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

Why you should listen

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

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

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

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

Riccardo Sabatini: Comment lire le génome et fabriquer un être humain

Filmed:
1,834,677 views

Les secrets, les maladies et la beauté sont tous inscrits dans le génome, cet ensemble complet d'instructions génétiques nécessaires pour fabriquer un être humain. Comme Riccardo Sabatini, scientifique et entrepreneur, nous l'explique, nous pouvons désormais lire ce code complexe, et prédire certaines choses comme la taille, la couleur des yeux, l'âge et même la structure faciale, tout ceci à partir d'une fiole de sang. Bientôt, affirme Sabatini, une compréhension nouvelle du génome nous permettra de personnaliser les traitements pour des maladies telles que le cancer. Nous avons le pouvoir de changer la vie telle que nous la connaissons. Comment allons-nous l'utiliser ?
- Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio

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

Ces 16 prochaines minutes,
je vais vous faire découvrir
00:12
For the nextprochain 16 minutesminutes,
I'm going to take you on a journeypériple
0
612
2762
ce qui est probablement
le plus grand rêve de l'humanité :
00:15
that is probablyProbablement
the biggestplus grand dreamrêver of humanityhumanité:
1
3398
3086
00:18
to understandcomprendre the codecode of life.
2
6508
2015
comprendre le code de la vie.
Pour moi, tout a commencé
il y a de nombreuses années,
00:21
So for me, everything startedcommencé
manybeaucoup, manybeaucoup yearsannées agodepuis
3
9072
2743
quand j'ai vu ma première imprimante 3D.
00:23
when I metrencontré the first 3D printerimprimante.
4
11839
2723
00:26
The conceptconcept was fascinatingfascinant.
5
14586
1674
Le concept était fascinant.
L'imprimante 3D a besoin
de trois choses :
00:28
A 3D printerimprimante needsBesoins threeTrois elementséléments:
6
16284
2022
un peu d'informations,
de la matière première, de l'énergie,
00:30
a bitbit of informationinformation, some
rawbrut materialMatériel, some energyénergie,
7
18330
4134
00:34
and it can produceproduire any objectobjet
that was not there before.
8
22488
3334
et elle peut créer n'importe quel objet
qui n'existait pas avant.
00:38
I was doing physicsla physique,
I was comingvenir back home
9
26517
2137
J'étudiais la physique
et, en rentrant chez moi,
00:40
and I realizedréalisé that I actuallyréellement
always knewa connu a 3D printerimprimante.
10
28678
3438
j'ai réalisé que j'avais en réalité
toujours connu une imprimante 3D.
On en connaît tous une.
00:44
And everyonetoutes les personnes does.
11
32140
1336
C'était ma mère !
00:45
It was my mommaman.
12
33500
1158
(Rires)
00:46
(LaughterRires)
13
34682
1001
Ma mère a pris trois choses :
00:47
My mommaman takes threeTrois elementséléments:
14
35707
2414
un peu d'informations, partagées
entre mon père et ma mère dans ce cas,
00:50
a bitbit of informationinformation, whichlequel is betweenentre
my fatherpère and my mommaman in this caseCas,
15
38145
3973
00:54
rawbrut elementséléments and energyénergie
in the sameMême mediamédias, that is foodaliments,
16
42142
4157
de la matière première et de l'énergie
issues d'une même source, la nourriture,
et après plusieurs mois, elle m'a créé,
00:58
and after severalnombreuses monthsmois, producesproduit me.
17
46323
2508
01:00
And I was not existentinexistants before.
18
48855
1812
et je n'existais pas avant.
01:02
So apartune part from the shockchoc of my mommaman
discoveringdécouvrir that she was a 3D printerimprimante,
19
50691
3762
En dehors du choc de découvrir
que ma mère était une imprimante 3D,
j'ai immédiatement
été fasciné par cet élément,
01:06
I immediatelyimmédiatement got mesmerizedhypnotisé
by that piecepièce,
20
54477
4738
01:11
the first one, the informationinformation.
21
59239
1717
le premier, l'information.
01:12
What amountmontant of informationinformation does it take
22
60980
2251
Quelle quantité d'informations est requise
pour fabriquer et composer un humain ?
01:15
to buildconstruire and assembleassembler a humanHumain?
23
63255
1936
En faut-il beaucoup ? Un peu ?
01:17
Is it much? Is it little?
24
65215
1574
Combien de clés USB doit-on remplir ?
01:18
How manybeaucoup thumbpouce drivesdisques can you fillremplir?
25
66813
2180
01:21
Well, I was studyingen train d'étudier physicsla physique
at the beginningdébut
26
69017
2624
J'étudiais la physique au départ
01:23
and I tooka pris this approximationrapprochement of a humanHumain
as a giganticgigantesque LegoLEGO piecepièce.
27
71665
5597
et je voyais l'être humain grossièrement
comme une énorme construction de Lego.
01:29
So, imagineimaginer that the buildingbâtiment
blocksblocs are little atomsatomes
28
77286
3785
Imaginez que les blocs Lego
