausmacht.
18:20
So, some people will say, Oh, my God, are we playingspielen God?
298
1084000
2000
Einige Leute werden fragen:
18:22
Are we now, if we engineerIngenieur organismsOrganismen, are we playingspielen God?
299
1086000
5000
»Um Himmels Willen, spielen wir nicht Gott,
wenn wir Organismen entwickeln?«
18:27
And, you know, people would always askFragen JamesJames WatsonWatson --
300
1091000
3000
Die Leute haben James Watson immer gefragt –
18:30
he's not always the mostdie meisten politicallypolitisch correctrichtig guy ...
301
1094000
2000
der ist nicht immer politisch korrekt –
18:32
(LaughterLachen)
302
1096000
1000
(Lachen)
18:33
... and they would say, "Are, you know, are you playingspielen God?"
303
1097000
5000
– sie fragten ihn also:
»Spielen Sie da nicht Gott?«
18:38
And he had the bestBeste answerAntworten I ever heardgehört to this questionFrage:
304
1102000
3000
Er gab die beste Antwort auf diese Frage:
18:41
"Well, somebodyjemand has to."
305
1105000
2000
»Tja, irgendjemand muss es ja tun.«
18:43
(LaughterLachen)
306
1107000
3000
(Lachen)
18:46
I considerErwägen myselfmich selber a very spiritualgeistig personPerson,
307
1110000
4000
Ich betrachte mich selbst
als spirituellen Menschen,
18:50
and withoutohne, you know, the organizedorganisiert religionReligion partTeil,
308
1114000
3000
nur ohne den organisierten Religionsanteil,
18:53
and I will tell you: I don't believe there's anything unnaturalunnatürlich.
309
1117000
4000
und ich glaube nicht, dass es
irgendetwas Unnatürliches gibt.
18:57
I don't believe that chemicalsChemikalien are unnaturalunnatürlich.
310
1121000
4000
Ich glaube nicht, dass
Chemikalien unnatürlich sind.
19:01
I told you I'm going to make some of you pukePuke.
311
1125000
2000
Auch wenn Sie es zum Kotzen finden:
19:03
It's very simpleeinfach: we don't inventerfinden moleculesMoleküle, compoundsVerbindungen.
312
1127000
4000
Wir erfinden einfach keine Moleküle,
Zusammensetzungen –
19:07
They're here. They're in the universeUniversum.
313
1131000
2000
sie sind schon im Universum.
19:09
We reorganizereorganisieren things, we changeVeränderung them around,
314
1133000
3000
Wir ordnen Dinge neu,
wir ändern an ihnen rum,
19:12
but we don't make anything unnaturalunnatürlich.
315
1136000
3000
aber wir erschaffen nichts Unnatürliches.
19:15
Now, we can createerstellen badschlecht impactsAuswirkungen --
316
1139000
2000
Die Folgen können schlecht sein –
19:17
we can poisonGift ourselvesuns selbst; we can poisonGift the EarthErde --
317
1141000
2000
wenn wir uns oder die Erde vergiften –
19:19
but that's just a naturalnatürlich outcomeErgebnis of a mistakeFehler we madegemacht.
318
1143000
4000
aber das ist nur die Folge
eines von uns gemachten Fehlers.
19:23
So, what's happeningHappening todayheute is, NatureNatur is presentingpräsentieren us with a toolboxToolbox,
319
1147000
4000
Jetzt hat uns Mutter Natur
einen Werkzeugkasten gegeben,
19:27
and we find that this toolboxToolbox is very extensiveumfangreiche.
320
1151000
4000
und die Werkzeuge in diesem Kasten
sind sehr mächtig.
19:31
There are microbesMikroben out there that actuallytatsächlich make gasolineBenzin, believe it or not.
321
1155000
4000
Ob Sie's glauben oder nicht:
es gibt Mikroben, die Benzin machen.
19:35
There are microbesMikroben, you know -- go back to yeastHefe.
322
1159000
2000
Es gibt – nochmal zur Hefe:
19:37
These are chemicalchemisch factoriesFabriken;
323
1161000
2000
das sind chemische Fabriken.
19:39
the mostdie meisten sophisticatedanspruchsvoll chemicalchemisch factoriesFabriken are providedunter der Voraussetzung by NatureNatur,
324
1163000
4000
Die ausgeklügelsten chemischen Fabriken
schenkt uns Mutter Natur,
19:43
and we now can use those.
325
1167000
3000
und die können wir jetzt benutzen.
19:46
There alsoebenfalls is a setSet of rulesRegeln.
326
1170000
2000
Es gibt da auch Regeln.
19:48
NatureNatur will not allowzulassen you to --
327
1172000
3000
Die Natur wird nicht zulassen –
19:51
we could engineerIngenieur a grapeTraube plantPflanze, but guessvermuten what.
328
1175000
2000
wir könnten eine Traube entwerfen,
19:53
We can't make the grapeTraube plantPflanze produceproduzieren babiesBabys.
329
1177000
2000
aber die kann keine Babys produzieren.
19:55
NatureNatur has put a setSet of rulesRegeln out there.
330
1179000
3000
Die Natur hat ein paar Regeln aufgestellt.
19:58
We can work withininnerhalb the rulesRegeln; we can't breakUnterbrechung the rulesRegeln;
331
1182000
3000
Wir lernen diese Regeln gerade erst, aber
20:01
we're just learningLernen what the rulesRegeln are.
332
1185000
2000
wir können sie nicht verletzen.
20:03
I just askFragen the questionFrage, if you could cureheilen all diseaseKrankheit --
333
1187000
4000
Ich frage Sie: Wenn wir
alle Krankheiten heilen oder gar
20:07
if you could make diseaseKrankheit go away,
334
1191000
2000
ausradieren könnten, weil wir
20:09
because we understandverstehen how it actuallytatsächlich worksWerke,
335
1193000
2000
jetzt wissen wie’s geht,
20:11
if we could endEnde hungerHunger by beingSein ablefähig to createerstellen nutritiousnahrhafte, healthygesund plantsPflanzen
336
1195000
5000
wenn wir Hunger durch nahrhafte, gesunde,
aber völlig anspruchslose Pflanzen
20:16
that growgrößer werden in very hard-to-growschwer zu wachsen environmentsUmgebungen,
337
1200000
3000
ausrotten könnten, wenn wir genug
20:19
if we could createerstellen cleanreinigen and plentifulreichlich energyEnergie --
338
1203000
3000
saubere Energie produzieren könnten –
20:22
we, right in the labsLabore at SyntheticSynthetische GenomicsGenomik,
339
1206000
3000
in den Laboren von Synthetic Genomics
20:25
have single-celledeinzellig organismsOrganismen that are takingunter carbonKohlenstoff dioxideDioxid
340
1209000
4000
haben wir Einzeller, die nehmen
Kohlendioxid auf und
20:29
and producingproduzierend a moleculeMolekül very similarähnlich to gasolineBenzin.
341
1213000
4000
verwandeln es in ein Molekül,
das Benzin sehr ähnlich ist.
20:33
So, carbonKohlenstoff dioxideDioxid -- the stuffSachen we want to get ridloswerden of -- not sugarZucker, not anything.
342
1217000
5000
Kohlendioxid – das Zeug, das wir
loswerden wollen – nicht Zucker,
20:38
CarbonCarbon dioxideDioxid, a little bitBit of sunlightSonnenlicht,
343
1222000
3000
nicht irgendetwas, sondern Kohlendioxid,
20:41
you endEnde up with a lipidLipid that is highlyhöchst refinedraffiniert.
344
1225000
5000
ein bisschen Sonnenlicht, und heraus
kommt ein hoch raffiniertes Lipid.
20:46
We could solvelösen our energyEnergie problemsProbleme; we can reducereduzieren COCO2,;
345
1230000
4000
Wir könnten unsere Energieprobleme lösen,
CO2 reduzieren,
20:50
we could cleanreinigen up our oceansOzeane; we could make better wineWein.
346
1234000
3000
die Meere sauber bekommen,
besseren Wein machen.
20:53
If we could, would we?
347
1237000
3000
Wenn wir all das könnten –
würden wir es auch tun?
20:56
Well, you know, I think the answerAntworten is very simpleeinfach:
348
1240000
3000
Ich glaube, die Antwort ist ganz einfach:
20:59
workingArbeiten with NatureNatur, workingArbeiten with this toolWerkzeug setSet that we now understandverstehen,
349
1243000
5000
mit den Werkzeugen der Natur,
die wir jetzt verstehen, zu arbeiten
21:04
is the nextNächster stepSchritt in humankind'sder Menschheit evolutionEvolution.
350
1248000
3000
ist der nächste Schritt
in der Evolution des Menschen.
21:07
And all I can tell you is, staybleibe healthygesund for 20 yearsJahre.
351
1251000
4000
Ich kann Ihnen nur raten:
bleiben Sie noch 20 Jahre gesund,
21:11
If you can staybleibe healthygesund for 20 yearsJahre, you'lldu wirst see 150, maybe 300.
352
1255000
3000
dann können Sie 150 oder sogar 300 werden.
21:14
Thank you.
353
1258000
2000
Vielen Dank.
Translated by Norbert Langkau
Reviewed by Calvin Oneeightytwo

