ABOUT THE SPEAKER
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.

Why you should listen

The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.

Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.

He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."

Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>

More profile about the speaker
Allan Jones | Speaker | TED.com
TEDGlobal 2011

Allan Jones: A map of the brain

Allan Jones: Az agy térképe

Filmed:
1,269,611 views

Hogy kezdhetjük megérteni, hogyan működik az agy? Ugyanúgy, ahogy egy várost kezdünk megismerni: térkép készítésével. Ebben a vizuálisan lenyűgöző előadásban Allan Jones megmutatja, hogyan térképezi fel a csoportja, mely gének vannak bekapcsolva az egyes pici területeken, és ezek hogyan kapcsolódnak össze.
- Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio

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

00:15
HumansEmberek have long heldtartotta a fascinationlenyűgöző
0
0
2000
Az embereket régóta lenyűgözi
00:17
for the humanemberi brainagy.
1
2000
2000
az emberi agy.
00:19
We chartdiagram it, we'vevoltunk describedleírt it,
2
4000
3000
Részekre osztottuk, leírtuk,
00:22
we'vevoltunk drawnhúzott it,
3
7000
2000
lerajzoltuk,
00:24
we'vevoltunk mappedrendelve it.
4
9000
3000
térképet készítettünk róla.
00:27
Now just like the physicalfizikai mapstérképek of our worldvilág
5
12000
3000
Éppen úgy, mint a fizikai világunk térképeivel,
00:30
that have been highlymagasan influencedbefolyásolható by technologytechnológia --
6
15000
3000
amelyeket nagyban befolyásol a technika --
00:33
think GoogleGoogle MapsTérképek,
7
18000
2000
gondoljanak csak a Google Maps-re,
00:35
think GPSGPS --
8
20000
2000
a GPS-re --
00:37
the sameazonos thing is happeningesemény for brainagy mappingtérképészet
9
22000
2000
ugyanaz a dolog történik az agy térképezésével is
00:39
throughkeresztül transformationátalakítás.
10
24000
2000
az átalakulás során.
00:41
So let's take a look at the brainagy.
11
26000
2000
Tehát vessünk egy pillantást az agyra.
00:43
MostA legtöbb people, when they first look at a freshfriss humanemberi brainagy,
12
28000
3000
A legtöbb ember, amikor megnéz egy friss emberi agyat,
00:46
they say, "It doesn't look what you're typicallyjellemzően looking at
13
31000
3000
azt mondja: "Ez nem úgy néz ki, mint amit tipikusan látsz,
00:49
when someonevalaki showsműsorok you a brainagy."
14
34000
2000
amikor valaki megmutat neked egy agyat."
00:51
TypicallyÁltalában, what you're looking at is a fixedrögzített brainagy. It's grayszürke.
15
36000
3000
Amit tipikusan néz az ember, az egy fixált agy. Szürke.
00:54
And this outerkülső layerréteg, this is the vasculatureérrendszer,
16
39000
2000
Ez a külső réteg, ez az érrendszer,
00:56
whichmelyik is incrediblehihetetlen, around a humanemberi brainagy.
17
41000
2000
ami hihetetlen, az emberi agy körül.
00:58
This is the bloodvér vesselshajók.
18
43000
2000
Ez az érhálózat.
01:00
20 percentszázalék of the oxygenoxigén
19
45000
3000
Az oxigén 20%-a,
01:03
comingeljövetel from your lungstüdő,
20
48000
2000
ami a tüdőből jön,
01:05
20 percentszázalék of the bloodvér pumpedpumpa from your heartszív,
21
50000
2000
a vér 20%-a, amit a szív pumpál,
01:07
is servicingszervizelés this one organszerv.
22
52000
2000
ezt az egy szervet szolgálja.
01:09
That's basicallyalapvetően, if you holdtart two fistsököllel togetheregyütt,
23
54000
2000
Alapvetően, ha a két öklünket összerakjuk,
01:11
it's just slightlynémileg largernagyobb than the two fistsököllel.
24
56000
2000
az agy csak egy picit nagyobb, mint a két ököl.
01:13
ScientistsA tudósok, sortfajta of at the endvég of the 20thth centuryszázad,
25
58000
3000
A tudósok a 20. század vége felé rájöttek,
01:16
learnedtanult that they could tracknyomon követni bloodvér flowfolyam
26
61000
2000
hogyan követhetik a véráramot ahhoz,
01:18
to maptérkép non-invasivelynem-invazív
27
63000
3000
hogy nem invazív módon térképezzék fel,
01:21
where activitytevékenység was going on in the humanemberi brainagy.
28
66000
3000
hol megy végbe aktivitás az emberi agyban.
01:24
So for examplepélda, they can see in the back partrész of the brainagy,
29
69000
3000
Így például beleláthatnak az agy hátsó részébe,
01:27
whichmelyik is just turningfordítás around there.
30
72000
2000
ami éppen most fordul ide.
01:29
There's the cerebellumkisagy; that's keepingtartás you uprightfüggőleges right now.
31
74000
2000
Ez a kisagy; ez tart minket felegyenesedve.
01:31
It's keepingtartás me standingálló. It's involvedrészt in coordinatedkoordinált movementmozgalom.
32
76000
3000
Ez tart állva. Részt vesz a koordinációs mozgásokban.
01:34
On the sideoldal here, this is temporalidőbeli cortexkéreg.
33
79000
3000
Itt oldalt ez a temporális kéreg.
01:37
This is the areaterület where primaryelsődleges auditoryhallási processingfeldolgozás --
34
82000
3000
Ez az a terület, ahol az elsődleges hallás
01:40
so you're hearingmeghallgatás my wordsszavak,
35
85000
2000
végbemegy -- így hallják a hangomat, és elküldik
01:42
you're sendingelküldés it up into highermagasabb languagenyelv processingfeldolgozás centersközpontok.