sont de petits atomes,
01:33
and there is a hydrogenhydrogène here,
a carboncarbone here, a nitrogenazote here.
29
81095
4653
et qu'il y en a un d'hydrogène ici,
un de carbone là et un d'azote ici.
01:37
So in the first approximationrapprochement,
30
85772
1571
En première approximation,
si je peux dresser la liste du nombre
d'atomes qui composent un être humain,
01:39
if I can listliste the numbernombre of atomsatomes
that composecomposer a humanHumain beingétant,
31
87367
4343
01:43
I can buildconstruire it.
32
91734
1387
je peux le fabriquer.
Vous pouvez faire quelques calculs
01:45
Now, you can runcourir some numbersNombres
33
93145
2029
01:47
and that happensarrive to be
quiteassez an astonishingétonnant numbernombre.
34
95198
3277
et le résultat s'avère être
un nombre astronomique.
01:50
So the numbernombre of atomsatomes,
35
98499
2757
Le nombre d'atomes,
le fichier que je vais sauvegarder dans
ma clé USB pour fabriquer un petit bébé,
01:53
the filefichier that I will saveenregistrer in my thumbpouce
driveconduire to assembleassembler a little babybébé,
36
101280
4755
01:58
will actuallyréellement fillremplir an entiretout TitanicTitanic
of thumbpouce drivesdisques --
37
106059
4667
va en fait remplir
un Titanic rempli de clés USB...
multiplié par 2000.
02:02
multipliedmultiplié 2,000 timesfois.
38
110750
2718
02:05
This is the miraclemiracle of life.
39
113957
3401
C'est le miracle de la vie.
Maintenant, chaque fois
que vous verrez une femme enceinte,
02:09
EveryChaque time you see from now on
a pregnantEnceinte ladyDame,
40
117382
2612
02:12
she's assemblingassembler the biggestplus grand
amountmontant of informationinformation
41
120018
2856
dites-vous qu'elle assemble la plus grande
quantité d'informations jamais vue.
02:14
that you will ever encounterrencontre.
42
122898
1556
Oubliez le big data,
oubliez tout ce que vous connaissez.
02:16
ForgetOubliez biggros dataLes données, forgetoublier
anything you heardentendu of.
43
124478
2950
C'est la plus grande quantité
d'informations existante.
02:19
This is the biggestplus grand amountmontant
of informationinformation that existsexiste.
44
127452
2881
02:22
(ApplauseApplaudissements)
45
130357
3833
(Applaudissements)
Mais...
02:26
But naturela nature, fortunatelyHeureusement, is much smarterplus intelligent
than a youngJeune physicistphysicien,
46
134214
4644
La nature est, heureusement, bien
plus intelligente qu'un jeune physicien,
en quatre milliards d'années,
02:30
and in fourquatre billionmilliard yearsannées, managedgéré
to packpack this informationinformation
47
138882
3576
elle a réussi à faire rentrer
ces informations
02:34
in a smallpetit crystalcristal we call DNAADN.
48
142482
2705
dans un petit cristal appelé ADN.
02:37
We metrencontré it for the first time in 1950
when RosalindRosalind FranklinFranklin,
49
145605
4312
Nous l'avons vu pour la première fois
en 1950 lorsque Rosalind Franklin,
02:41
an amazingincroyable scientistscientifique, a womanfemme,
50
149941
1556
une scientifique incroyable,
l'a pris en photo.
02:43
tooka pris a picturephoto of it.
51
151521
1389
Mais il aura fallu plus de 40 ans
pour rentrer dans une cellule humaine,
02:44
But it tooka pris us more than 40 yearsannées
to finallyenfin pokepoke insideà l'intérieur a humanHumain cellcellule,
52
152934
5188
02:50
take out this crystalcristal,
53
158146
1602
extraire ce cristal, le dérouler
et le lire pour la première fois.
02:51
unrollDéroulez it, and readlis it for the first time.
54
159772
3080
02:55
The codecode comesvient out to be
a fairlyéquitablement simplesimple alphabetalphabet,
55
163615
3241
Le code s'avère être
un alphabet plutôt simple,
quatre lettres : A, T, C et G.
02:58
fourquatre lettersdes lettres: A, T, C and G.
56
166880
3772
03:02
And to buildconstruire a humanHumain,
you need threeTrois billionmilliard of them.
57
170676
3490
Et pour fabriquer un humain,
il en faut trois milliards.
Trois milliards.
03:06
ThreeTrois billionmilliard.
58
174933
1179
03:08
How manybeaucoup are threeTrois billionmilliard?
59
176136
1579
Combien font trois milliards ?
C'est difficile d'imaginer
ce nombre, n'est-ce pas ?
03:09
It doesn't really make
any sensesens as a numbernombre, right?
60
177739
2762
03:12
So I was thinkingen pensant how
I could explainExplique myselfmoi même better
61
180525
4085
Je me suis demandé comment représenter
la taille et l'énormité de ce code.
03:16
about how biggros and enormousénorme this codecode is.
62
184634
3050
Mais... je vais avoir besoin
d'un peu d'aide,
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
03:22
and the bestmeilleur personla personne to help me
introduceprésenter the codecode
64
190786
3227
et la meilleure personne
pour m'aider à vous présenter le code
03:26
is actuallyréellement the first man
to sequenceséquence it, DrDr. CraigCraig VenterVirginie.
65
194037
3522
est en fait le premier homme à
l'avoir séquencé, le docteur Craig Venter.
Alors, bienvenue sur scène,