▲Back to top

ABOUT THE SPEAKER
Barry Schuler - Entrepreneur
Barry Schuler's multimedia firm Medior built key interactive technologies for AOL, helping millions connect to the Internet through a simple, accessible interface. Now, through venture capital (and wine appreciation), he wants to do the same for genomics.

Why you should listen

If in the mid-'90s tech revolution you found yourself intimidated by command lines (or computers in general), chances are you had your first encounter with email through America Online. Above those first-month-free CDs, the main appeal was its easy-as-a-microwave interface, which Barry Schuler and his team at Medior designed. While the other techies were complaining of eternal September, Schuler remained a populist, passionate about spreading accessibility to the next generation of services that he foresaw changing the world. (Earlier, he had developed and marketed color desktop apps for Apple.)

Schuler later served as AOL's CEO when it acquired Time Warner. But now, as high-tech democratization continues, Schuler wants to direct the momentum toward genomics. As managing director of Draper Fisher Jurvetson, he's funding next-thing projects in tech, and he also serves on the board of Synthetic Genomics. A lover of wine (and a proponent of using genetics to enhance wine grapes), he owns Meteor Vineyard in Napa Valley. He's currently CEO of Raydiance, which is developing laser technology for healthcare use.

More profile about the speaker
Barry Schuler | Speaker | TED.com