36
87000
2000
a magasabb rendű nyelvi feldolgozó központokba.
01:44
TowardsFelé the frontelülső of the brainagy
37
89000
2000
Az agy elülső része felé haladva itt van
01:46
is the placehely in whichmelyik all of the more complexösszetett thought, decisiondöntés makinggyártás --
38
91000
3000
a bonyolultabb gondolkodás, döntéshozás helye --
01:49
it's the last to matureérett in latekéső adulthoodfelnőttkorban.
39
94000
4000
ez lesz utoljára érett a késői felnőttkorban.
01:53
This is where all your decision-makingDöntéshozatal processesfolyamatok are going on.
40
98000
3000
Itt megy végbe az összes döntéshozó folyamat.
01:56
It's the placehely where you're decidingdöntés right now
41
101000
2000
Ez az a hely, ahol éppen most talán azt döntik el,
01:58
you probablyvalószínűleg aren'tnem going to ordersorrend the steaksteak for dinnervacsora.
42
103000
3000
hogy nem rendelnek steaket vacsorára.
02:01
So if you take a deepermélyebb look at the brainagy,
43
106000
2000
Szóval, ha mélyebben belenézünk az agyba,
02:03
one of the things, if you look at it in cross-sectionkeresztmetszet,
44
108000
2000
ha megnézzük a keresztmetszetét,
02:05
what you can see
45
110000
2000
az egyik dolog, amit látunk az,
02:07
is that you can't really see a wholeegész lot of structureszerkezet there.
46
112000
3000
hogy nem igazán látunk sok szerkezetet.
02:10
But there's actuallytulajdonképpen a lot of structureszerkezet there.
47
115000
2000
De valójában nagyon strukturált.
02:12
It's cellssejteket and it's wiresvezetékek all wiredvezetékes togetheregyütt.
48
117000
2000
A sejtjei és vezetékei mind össze vannak kötve egymással.
02:14
So about a hundredszáz yearsévek agoezelőtt,
49
119000
2000
Kb. 100 évvel ezelőtt néhány tudós
02:16
some scientiststudósok inventedfeltalált a stainfolt that would stainfolt cellssejteket.
50
121000
2000
felfedezett egy festéket, ami megfesti a sejteket.
02:18
And that's shownLátható here in the the very lightfény bluekék.
51
123000
3000
Ez látható itt a nagyon világos kék részen.
02:21
You can see areasnak
52
126000
2000
Láthatjuk azokat a területeket,
02:23
where neuronalneuronális cellsejt bodiestestületek are beinglény stainedfestett.
53
128000
2000
ahol az idegsejttestek meg vannak festve.
02:25
And what you can see is it's very non-uniformnem egységes. You see a lot more structureszerkezet there.
54
130000
3000
És amit látunk, nem egységes. Bonyolult szerkezetet látunk.
02:28
So the outerkülső partrész of that brainagy
55
133000
2000
Szóval az agy külső része
02:30
is the neocortexagykéregben.
56
135000
2000
a neocortex (magyarul új agykéreg).
02:32
It's one continuousfolyamatos processingfeldolgozás unitegység, if you will.
57
137000
3000
Ez egy folytonos feldolgozóegység, ha úgy tetszik.
02:35
But you can alsois see things underneathalul there as well.
58
140000
2000
De alatta is láthatunk dolgokat.
02:37
And all of these blanküres areasnak
59
142000
2000
Ezek a fehér területek azok a helyek,
02:39
are the areasnak in whichmelyik the wiresvezetékek are runningfutás throughkeresztül.
60
144000
2000
amiken keresztül a vezetékek futnak.
02:41
They're probablyvalószínűleg lessKevésbé cellsejt densesűrű.
61
146000
2000
Ezek valószínűleg kevesebb sejtet tartalmaznak.
02:43
So there's about 86 billionmilliárd, ezermillió neuronsneuronok in our brainagy.
62
148000
4000
Körülbelül 86 milliárd idegsejt található az agyunkban.
02:47
And as you can see, they're very non-uniformlynem egységesen distributedmegosztott.
63
152000
3000
És amint látják, nagyon egyenlőtlenül oszlanak el.
02:50
And how they're distributedmegosztott really contributeshozzájárul
64
155000
2000
Az, hogy hogyan oszlanak el, kapcsolatban van
02:52
to theirazok underlyingalapjául szolgáló functionfunkció.
65
157000
2000
az alapműködésükkel.
02:54
And of coursetanfolyam, as I mentionedemlített before,
66
159000
2000
És természetesen, ahogy már korábban említettem,
02:56
sincemivel we can now startRajt to maptérkép brainagy functionfunkció,
67
161000
3000
mivel elkezdtük feltérképezni az agy működését,
02:59
we can startRajt to tienyakkendő these into the individualEgyedi cellssejteket.
68
164000
3000
elkezdhetjük hozzákötni az egyedi sejtekhez.
03:02
So let's take a deepermélyebb look.
69
167000
2000
Nézzük csak meg mélyebben.
03:04
Let's look at neuronsneuronok.
70
169000
2000
Nézzük az idegsejteket.
03:06
So as I mentionedemlített, there are 86 billionmilliárd, ezermillió neuronsneuronok.
71
171000
2000
Tehát amint mondtam, 86 milliárd idegsejtünk van.
03:08
There are alsois these smallerkisebb cellssejteket as you'llazt is megtudhatod see.
72
173000
2000
Vannak még ezek a kisebb sejtek is, ahogy látni fogják.
03:10
These are supporttámogatás cellssejteket -- astrocytesastrocyták gliaglia.
73
175000
2000
Ezek támasztósejtek -- astrocyta gliasejtek.