Dr Craig Venter.
03:29
So welcomeBienvenue onstagesur scène, DrDr. CraigCraig VenterVirginie.
66
197583
3390
03:32
(ApplauseApplaudissements)
67
200997
6931
(Applaudissements)
03:39
Not the man in the fleshchair,
68
207952
2256
Pas l'homme en chair et en os.
Mais pour la première fois
dans l'histoire,
03:43
but for the first time in historyhistoire,
69
211448
2345
voici le génome d'un humain spécifique,
03:45
this is the genomegénome of a specificspécifique humanHumain,
70
213817
3462
imprimé page par page, lettre par lettre :
03:49
printedimprimé page-by-pagepage par page, letter-by-letterlettre par lettre:
71
217303
3760
03:53
262,000 pagespages of informationinformation,
72
221087
3996
262 000 pages d'informations, 450 kg,
expédiées des États-Unis au Canada,
03:57
450 kilogramskilogrammes, shippedexpédié
from the UnitedUnie StatesÉtats to CanadaCanada
73
225107
4364
grâce à Bruno Bowden de Lulu.com,
une start-up, qui a tout fait.
04:01
thanksMerci to BrunoBruno BowdenBowden,
LuluLulu.comcom, a start-upmise en service, did everything.
74
229495
4843
04:06
It was an amazingincroyable featfeat.
75
234362
1463
C'était une prouesse incroyable.
04:07
But this is the visualvisuel perceptionla perception
of what is the codecode of life.
76
235849
4297
Ceci est la représentation visuelle
de ce qu'est le code de la vie.
Maintenant, pour la première fois,
je peux m'amuser.
04:12
And now, for the first time,
I can do something funamusement.
77
240170
2478
04:14
I can actuallyréellement pokepoke insideà l'intérieur it and readlis.
78
242672
2547
Je peux vraiment aller
à l'intérieur et lire.
Alors, laissez-moi choisir
un livre intéressant...
04:17
So let me take an interestingintéressant
booklivre ... like this one.
79
245243
4625
Celui-ci par exemple.
04:25
I have an annotationannotation;
it's a fairlyéquitablement biggros booklivre.
80
253077
2534
J'ai une note, c'est un livre assez gros.
04:27
So just to let you see
what is the codecode of life.
81
255635
3727
Juste pour que vous puissiez voir
ce qu'est le code de la vie.
04:32
ThousandsMilliers and thousandsmilliers and thousandsmilliers
82
260566
3391
Des milliers et des milliers
et des milliers
et des millions de lettres.
04:35
and millionsdes millions of lettersdes lettres.
83
263981
2670
04:38
And they apparentlyApparemment make sensesens.
84
266675
2396
Et apparemment,
elles disent quelque chose.
04:41
Let's get to a specificspécifique partpartie.
85
269095
1757
Allons à un passage spécifique.
04:43
Let me readlis it to you:
86
271571
1362
Je vais vous le lire :
(Rires)
04:44
(LaughterRires)
87
272957
1021
AAG, AAT, ATA.
04:46
"AAGAAG, AATAAT, ATAATA."
88
274002
4006
04:50
To you it soundsdes sons like mutemettre en sourdine lettersdes lettres,
89
278965
2067
Pour vous, ces lettres ne disent rien,
04:53
but this sequenceséquence givesdonne
the colorCouleur of the eyesles yeux to CraigCraig.
90
281056
4041
mais cette séquence donne
la couleur des yeux de Craig.
Je vais vous en montrer un autre passage.
04:57
I'll showmontrer you anotherun autre partpartie of the booklivre.
91
285633
1932
C'est un peu plus compliqué.
04:59
This is actuallyréellement a little
more complicatedcompliqué.
92
287589
2094
Chromosome 14, livre 132 :
05:02
ChromosomeChromosome 14, booklivre 132:
93
290983
2647
(Rires)
05:05
(LaughterRires)
94
293654
2090
05:07
As you mightpourrait expectattendre.
95
295768
1277
comme on peut s'y attendre.
05:09
(LaughterRires)
96
297069
3466
(Rires)
ATT, CTT, GATT.
05:14
"ATTATT, CTTCTT, GATTGATT."
97
302857
4507
Cet humain a de la chance,
05:20
This humanHumain is luckychanceux,
98
308329
1687
car si vous ratiez juste
deux lettres à cet endroit...
05:22
because if you missmanquer just
two lettersdes lettres in this positionposition --
99
310040
4517
05:26
two lettersdes lettres of our threeTrois billionmilliard --
100
314581
1877
deux lettres sur trois milliards...
il serait condamné
à une maladie terrible :
05:28
he will be condemnedcondamné
to a terribleterrible diseasemaladie:
101
316482
2019
05:30
cystickystique fibrosisfibrose.
102
318525
1440
la fibrose cystique.
05:31
We have no cureguérir for it,
we don't know how to solverésoudre it,
103
319989
3413
Il n'y aucun remède ni solution,
05:35
and it's just two lettersdes lettres
of differencedifférence from what we are.
104
323426
3755
et seules deux lettres
nous en séparent.
05:39
A wonderfulformidable booklivre, a mightyMighty booklivre,
105
327585
2705
Un livre génial, un livre puissant,
05:43
a mightyMighty booklivre that helpedaidé me understandcomprendre
106
331115
1998
un livre puissant
qui m'a aidé à comprendre
05:45
and showmontrer you something quiteassez remarkableremarquable.
107
333137
2753
quelque chose de remarquable,
que je vais vous montrer.
Chacun d'entre vous, ce qui constitue
ma personne et la vôtre,
05:48
EveryChaque one of you -- what makesfait du
me, me and you, you --
108
336480
4435
05:52
is just about fivecinq millionmillion of these,
109
340939
2954
consiste juste en cinq millions
de lettres, la moitié d'un livre.
05:55
halfmoitié a booklivre.
110
343917
1228
Sur le reste, nous sommes
tous absolument identiques.
05:58
For the restdu repos,
111
346015
1663
05:59
we are all absolutelyabsolument identicalidentique.
112
347702
2562
06:03
FiveCinq hundredcent pagespages
is the miraclemiracle of life that you are.
113
351008
4018
500 pages, c'est le miracle
de la vie que vous êtes.
06:07
The restdu repos, we all sharepartager it.
114
355050
2531
Le reste, nous le partageons tous.
06:09
So think about that again
when we think that we are differentdifférent.
115
357605
2909
Alors rappelez-vous de cela,
quand vous pensez être différent.
Voilà le volume que nous avons en commun.
06:12
This is the amountmontant that we sharepartager.
116
360538
2221
Maintenant que j'ai votre attention,
06:15
So now that I have your attentionattention,
117
363441
3429
06:18
the nextprochain questionquestion is:
118
366894
1359
la question suivante est :
06:20
How do I readlis it?
119
368277
1151
comment le lire ?
06:21
How do I make sensesens out of it?
120
369452
1509
Comment le comprendre ?
06:23
Well, for howevertoutefois good you can be
at assemblingassembler SwedishSuédois furnituremeubles,
121
371409
4240
Quand bien même vous seriez doués
pour monter des meubles suédois...
Ce manuel d'instruction ?
Vous n'arriverez jamais à le déchiffrer.
06:27
this instructioninstruction manualManuel
is nothing you can crackfissure in your life.
122
375673
3563
(Rires)
06:31
(LaughterRires)
123
379260
1603
Alors en 2014,
deux célèbres intervenants TED,
06:32
And so, in 2014, two famouscélèbre TEDstersTEDsters,
124
380887
3112
06:36
PeterPeter DiamandisDiamandis and CraigCraig VenterVirginie himselflui-même,
125
384023
2540
Peter Diamandis et Craig Venter lui-même,
ont décidé de monter
une nouvelle entreprise.
06:38
decideddécidé to assembleassembler a newNouveau companycompagnie.
126
386587
1927
06:40
HumanHumaine LongevityLongévité was bornnée,
127
388538
1412
Human Longevity était née,
avec une mission :
06:41
with one missionmission:
128
389974
1370
06:43
tryingen essayant everything we can try
129
391368
1861
essayer tout ce qui est possible,
06:45
and learningapprentissage everything
we can learnapprendre from these bookslivres,
130
393253
2759
apprendre tout ce que l'on peut
apprendre de ces livres.
06:48
with one targetcible --
131
396036
1705
Avec un objectif :
06:50
makingfabrication realréal the dreamrêver
of personalizedpersonnalisé medicinemédicament,
132
398862
2801
rendre réalisable le rêve
de la médecine personnalisée,
06:53
understandingcompréhension what things
should be doneterminé to have better healthsanté
133
401687
3767
comprendre ce que nous devrions faire
pour être en meilleure santé
06:57
and what are the secretssecrets in these bookslivres.
134
405478
2283
et quels sont les secrets
renfermés dans ces livres.
07:00
An amazingincroyable teaméquipe, 40 dataLes données scientistsscientifiques
and manybeaucoup, manybeaucoup more people,
135
408329
4250
Une équipe fantastique, 40 scientifiques
et beaucoup d'autres personnes,
07:04
a pleasureplaisir to work with.
136
412603
1350
un plaisir d'être avec eux.
07:05
The conceptconcept is actuallyréellement very simplesimple.
137
413977
2253
Le concept est en fait très simple.
Nous allons utiliser une technologie :
l'apprentissage par la machine.
07:08
We're going to use a technologyLa technologie
calledappelé machinemachine learningapprentissage.
138
416254
3158
07:11
On one sidecôté, we have genomesgénomes --
thousandsmilliers of them.
139
419436
4539
D'un côté, nous avons
des génomes, par milliers.
De l'autre, on a assemblé la plus grande
base de données sur l'humain :
07:15
On the other sidecôté, we collectedrecueilli
the biggestplus grand databasebase de données of humanHumain beingsêtres:
140
423999
3997
phénotypes, scan 3D, RMN,
tout ce à quoi vous pouvez penser.
07:20
phenotypesphénotypes, 3D scanbalayage, NMRRMN --
everything you can think of.
141
428020
4296
07:24
InsideÀ l’intérieur there, on these two oppositecontraire sidescôtés,
142
432340
2899
Au sein de ces deux facettes
bien distinctes
se trouve le secret de la traduction.
07:27
there is the secretsecret of translationTraduction.
143
435263
2442
Au centre, on a construit une machine.
07:29
And in the middlemilieu, we buildconstruire a machinemachine.
144
437729
2472
07:32
We buildconstruire a machinemachine
and we traintrain a machinemachine --
145
440801
2385
On a construit une machine
que l'on entraîne...
pas seulement une machine,
mais de très nombreuses machines,
07:35
well, not exactlyexactement one machinemachine,
manybeaucoup, manybeaucoup machinesmachines --
146
443210
3210
pour essayer de comprendre le génome
et de le traduire en phénotype.
07:38
to try to understandcomprendre and translateTraduire
the genomegénome in a phenotypephénotype.
147
446444
4544
Que sont ces lettres