03:12
And the nervesidegek themselvesmaguk
74
177000
3000
Maguk az idegek azok,
03:15
are the onesazok who are receivingrészesülő inputbemenet.
75
180000
2000
amik a bemenő jeleket kapják.
03:17
They're storingtárolása it, they're processingfeldolgozás it.
76
182000
2000
Tárolják és feldolgozzák.
03:19
EachMinden neuronidegsejt is connectedcsatlakoztatva viakeresztül synapsesszinapszisok
77
184000
4000
Minden idegsejt szinapszisokon keresztül kapcsolódik
03:23
to up to 10,000 other neuronsneuronok in your brainagy.
78
188000
3000
legalább tízezer másik idegsejthez az agyban.
03:26
And eachminden egyes neuronidegsejt itselfmaga
79
191000
2000
És minden idegsejt önmaga is
03:28
is largelynagymértékben uniqueegyedi.
80
193000
2000
jórészt egyedi.
03:30
The uniqueegyedi characterkarakter of bothmindkét individualEgyedi neuronsneuronok
81
195000
2000
Mind az egyes idegsejtek, mind az agyon belüli
03:32
and neuronsneuronok withinbelül a collectionGyűjtemény of the brainagy
82
197000
2000
idegsejtek együttesének egyedi jellegzetességeit
03:34
are drivenhajtott by fundamentalalapvető propertiestulajdonságok
83
199000
3000
alapvető biokémiájuk
03:37
of theirazok underlyingalapjául szolgáló biochemistrybiokémia.
84
202000
2000
sarkalatos tulajdonságai irányítják.
03:39
These are proteinsfehérjék.
85
204000
2000
Ezek fehérjék.
03:41
They're proteinsfehérjék that are controllingkontrolling things like ionIon channelcsatorna movementmozgalom.
86
206000
3000
Olyan fehérjék, amelyek olyasmit szabályoznak, mint az ioncsatornák.
03:44
They're controllingkontrolling who nervousideges systemrendszer cellssejteket partnerpartner up with.
87
209000
4000
Azt irányítják, hogy kivel társulnak az idegrendszer sejtjei.
03:48
And they're controllingkontrolling
88
213000
2000
Alapvetően mindent ezek
03:50
basicallyalapvetően everything that the nervousideges systemrendszer has to do.
89
215000
2000
szabályoznak, amit az idegrendszer csinál.
03:52
So if we zoomzoomolás in to an even deepermélyebb levelszint,
90
217000
3000
Ha még mélyebb szintre közelítünk,
03:55
all of those proteinsfehérjék
91
220000
2000
ezek a fehérjék mind
03:57
are encodedkódolt by our genomesgenomok.
92
222000
2000
bele vannak kódolva a genomunkba.
03:59
We eachminden egyes have 23 pairspárok of chromosomeskromoszómák.
93
224000
3000
Mindannyiunknak 23 pár kromoszómája van.
04:02
We get one from momanya, one from dadapu.
94
227000
2000
A párokból egyet anyutól, egyet aputól kapunk.
04:04
And on these chromosomeskromoszómák
95
229000
2000
És ezeken a kromoszómákon
04:06
are roughlynagyjából 25,000 genesgének.
96
231000
2000
durván 25 ezer gén van.
04:08
They're encodedkódolt in the DNADNS.
97
233000
2000
A DNS-be vannak belekódolva.
04:10
And the naturetermészet of a givenadott cellsejt
98
235000
3000
Egy adott sejt természetét,
04:13
drivingvezetés its underlyingalapjául szolgáló biochemistrybiokémia
99
238000
2000
amelyet alapvető biokémiája irányít,
04:15
is dictateddiktált by whichmelyik of these 25,000 genesgének
100
240000
3000
az szabja meg, hogy ebből a 25 ezer génből
04:18
are turnedfordult on
101
243000
2000
melyik van bekapcsolva,
04:20
and at what levelszint they're turnedfordult on.
102
245000
2000
és milyen szinten van bekapcsolva.
04:22
And so our projectprogram
103
247000
2000
A projektünk ezt a kiolvasott információt kutatja,
04:24
is seekingkeres to look at this readoutkiolvasás,
104
249000
3000
megnézzük ezt az információt, hogy megtudjuk,
04:27
understandingmegértés whichmelyik of these 25,000 genesgének is turnedfordult on.
105
252000
3000
ebből a 25 ezer génből melyik van bekapcsolva.
04:30
So in ordersorrend to undertakevállalják suchilyen a projectprogram,
106
255000
3000
A projekt végrehajtásához
04:33
we obviouslymagától értetődően need brainsagyvelő.
107
258000
3000
nyilvánvalóan agyakra van szükségünk.
04:36
So we sentküldött our lablabor techniciantechnikus out.
108
261000
3000
Ezért kiküldtük a labortechnikusunkat.
04:39
We were seekingkeres normalnormál humanemberi brainsagyvelő.
109
264000
2000
Szabályos emberi agyakat keresünk.
04:41
What we actuallytulajdonképpen startRajt with
110
266000
2000
Az orvosszakértői
04:43
is a medicalorvosi examiner'stesztlapok officehivatal.
111
268000
2000
hivatalban kezdtük.
04:45
This a placehely where the deadhalott are broughthozott in.
112
270000
2000
Ez az a hely, ahova a halottakat viszik.
04:47
We are seekingkeres normalnormál humanemberi brainsagyvelő.
113
272000
2000
Szabályos emberi agyakat keresünk.
04:49
There's a lot of criteriakritériumok by whichmelyik we're selectingkiválasztása these brainsagyvelő.
114
274000
3000
Sok kritérium alapján választjuk ki ezeket az agyakat.