et quelles sont leurs fonctions ?
07:43
What are those lettersdes lettres,
and what do they do?
148
451362
3340
C’est une approche
qui peut être utilisée pour tout,
07:46
It's an approachapproche that can
be used for everything,
149
454726
2747
mais l'utiliser en génomique
est particulièrement compliqué.
07:49
but usingen utilisant it in genomicsla génomique
is particularlyparticulièrement complicatedcompliqué.
150
457497
2993
07:52
Little by little we grewgrandi and we wanted
to buildconstruire differentdifférent challengesdéfis.
151
460514
3276
Petit à petit, on se développe
et cherche différents défis.
On a commencé
avec les traits communs.
07:55
We startedcommencé from the beginningdébut,
from commoncommun traitstraits.
152
463814
2732
Les traits communs sont confortables
car ils sont communs,
07:58
CommonCommune traitstraits are comfortableconfortable
because they are commoncommun,
153
466570
2603
08:01
everyonetoutes les personnes has them.
154
469197
1184
tout le monde les a.
08:02
So we startedcommencé to askdemander our questionsdes questions:
155
470405
2494
On a donc commencé
par se poser cette question :
Peut-on prédire la taille ?
08:04
Can we predictprédire heightla taille?
156
472923
1380
08:06
Can we readlis the bookslivres
and predictprédire your heightla taille?
157
474985
2177
Peut-on lire le livre
et prédire la taille ?
Eh bien, en fait, on le peut,
avec une précision de 5 cm.
08:09
Well, we actuallyréellement can,
158
477186
1151
08:10
with fivecinq centimeterscentimètres of precisionprécision.
159
478361
1793
08:12
BMIIMC is fairlyéquitablement connectedconnecté to your lifestylemode de vie,
160
480178
3135
L'IMC est très liée à notre style de vie,
mais on y arrive quand même,
avec 8 kg de précision.
08:15
but we still can, we get in the ballparkBallpark,
eighthuit kilogramskilogrammes of precisionprécision.
161
483337
3864
08:19
Can we predictprédire eyeœil colorCouleur?
162
487225
1231
Prédire la couleur des yeux ?
Oui, on le peut.
08:20
Yeah, we can.
163
488480
1158
Avec 80 % d'exactitude.
08:21
EightyQuatre-vingts percentpour cent accuracyprécision.
164
489662
1324
08:23
Can we predictprédire skinpeau colorCouleur?
165
491466
1858
Peut-on prédire la couleur de la peau ?
Oui, avec 80 % d'exactitude.
08:25
Yeah we can, 80 percentpour cent accuracyprécision.
166
493348
2441
08:27
Can we predictprédire ageâge?
167
495813
1340
Peut-on prédire l'âge ?
08:30
We can, because apparentlyApparemment,
the codecode changeschangements duringpendant your life.
168
498121
3739
Oui, puisqu'apparemment,
le code change au cours de la vie.
08:33
It getsobtient shorterplus court, you loseperdre piecesdes morceaux,
it getsobtient insertionsinsertions.
169
501884
3282
Il se raccourcit, perd des bouts,
reçoit des ajouts.
On lit le signal et on crée le modèle.
08:37
We readlis the signalssignaux, and we make a modelmaquette.
170
505190
2555
Autre défi intéressant :
08:40
Now, an interestingintéressant challengedéfi:
171
508438
1475
08:41
Can we predictprédire a humanHumain facevisage?
172
509937
1729
peut-on prédire la forme d'un visage ?
C'est un peu compliqué,
08:45
It's a little complicatedcompliqué,
173
513014
1278
08:46
because a humanHumain facevisage is scattereddispersés
amongparmi millionsdes millions of these lettersdes lettres.
174
514316
3191
car le visage est dispersé
parmi des millions de ces lettres.
Un visage humain n'est pas
un objet très bien défini.
08:49
And a humanHumain facevisage is not
a very well-definedbien défini objectobjet.
175
517531
2629
Il faut donc en reconstruire
un pan entier
08:52
So, we had to buildconstruire an entiretout tierniveau of it
176
520184
2051
pour faire apprendre à la machine
ce qu'est un visage,
08:54
to learnapprendre and teachapprendre
a machinemachine what a facevisage is,
177
522259
2710
l'intégrer et le compresser.
08:56
and embedintégrer and compresscompresse it.
178
524993
2037
08:59
And if you're comfortableconfortable
with machinemachine learningapprentissage,
179
527054
2248
Si vous connaissez
l'apprentissage par la machine,
09:01
you understandcomprendre what the challengedéfi is here.
180
529326
2284
vous comprenez le défi
qu'il y a à relever ici.
09:04
Now, after 15 yearsannées -- 15 yearsannées after
we readlis the first sequenceséquence --
181
532108
5991
Après 15 années, 15 années
après avoir lu le premier séquençage,
09:10
this OctoberOctobre, we startedcommencé
to see some signalssignaux.
182
538123
2902
en octobre dernier, nous avons commencé
à voir certains signaux.
09:13
And it was a very emotionalémotif momentmoment.
183
541049
2455
Et ce fut un moment très émouvant.
Ce que vous voyez ici est
un sujet venu dans notre labo.
09:15
What you see here is a subjectassujettir
comingvenir in our lablaboratoire.
184
543528
3745
09:19
This is a facevisage for us.
185
547619
1928
C'est un visage pour nous.
09:21
So we take the realréal facevisage of a subjectassujettir,
we reduceréduire the complexitycomplexité,