04:52
We want to make sure
115
277000
2000
Biztosnak kell lennünk abban,
04:54
that we have normalnormál humansemberek betweenközött the ageskorosztály of 20 to 60,
116
279000
3000
hogy 20-60 éves közötti átlagos emberek,
04:57
they diedmeghalt a somewhatnémileg naturaltermészetes deathhalál
117
282000
2000
akik valamilyen természetes halállal haltak meg,
04:59
with no injurysérülés to the brainagy,
118
284000
2000
amely nem károsította az agyukat,
05:01
no historytörténelem of psychiatricpszichiátriai diseasebetegség,
119
286000
2000
nincs pszichiátriai kórelőzményük,
05:03
no drugsgyógyszerek on boardtábla --
120
288000
2000
nem drogoztak --
05:05
we do a toxicologytoxikológia workupworkup.
121
290000
2000
toxikológiai vizsgálatot végzünk.
05:07
And we're very carefulóvatos
122
292000
2000
Nagyon óvatosak vagyunk
05:09
about the brainsagyvelő that we do take.
123
294000
2000
az aggyal, amit elviszünk.
05:11
We're alsois selectingkiválasztása for brainsagyvelő
124
296000
2000
Olyan agyakat választunk,
05:13
in whichmelyik we can get the tissueszövet,
125
298000
2000
amelyekben a szövetet,
05:15
we can get consentbeleegyezés to take the tissueszövet
126
300000
2000
a szövet elviteléhez való hozzájárulást
05:17
withinbelül 24 hoursórák of time of deathhalál.
127
302000
2000
a halál után 24 órán belül megkaphatjuk.
05:19
Because what we're tryingmegpróbálja to measuremérték, the RNARNS --
128
304000
3000
Mivel amit mérni akarunk, az RNS --
05:22
whichmelyik is the readoutkiolvasás from our genesgének --
129
307000
2000
amely a génjeink kiolvasott információja --
05:24
is very labilelabilis,
130
309000
2000
nagyon labilis,
05:26
and so we have to movemozog very quicklygyorsan.
131
311000
2000
így nagyon gyorsan kell lépnünk.
05:28
One sideoldal notejegyzet on the collectionGyűjtemény of brainsagyvelő:
132
313000
3000
Egy széljegyzet az agyak gyűjtéséhez:
05:31
because of the way that we collectgyűjt,
133
316000
2000
a gyűjtés módja miatt,
05:33
and because we requirekíván consentbeleegyezés,
134
318000
2000
és mivel hozzájárulást kérünk,
05:35
we actuallytulajdonképpen have a lot more maleférfi brainsagyvelő than femalenői brainsagyvelő.
135
320000
3000
sokkal több férfiagyunk van, mint női.
05:38
MalesHím are much more likelyvalószínűleg to diemeghal an accidentalvéletlen deathhalál in the primelegfontosabb of theirazok life.
136
323000
3000
A férfiak sokkal nagyobb valószínűséggel halnak hirtelen halált
05:41
And menférfiak are much more likelyvalószínűleg
137
326000
2000
életük teljében. És a férfiaknak sokkal valószínűbb, hogy
05:43
to have theirazok significantjelentős other, spouseházastárs, give consentbeleegyezés
138
328000
3000
van egy fontos valakijük, házastársuk, aki
05:46
than the other way around.
139
331000
2000
beleegyezését adja, mint a másik nemnek.
05:48
(LaughterNevetés)
140
333000
4000
(Nevetés)
05:52
So the first thing that we do at the sitewebhely of collectionGyűjtemény
141
337000
2000
Tehát az első dolog, amit a begyűjtés
05:54
is we collectgyűjt what's calledhívott an MRMR.
142
339000
2000
helyén teszünk, hogy beszerezzük az MR-t.
05:56
This is magneticmágneses resonancerezonancia imagingImaging -- MRIMRI.
143
341000
2000
Ez a mágneses rezonanciás képalkotás -- MRI.
05:58
It's a standardalapértelmezett templatesablon by whichmelyik we're going to hanglóg the restpihenés of this dataadat.
144
343000
3000
Ez egy standard sablon, amellyel a többi adatot fogjuk be.
06:01
So we collectgyűjt this MRMR.
145
346000
2000
Tehát megcsináljuk az MR-t. Úgy gondoljanak rá,
06:03
And you can think of this as our satelliteműhold viewKilátás for our maptérkép.
146
348000
2000
hogy ez a térképünk műholdas nézete.
06:05
The nextkövetkező thing we do
147
350000
2000
A következő dolog, amit csinálunk,
06:07
is we collectgyűjt what's calledhívott a diffusiondiffúzió tensortenzor imagingImaging.
148
352000
3000
a diffúziós tenzor leképezés.
06:10
This mapstérképek the largenagy cablingkábelezés in the brainagy.
149
355000
2000
Ez az agy nagy idegpályáit térképezi le.
06:12
And again, you can think of this
150
357000
2000
Úgy gondolhatnak erre, ha tetszik, mintha
06:14
as almostmajdnem mappingtérképészet our interstateállamközi highwaysautópályák, if you will.
151
359000
2000
az államok közötti autópályákat térképeznénk.
06:16
The brainagy is removedeltávolított from the skullkoponya,
152
361000
2000
Az agyat kiveszik a koponyából,
06:18
and then it's slicedszeletelt into one-centimeteregy centiméteres slicesszeletek.
153
363000
3000
aztán egy centiméteres szeletekre vágják.
06:21
And those are frozenfagyott solidszilárd,
154
366000
2000
Ezeket megfagyasztják,
06:23
and they're shippedszállított to SeattleSeattle.
155
368000
2000
majd elszállítják Seattle-be.
06:25
And in SeattleSeattle, we take these --
156
370000
2000
Mi Seattle-ben fogjuk ezeket --
06:27
this is a wholeegész humanemberi hemispherefélteke --
157
372000
2000
ez egy teljes emberi félteke --, és betesszük
06:29
and we put them into what's basicallyalapvetően a glorifiedmegdicsőült meathús slicerszeletelő.
158
374000
2000
őket alapvetően egy megszépített hússzeletelőbe.
06:31
There's a bladepenge here that's going to cutvágott acrossát
159
376000
2000
Van itt egy penge, ami átvágja a
06:33
a sectionszakasz of the tissueszövet
160
378000
2000
szövetmetszetet,
06:35
and transferátruházás it to a microscopeMikroszkóp slidecsúszik.
161
380000
2000
és átalakítja mikroszkópos metszetté.
06:37
We're going to then applyalkalmaz one of those stainsfoltok to it,
162
382000
2000
Aztán az egyik festékkel megfestjük,
06:39
and we scanletapogatás it.
163
384000
2000
és megvizsgáljuk.
06:41
And then what we get is our first mappingtérképészet.
164
386000
3000
Amit így kapunk, az az első térképezésünk.
06:44
So this is where expertsszakértők come in
165
389000
2000
Itt jönnek a képbe a szakértők,
06:46
and they make basicalapvető anatomicanatómiai assignmentshozzárendelések.
166
391000
2000
és alapvető anatómiai felosztást végeznek.
06:48
You could considerfontolgat this stateállapot boundarieshatárok, if you will,
167
393000
3000
Államhatároknak is képzelhetik ezeket,
06:51
those prettyszép broadszéles outlineskörvonalak.
168
396000
2000
azokat a meglehetősen durva körvonalakat.
06:53
From this, we're ableképes to then fragmenttöredék that brainagy into furthertovábbi piecesdarabok,
169
398000
4000
Ebből aztán az agyat további darabokra tudjuk szétszedni,
06:57
whichmelyik then we can put on a smallerkisebb cryostatkriosztát.
170
402000
2000
amiket majd egy kisebb kriosztátba tehetünk.
06:59
And this is just showingkiállítás this here --
171
404000
2000
Éppen ezt mutatom itt --
07:01
this frozenfagyott tissueszövet, and it's beinglény cutvágott.
172
406000
2000
ez a fagyasztott szövet, amit éppen vágnak.
07:03
This is 20 micronsmikron thinvékony, so this is about a babybaba hair'shaj widthszélesség.
173
408000
3000
Ez húsz mikron vastag, körülbelül egy kisbaba hajszálának a szélességével egyenlő.
07:06
And rememberemlékezik, it's frozenfagyott.
174
411000
2000
Ne felejtsék el, meg van fagyasztva.
07:08
And so you can see here,
175
413000
2000
Itt láthatják, hogy egy régimódi
07:10
old-fashionedrégimódi technologytechnológia of the paintbrushecset beinglény appliedalkalmazott.
176
415000
2000
technikát, ecsetet alkalmazunk.
07:12
We take a microscopeMikroszkóp slidecsúszik.
177
417000
2000
Fogunk egy mikroszkópos metszetet.
07:14
Then we very carefullygondosan meltolvadás onto-ra the slidecsúszik.
178
419000
3000
Nagyon óvatosan ráolvasztjuk a tárgylemezre.
07:17
This will then go onto-ra a robotrobot
179
422000
2000
Ezután egy robotra kerül,
07:19
that's going to applyalkalmaz one of those stainsfoltok to it.
180
424000
3000
amely valamelyik festéket alkalmazza.
07:26
And our anatomistsszívkamra are going to go in and take a deepermélyebb look at this.
181
431000
3000
Jönnek az anatómusaink , és alaposabban megnézik.
07:29
So again this is what they can see underalatt the microscopeMikroszkóp.
182
434000
2000
Ezt látják a mikroszkóp alatt.
07:31
You can see collectionsgyűjtemények and configurationskonfigurációk
183
436000
2000
Nagy és kis sejtek halmozódását
07:33
of largenagy and smallkicsi cellssejteket
184
438000
2000
és alakzatait látják
07:35
in clustersklaszterek and variouskülönféle placeshelyek.
185
440000
2000
csoportokba rendeződve, különböző helyeken.
07:37
And from there it's routinerutin. They understandmegért where to make these assignmentshozzárendelések.
186
442000
2000
Innen kezdve már rutinmunka jön. Tudják, hol kell megcsinálni
07:39
And they can make basicallyalapvetően what's a referencereferencia atlasatlasz.
187
444000
3000
a felosztásokat. Alapvetően egy referenciaatlaszt tudnak készíteni.
07:42
This is a more detailedrészletes maptérkép.
188
447000
2000
Ez egy részletesebb térkép.
07:44
Our scientiststudósok then use this
189
449000
2000
A tudósaink aztán ezt használják arra,
07:46
to go back to anotheregy másik piecedarab of that tissueszövet
190
451000
3000
hogy visszatérjenek ugyanannak a szövetnek egy
07:49
and do what's calledhívott laserlézer scanningletapogatás microdissectionmicrodissection.
191
454000
2000
másik darabjához, és lézer mikrodisszekciót végezzenek.
07:51
So the techniciantechnikus takes the instructionsutasítás.
192
456000
3000
A technikus megkapja az utasításokat.
07:54
They scribeScribe alongmentén a placehely there.
193
459000
2000
Körberajzol egy helyet.
07:56
And then the laserlézer actuallytulajdonképpen cutsvágások.
194
461000
2000
Aztán a lézer kivágja.
07:58
You can see that bluekék dotpont there cuttingvágás. And that tissueszövet fallszuhatag off.
195
463000
3000
Látják azt a kék pontot, amit kivág. Aztán ez a szövet leesik.