186
549571
3631
On a pris le vrai visage du sujet
et on l'a simplifié,
car tout n'est pas dans le visage,
09:25
because not everything is in your facevisage --
187
553226
1970
09:27
lots of featuresfonctionnalités and defectsdéfauts
and asymmetriesasymétries come from your life.
188
555220
3786
beaucoup de caractéristiques, de défauts
et d'asymétries résultent de votre vie.
On a symétrisé le visage
et on a fait tourner l'algorithme.
09:31
We symmetrizesymmetrize the facevisage,
and we runcourir our algorithmalgorithme de.
189
559030
3469
Le résultat que je vous montre maintenant,
09:35
The resultsrésultats that I showmontrer you right now,
190
563245
1898
09:37
this is the predictionprédiction we have
from the blooddu sang.
191
565167
3372
c'est la prédiction obtenue grâce au sang.
09:41
(ApplauseApplaudissements)
192
569596
1524
(Applaudissements)
09:43
Wait a secondseconde.
193
571144
1435
Attendez un peu.
En ce moment, vos yeux regardent,
de gauche à droite, de gauche à droite,
09:44
In these secondssecondes, your eyesles yeux are watchingen train de regarder,
left and right, left and right,
194
572603
4692
09:49
and your braincerveau wants
those picturesdes photos to be identicalidentique.
195
577319
3930
et votre cerveau veut
que ces images soient identiques.
09:53
So I askdemander you to do
anotherun autre exerciseexercice, to be honesthonnête.
196
581273
2446
Je vais donc vous demander de faire
un autre exercice,
09:55
Please searchchercher for the differencesdifférences,
197
583743
2287
cherchez les différences,
09:58
whichlequel are manybeaucoup.
198
586054
1361
qui sont nombreuses.
Le plus grand nombre de signaux
vient du genre,
09:59
The biggestplus grand amountmontant of signalsignal
comesvient from genderle genre,
199
587439
2603
ensuite vient l'âge, l'IMC,
la composante ethnique de la personne.
10:02
then there is ageâge, BMIIMC,
the ethnicityorigine ethnique componentcomposant of a humanHumain.
200
590066
5201
Et ensuite, ça se complique
de plus en plus.
10:07
And scalingmise à l'échelle up over that signalsignal
is much more complicatedcompliqué.
201
595291
3711
Mais ce que vous voyez ici,
même les différences,
10:11
But what you see here,
even in the differencesdifférences,
202
599026
3250
vous laisse comprendre
que vous tenez le bon bout,
10:14
letspermet you understandcomprendre
that we are in the right ballparkBallpark,
203
602300
3595
que vous vous rapprochez
et que ça vous donne déjà des émotions.
10:17
that we are gettingobtenir closerplus proche.
204
605919
1348
10:19
And it's alreadydéjà givingdonnant you some emotionsémotions.
205
607291
2349
Voici un autre sujet qui est venu,
10:21
This is anotherun autre subjectassujettir
that comesvient in placeendroit,
206
609664
2703
10:24
and this is a predictionprédiction.
207
612391
1409
et ceci est la prédiction.
Un visage un peu plus petit,
10:25
A little smallerplus petit facevisage, we didn't get
the completeAchevée cranialcrânien structurestructure,
208
613824
4596
nous n'avons pas
la structure crânienne complète.
mais tout de même, c'est assez proche.
10:30
but still, it's in the ballparkBallpark.
209
618444
2651
Voici un sujet qui est venu à notre labo,
10:33
This is a subjectassujettir that comesvient in our lablaboratoire,
210
621634
2224
et voici la prédiction.
10:35
and this is the predictionprédiction.
211
623882
1443
10:38
So these people have never been seenvu
in the trainingentraînement of the machinemachine.
212
626056
4676
Ces gens n'ont jamais été vus
pendant l'entraînement de la machine.
10:42
These are the so-calledsoi-disant "held-outtenue-out" setensemble.
213
630756
2837
On les appelle « échantillon caché ».
10:45
But these are people that you will
probablyProbablement never believe.
214
633617
3740
Mais on ne peut pas trop
se fier à ces gens non plus.
10:49
We're publishingédition everything
in a scientificscientifique publicationpublication,
215
637381
2676
On publie tout
dans les revues scientifiques,
vous pouvez le lire.
10:52
you can readlis it.
216
640081
1151
Quitte à être sur scène,
Chris m'a lancé un défi.
10:53
But sincedepuis we are onstagesur scène,
ChrisChris challengedcontesté me.
217
641256
2344
J'ai probablement pris un risque
et j'ai essayé de prédire
10:55
I probablyProbablement exposedexposé myselfmoi même
and trieda essayé to predictprédire
218
643624
3626
10:59
someoneQuelqu'un that you mightpourrait recognizereconnaître.
219
647274
2831
quelqu'un que vous reconnaitrez peut-être.
11:02
So, in this vialflacon of blooddu sang --
and believe me, you have no ideaidée
220
650470
4425
Dans cette fiole de sang,
croyez-moi, vous n'avez pas idée
de ce que l'on a dû faire
pour avoir ce sang ici,
11:06
what we had to do to have
this blooddu sang now, here --
221
654919
2880
11:09
in this vialflacon of blooddu sang is the amountmontant
of biologicalbiologique informationinformation
222
657823
3901
dans cette fiole de sang se trouve