08:01
You can see on the microscopeMikroszkóp slidecsúszik here,
196
466000
2000
Itt láthatják a mikroszkopikus metszetet,
08:03
that's what's happeningesemény in realigazi time.
197
468000
2000
ez valós időben történik.
08:05
There's a containertartály underneathalul that's collectinggyűjtő that tissueszövet.
198
470000
3000
Van egy tartály alatta, ami felfogja a szövetet.
08:08
We take that tissueszövet,
199
473000
2000
Vesszük ezt a szövetet,
08:10
we purifytisztítására the RNARNS out of it
200
475000
2000
alapvető technológia segítségével
08:12
usinghasználva some basicalapvető technologytechnológia,
201
477000
2000
RNS-t tisztítunk belőle,
08:14
and then we put a florescentfluoreszkáló tagcímke on it.
202
479000
2000
aztán egy fluoreszcens jelet teszünk rá.
08:16
We take that taggedTagged materialanyag
203
481000
2000
Fogjuk ezt a megjelölt anyagot,
08:18
and we put it on to something calledhívott a microarrayMicroarray.
204
483000
3000
és egy microarray-re tesszük.
08:21
Now this maylehet look like a bunchcsokor of dotspontok to you,
205
486000
2000
Ez most Önöknek lehet, hogy úgy néz ki, mint egy csomó pont,
08:23
but eachminden egyes one of these individualEgyedi dotspontok
206
488000
2000
de ezeknek az egyedi pontoknak mindegyike
08:25
is actuallytulajdonképpen a uniqueegyedi piecedarab of the humanemberi genomegenom
207
490000
2000
valójában a humán genom egy egyedi darabja,
08:27
that we spottedfoltos down on glassüveg.
208
492000
2000
amit üvegre képeztünk le.
08:29
This has roughlynagyjából 60,000 elementselemek on it,
209
494000
3000
Durván 60 ezer elem van rajta,
08:32
so we repeatedlytöbbször measuremérték variouskülönféle genesgének
210
497000
3000
tehát a genomban lévő 25 ezer gén
08:35
of the 25,000 genesgének in the genomegenom.
211
500000
2000
változatait többször mérjük.
08:37
And when we take a sampleminta and we hybridizekeresztez it to it,
212
502000
3000
Amikor veszünk egy mintát és hozzá hibridizáljuk,
08:40
we get a uniqueegyedi fingerprintujjlenyomat, if you will,
213
505000
2000
egy egyedi lenyomatot kapunk, ha úgy tetszik, mennyiségileg
08:42
quantitativelyvigyük át veszteség nélkül of what genesgének are turnedfordult on in that sampleminta.
214
507000
3000
megkapjuk, hogy abban a mintában mely gének vannak bekapcsolva.
08:45
Now we do this over and over again,
215
510000
2000
Ezt a folyamatot újra és újra megcsináljuk
08:47
this processfolyamat for any givenadott brainagy.
216
512000
3000
egy adott agy esetében.
08:50
We're takingbevétel over a thousandezer samplesminták for eachminden egyes brainagy.
217
515000
3000
Mindegyik agyból több mint ezer mintát veszünk.
08:53
This areaterület shownLátható here is an areaterület calledhívott the hippocampushippocampus.
218
518000
3000
Ez a terület, amit itt látnak, a hippokampusz.
08:56
It's involvedrészt in learningtanulás and memorymemória.
219
521000
2000
Ez a tanulásban és a memóriában játszik szerepet.
08:58
And it contributeshozzájárul to about 70 samplesminták
220
523000
3000
És ez körülbelül 70 mintával járul hozzá
09:01
of those thousandezer samplesminták.
221
526000
2000
ahhoz az ezer mintához.
09:03
So eachminden egyes sampleminta getsjelentkeznek us about 50,000 dataadat pointspont
222
528000
4000
Mindegyik minta körülbelül 50 ezer adatpontot ad nekünk,
09:07
with repeatismétlés measurementsmérések, a thousandezer samplesminták.
223
532000
3000
ismételt mérésekkel, ezer mintából.
09:10
So roughlynagyjából, we have 50 millionmillió dataadat pointspont
224
535000
2000
Így durván 50 millió adatpontunk van
09:12
for a givenadott humanemberi brainagy.
225
537000
2000
egy adott emberi agy esetében.
09:14
We'veMost már doneKész right now
226
539000
2000
Éppen most csináltunk meg
09:16
two humanemberi brains-worthagy-ér of dataadat.
227
541000
2000
két emberi agynyi adatot.
09:18
We'veMost már put all of that togetheregyütt
228
543000
2000
Ezeket egy dologgá
09:20
into one thing,
229
545000
2000
illesztjük össze,
09:22
and I'll showelőadás you what that synthesisszintézis looksúgy néz ki, like.
230
547000
2000
és megmutatom Önöknek, hogy néz ki ez a szintézis.
09:24
It's basicallyalapvetően a largenagy dataadat setkészlet of informationinformáció
231
549000
3000
Ez alapvetően egy nagy információs adathalmaz,
09:27
that's all freelyönként availableelérhető to any scientisttudós around the worldvilág.
232
552000
3000
amely szabadon elérhető bármelyik tudós számára a világon.
09:30
They don't even have to loglog in to come use this tooleszköz,
233
555000
3000
Még csak be sem kell jelentkezniük ennek az eszköznek a használatához,
09:33
mineenyém this dataadat, find interestingérdekes things out with this.
234
558000
4000
hogy bányásszanak az adatok között, hogy érdekes dolgokat tudjanak meg.
09:37
So here'sitt the modalitiesmódozatok that we put togetheregyütt.
235
562000
3000
Itt van a jelleg, amit összeraktunk.
09:40
You'llYou'll startRajt to recognizeelismerik these things from what we'vevoltunk collectedösszegyűjtött before.
236
565000
3000
Felismerhetik azokat a dolgokat, amikből kiindultunk.
09:43
Here'sItt van the MRMR. It provideselőírja the frameworkkeretrendszer.
237
568000
2000
Itt van az MR. Ez adja a vázat.
09:45
There's an operatorüzemeltető sideoldal on the right that allowslehetővé tesz you to turnfordulat,
238
570000
3000
A jobb oldalon van egy kezelői oldal, ami
09:48
it allowslehetővé tesz you to zoomzoomolás in,
239
573000
2000
lehetővé teszi a forgatást, a nagyítást,
09:50
it allowslehetővé tesz you to highlightJelölje ki a individualEgyedi structuresszerkezetek.
240
575000
3000
lehetővé teszi egyedi struktúrák kiemelését.
09:53
But mosta legtöbb importantlyfontosabb,
241
578000
2000
De a legfontosabb, hogy most már ebben
09:55
we're now mappingtérképészet into this anatomicanatómiai frameworkkeretrendszer,
242
580000
3000
az anatómiai vázban térképezünk, amely egy közös váz
09:58
whichmelyik is a commonközös frameworkkeretrendszer for people to understandmegért where genesgének are turnedfordult on.
243
583000
3000
az embereknek, hogy megtudják, hol vannak bekapcsolva a gének.
10:01
So the redpiros levelsszintek
244
586000
2000
A piros felszínek azok,
10:03
are where a genegén is turnedfordult on to a great degreefokozat.
245
588000
2000
ahol a gének nagymértékben be vannak kapcsolva.
10:05
GreenZöld is the sortfajta of coolmenő areasnak where it's not turnedfordult on.
246
590000
3000
A zöld egyfajta hideg terület, ahol nincsenek bekapcsolva.
10:08
And eachminden egyes genegén givesad us a fingerprintujjlenyomat.
247
593000
2000
Mindegyik gén egy ujjlenyomatot ad nekünk.
10:10
And rememberemlékezik that we'vevoltunk assayedvizsgált all the 25,000 genesgének in the genomegenom
248
595000
5000
Ne felejtsék el, megvizsgáltuk mind a 25 ezer gént a genomban,
10:15
and have all of that dataadat availableelérhető.
249
600000
4000
és az összes adatot elérhetővé tettük.
10:19
So what can scientiststudósok learntanul about this dataadat?
250
604000
2000
Mit tanulhatnak a tudósok ezekből az adatokból?
10:21
We're just startingkiindulási to look at this dataadat ourselvesminket.
251
606000
3000
Mi magunk is éppen most kezdjük megnézni ezeket az adatokat.
10:24
There's some basicalapvető things that you would want to understandmegért.
252
609000
3000
Van néhány alap dolog, amit az ember meg szeretne tudni.
10:27
Two great examplespéldák are drugsgyógyszerek,
253
612000
2000
A gyógyszer a fő példánk ,
10:29
ProzacProzac and WellbutrinWellbutrin.
254
614000
2000
a Prozac és a Wellbutrin.
10:31
These are commonlyáltalában prescribedelőírt antidepressantsantidepresszánsok.
255
616000
3000
Ezek rendszeresen felírt antidepresszánsok.
10:34
Now rememberemlékezik, we're assaying-vizsgálatok genesgének.
256
619000
2000
Ne felejtsék el, géneket vizsgálunk.
10:36
GenesGének sendelküld the instructionsutasítás to make proteinsfehérjék.
257
621000
3000
A gének küldik a fehérjék készítéséhez az utasításokat.
10:39
ProteinsFehérjék are targetscélkitűzések for drugsgyógyszerek.
258
624000
2000
A fehérjék a gyógyszerek célpontjai.
10:41
So drugsgyógyszerek bindköt to proteinsfehérjék
259
626000
2000
A gyógyszerek hozzákapcsolódnak a fehérjékhez,
10:43
and eitherbármelyik turnfordulat them off, etcstb..
260
628000
2000
és kikapcsolják őket stb.
10:45
So if you want to understandmegért the actionakció of drugsgyógyszerek,
261
630000
2000
Ha meg akarjuk érteni a gyógyszerek működését,
10:47
you want to understandmegért how they're actingható in the waysmódokon you want them to,
262
632000
3000
meg akarjuk érteni, hogyan működnek úgy, ahogy szeretnénk,
10:50
and alsois in the waysmódokon you don't want them to.
263
635000
2000
és úgy, ahogy nem akarjuk, hogy működjenek.
10:52
In the sideoldal effecthatás profileProfil, etcstb..,
264
637000
2000
A mellékhatások profiljában stb.,
10:54
you want to see where those genesgének are turnedfordult on.
265
639000
2000
azt akarjuk látni, hogy azok a gének hol vannak bekapcsolva.
10:56
And for the first time, we can actuallytulajdonképpen do that.
266
641000
2000
És most először ezt tényleg meg tudjuk tenni.
10:58
We can do that in multipletöbbszörös individualsegyének that we'vevoltunk assayedvizsgált too.
267
643000
3000
Ezt több egyedben is megtehetjük, amiket megvizsgáltunk.
11:01
So now we can look throughoutegész the brainagy.
268
646000
3000
Tehát körülnézhetünk az agyban.
11:04
We can see this uniqueegyedi fingerprintujjlenyomat.
269
649000
2000
Láthatjuk ezeket az egyedi ujjlenyomatokat.
11:06
And we get confirmationmegerősítés.
270
651000
2000
Megerősítést kaphatunk.