la quantité d'information biologique
nécessaire pour un séquençage
complet du génome.
11:13
that we need to do a fullplein genomegénome sequenceséquence.
223
661748
2277
Nous avons juste besoin de cette quantité.
11:16
We just need this amountmontant.
224
664049
2070
Nous avons analysé cette séquence,
et je vais le faire avec vous.
11:18
We rancouru this sequenceséquence,
and I'm going to do it with you.
225
666528
3205
11:21
And we startdébut to layercouche up
all the understandingcompréhension we have.
226
669757
3979
Et nous avons commencé à empiler
toutes les connaissances que nous avions.
Dans cette fiole de sang, nous avons
prédit que c'était un homme.
11:25
In the vialflacon of blooddu sang,
we predictedprédit he's a malemâle.
227
673760
3350
Et le sujet était un homme.
11:29
And the subjectassujettir is a malemâle.
228
677134
1364
11:30
We predictprédire that he's a metermètre and 76 cmcm.
229
678996
2438
Nous avons prédit qu'il mesurait 1,76 m.
11:33
The subjectassujettir is a metermètre and 77 cmcm.
230
681458
2392
Il mesure en fait 1,77 m.
11:35
So, we predictedprédit that he's 76;
the subjectassujettir is 82.
231
683874
4110
Nous avons prédit
qu'il faisait 76 kg, il en fait 82.
Nous avons prédit son âge : 38 ans.
11:40
We predictprédire his ageâge, 38.
232
688701
2632
Le sujet a 35 ans.
11:43
The subjectassujettir is 35.
233
691357
1904
Nous avons prédit la couleur de ses yeux.
11:45
We predictprédire his eyeœil colorCouleur.
234
693851
2124
Trop foncé.
11:48
Too darkfoncé.
235
696824
1211
Nous avons prédit la couleur de sa peau.
11:50
We predictprédire his skinpeau colorCouleur.
236
698059
1555
On y est presque.
11:52
We are almostpresque there.
237
700026
1410
11:53
That's his facevisage.
238
701899
1373
Voici son visage.
11:57
Now, the revealrévéler momentmoment:
239
705172
3269
Maintenant, le moment de vérité :
12:00
the subjectassujettir is this personla personne.
240
708465
1770
le sujet est cette personne.
12:02
(LaughterRires)
241
710259
1935
(Rires)
12:04
And I did it intentionallyintentionnellement.
242
712218
2058
Et je l'ai fait intentionnellement.
Je suis d'une ethnicité très particulière.
12:06
I am a very particularparticulier
and peculiarétrange ethnicityorigine ethnique.
243
714300
3692
Européens du sud, Italiens,
les modèles ne correspondent jamais.
12:10
SouthernSud EuropeanEuropéenne, ItaliansItaliens --
they never fiten forme in modelsdes modèles.
244
718016
2950
12:12
And it's particularparticulier -- that ethnicityorigine ethnique
is a complexcomplexe cornercoin caseCas for our modelmaquette.
245
720990
5130
C'est particulier, cette ethnicité
est un cas complexe pour notre modèle.
Mais, il y a encore autre chose.
12:18
But there is anotherun autre pointpoint.
246
726144
1509
L'une des choses que l'on utilise
beaucoup pour reconnaître les gens
12:19
So, one of the things that we use
a lot to recognizereconnaître people
247
727677
3477
12:23
will never be writtenécrit in the genomegénome.
248
731178
1722
n'est jamais écrite dans le génome.
12:24
It's our freegratuit will, it's how I look.
249
732924
2317
C'est notre libre arbitre,
ce dont on a l'air.
12:27
Not my haircutCoupe de cheveux in this caseCas,
but my beardbarbe cutCouper.
250
735265
3229
Ici, pas ma coupe de cheveux,
mais ma barbe.
12:30
So I'm going to showmontrer you, I'm going to,
in this caseCas, transfertransfert it --
251
738518
3553
Je vais vous montrer,
je vais juste la transférer,
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingla modélisation --
252
742095
2765
ce n'est que du Photoshop,
pas de modélisation,
12:36
the beardbarbe on the subjectassujettir.
253
744884
1713
la barbe du sujet.
12:38
And immediatelyimmédiatement, we get
much, much better in the feelingsentiment.
254
746621
3472
Et immédiatement, on arrive
bien mieux à me reconnaitre.
12:42
So, why do we do this?
255
750955
2709
Pourquoi fait-on donc ça ?
12:47
We certainlycertainement don't do it
for predictingprédire heightla taille
256
755938
5140
On ne le fait certainement pas
pour prédire la taille,
12:53
or takingprise a beautifulbeau picturephoto
out of your blooddu sang.
257
761102
2372
ou avoir une belle image
à partir de votre sang.
12:56
We do it because the sameMême technologyLa technologie
and the sameMême approachapproche,
258
764390
4018
On le fait car la même technologie
et la même approche,
l'apprentissage par la machine
pour ce code,
13:00
the machinemachine learningapprentissage of this codecode,
259
768432
2520
13:02
is helpingportion us to understandcomprendre how we work,
260
770976
3137
nous aide à comprendre
comment nous fonctionnons,
13:06
how your bodycorps workstravaux,
261
774137
1486
comment votre corps fonctionne,
13:07
how your bodycorps agesâge,
262
775647
1665
comment votre corps vieillit,
13:09
how diseasemaladie generatesgénère in your bodycorps,
263
777336
2769
comment les maladies
se déclarent dans votre corps,
13:12
how your cancercancer growsgrandit and developsdéveloppe,
264
780129
2972
comment votre cancer grandit
et se développe,
comment les médicaments marchent,
13:15
how drugsdrogues work
265
783125
1783
et s'ils fonctionnent dans votre corps.
13:16
and if they work on your bodycorps.
266
784932
2314
13:19
This is a hugeénorme challengedéfi.
267
787713
1667
C'est un sérieux défi.
C'est un défi que l'on partage
13:21
This is a challengedéfi that we sharepartager
268
789894
1638
13:23
with thousandsmilliers of other
researchersdes chercheurs around the worldmonde.
269
791556
2579
avec des milliers d'autres chercheurs
de par le monde.
13:26
It's calledappelé personalizedpersonnalisé medicinemédicament.
270
794159
2222
C'est la médecine personnalisée.
13:29
It's the abilitycapacité to movebouge toi
from a statisticalstatistique approachapproche
271
797125
3460
C'est la faculté de partir
d'une approche statistique
où l'on est juste
une goutte dans l'océan,
13:32
where you're a dotpoint in the oceanocéan,
272
800609
2032
13:34
to a personalizedpersonnalisé approachapproche,
273
802665
1813
à une approche personnalisée,
13:36
where we readlis all these bookslivres
274
804502
2185
où nous lisons tous ces livres
et nous arrivons à comprendre
exactement comment vous êtes.
13:38
and we get an understandingcompréhension
of exactlyexactement how you are.
275
806711
2864
Mais c'est un défi
particulièrement compliqué,
13:42
But it is a particularlyparticulièrement
complicatedcompliqué challengedéfi,
276
810260
3362
parce que de tous ces livres, à ce jour,
13:45
because of all these bookslivres, as of todayaujourd'hui,
277
813646
3998
13:49
we just know probablyProbablement two percentpour cent:
278
817668
2642
on ne connaît probablement que 2 % :
13:53
fourquatre bookslivres of more than 175.
279
821027
3653
quatre livres sur plus de 175.
13:58
And this is not the topicsujet of my talk,
280
826021
3206
Et ce n'est pas le sujet
de mon intervention,
14:02
because we will learnapprendre more.
281
830145
2598
car on en saura plus à l'avenir.
Les meilleurs cerveaux de la planète
travaillent sur ces sujets.
14:05
There are the bestmeilleur mindsesprits
in the worldmonde on this topicsujet.
282
833378
2669
Les prédictions vont s'améliorer,
14:09
The predictionprédiction will get better,
283
837048
1834
14:10
the modelmaquette will get more preciseprécis.
284
838906
2253
le modèle va devenir plus précis.
14:13
And the more we learnapprendre,
285
841183
1858
Et plus on apprendra,
plus l'on se retrouvera devant des choix
que nous n'avons jamais eus à faire avant
14:15
the more we will
be confrontedconfronté with decisionsles décisions
286
843065
4830
14:19
that we never had to facevisage before
287
847919
3021
sur la vie,
14:22
about life,
288
850964
1435
14:24
about deathdécès,
289
852423
1674
sur la mort,
14:26
about parentingparentalité.
290
854121
1603
sur l'éducation parentale.
Nous touchons donc aux détails intimes
du fonctionnement de la vie.
14:32
So, we are touchingémouvant the very
innerinterne detaildétail on how life workstravaux.
291
860626
4746
Et c'est une révolution
qui ne peut pas être confinée
14:38
And it's a revolutionrévolution
that cannotne peux pas be confinedconfinées
292
866118
3158
14:41
in the domaindomaine of sciencescience or technologyLa technologie.
293
869300
2659
au domaine de la science
ou des technologies.
Ceci doit être une conversation globale.
14:44
This mustdoit be a globalglobal conversationconversation.
294
872960
2244
14:47
We mustdoit startdébut to think of the futureavenir
we're buildingbâtiment as a humanityhumanité.
295
875798
5217
Nous devons réfléchir à l'avenir
que nous construisons tous.
Nous devons interagir avec
les créateurs, les artistes,
14:53
We need to interactinteragir with creativesCreatives,
with artistsartistes, with philosophersphilosophes,
296
881039
4064
les philosophes et les politiciens.
14:57
with politiciansLes politiciens.
297
885127
1510
14:58
EveryoneTout le monde is involvedimpliqué,
298
886661
1158
Chacun est impliqué
car il s'agit de l'avenir de notre espèce.
14:59
because it's the futureavenir of our speciesespèce.
299
887843
2825
Sans peur, mais en comprenant
15:03
WithoutSans fearpeur, but with the understandingcompréhension
300
891273
3968
que les décisions que nous prendrons
durant l'année à venir
15:07
that the decisionsles décisions
that we make in the nextprochain yearan
301
895265
3871
15:11
will changechangement the coursecours of historyhistoire foreverpour toujours.
302
899160
3789
changeront pour toujours
le cours de l'histoire.
Merci.
15:15
Thank you.
303
903732
1160
15:16
(ApplauseApplaudissements)
304
904916
10159
(Applaudissements)
Translated by Thomas P.
Reviewed by Morgane Quilfen

▲Back to top

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

Why you should listen

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

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

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