11:08
We get confirmationmegerősítés that, indeedvalóban, the genegén is turnedfordult on --
271
653000
3000
Megerősítést kaphatunk, hogy valóban, a gén
11:11
for something like ProzacProzac,
272
656000
2000
be van kapcsolva -- olyasmi esetében, mint a Prozac,
11:13
in serotonergicszerotonerg structuresszerkezetek, things that are alreadymár knownismert be affectedérintett --
273
658000
3000
a szerotonerg szerkezetekben, olyan dolgok esetében, amikről már tudjuk, hogy hatásosak --
11:16
but we alsois get to see the wholeegész thing.
274
661000
2000
de az egész dolgot is láthatjuk.
11:18
We alsois get to see areasnak that no one has ever lookednézett at before,
275
663000
2000
Olyan területeket is láthatunk, amiket senki nem nézett meg ezelőtt,
11:20
and we see these genesgének turnedfordult on there.
276
665000
2000
és látjuk, hogy ezek a gének itt be vannak kapcsolva.
11:22
It's as interestingérdekes a sideoldal effecthatás as it could be.
277
667000
3000
Ez olyan érdekes mellékhatás, amilyen csak lehet.
11:25
One other thing you can do with suchilyen a thing
278
670000
2000
Egy másik dolog, amit az ilyesmivel meg lehet csinálni,
11:27
is you can, because it's a patternminta matchingmegfelelő exercisegyakorlat,
279
672000
3000
mivel ez egy mintaillesztési feladat,
11:30
because there's uniqueegyedi fingerprintujjlenyomat,
280
675000
2000
mivel egyedi ujjlenyomatok vannak,
11:32
we can actuallytulajdonképpen scanletapogatás throughkeresztül the entireteljes genomegenom
281
677000
2000
hogy végig pásztázzuk az egész genomot,
11:34
and find other proteinsfehérjék
282
679000
2000
és más fehérjéket keresünk,
11:36
that showelőadás a similarhasonló fingerprintujjlenyomat.
283
681000
2000
amelyeknek hasonló ujjlenyomatuk van.
11:38
So if you're in drugdrog discoveryfelfedezés, for examplepélda,
284
683000
3000
Ha az ember például a gyógyszerkutatásban
11:41
you can go throughkeresztül
285
686000
2000
dolgozik, végigmehet
11:43
an entireteljes listingtőzsdei of what the genomegenom has on offerajánlat
286
688000
2000
a teljes listán, amit a genom ad, hogy esetleg
11:45
to find perhapstalán better drugdrog targetscélkitűzések and optimizeoptimalizálása.
287
690000
4000
jobb gyógyszercélpontot találjon és optimalizáljon.
11:49
MostA legtöbb of you are probablyvalószínűleg familiarismerős
288
694000
2000
Önök közül valószínűleg nagyon sokan
11:51
with genome-widegenom-wide associationEgyesület studiestanulmányok
289
696000
2000
ismerik a genommal kapcsolatos tanulmányokat,
11:53
in the formforma of people coveringlefedő in the newshírek
290
698000
3000
ahogy a hírekben közvetítik:
11:56
sayingmondás, "ScientistsA tudósok have recentlymostanában discoveredfelfedezett the genegén or genesgének
291
701000
3000
„A tudósok nemrég felfedezték azt a gént vagy géneket,
11:59
whichmelyik affectérint X."
292
704000
2000
amely(ek) X-re hat(nak).”
12:01
And so these kindsféle of studiestanulmányok
293
706000
2000
Ezeket a fajta tanulmányokat
12:03
are routinelyrutinszerűen publishedközzétett by scientiststudósok
294
708000
2000
rendszeresen publikálják a tudósok,
12:05
and they're great. They analyzeelemez largenagy populationspopulációk.
295
710000
2000
és ezek nagyszerűek. Nagy populációkat elemeznek.
12:07
They look at theirazok entireteljes genomesgenomok,
296
712000
2000
Megnézik a teljes genomot,
12:09
and they try to find hotforró spotshelyek of activitytevékenység
297
714000
2000
és megpróbálnak aktivitási forró pontokat találni,
12:11
that are linkedösszekapcsolt causallyok-okozati to genesgének.
298
716000
3000
amelyek okozatilag a génekhez kapcsolódnak.
12:14
But what you get out of suchilyen an exercisegyakorlat
299
719000
2000
De egy ilyen kísérletből egyszerűen csak
12:16
is simplyegyszerűen a listlista of genesgének.
300
721000
2000
egy génlistát kapunk.
12:18
It tellsmegmondja you the what, but it doesn't tell you the where.
301
723000
3000
Ez megmutatja, hogy mi, de nem mutatja meg, hogy hol.
12:21
And so it's very importantfontos for those researcherskutatók
302
726000
3000
Ezeknek a kutatóknak nagyon fontos,
12:24
that we'vevoltunk createdkészítette this resourceforrás.
303
729000
2000
hogy létrehoztuk ezt a forrást.
12:26
Now they can come in
304
731000
2000
Most bejöhetnek,
12:28
and they can startRajt to get cluesnyomokat about activitytevékenység.
305
733000
2000
és kulcsot kaphatnak ezekhez az aktivitásokhoz.
12:30
They can startRajt to look at commonközös pathwaysutak --
306
735000
2000
Elkezdhetnek közös útvonalakat keresni --
12:32
other things that they simplyegyszerűen haven'tnincs been ableképes to do before.
307
737000
3000
más olyan dolgokat, amiket azelőtt nem tudtak megcsinálni.
12:36
So I think this audienceközönség in particularkülönös
308
741000
3000
Azt hiszem, ez a közönség különösen
12:39
can understandmegért the importancefontosság of individualityegyéniség.
309
744000
3000
megérti az egyéniség fontosságát.
12:42
And I think everyminden humanemberi,
310
747000
2000
Úgy gondolom, minden embernek,
12:44
we all have differentkülönböző geneticgenetikai backgroundsháttérrel,
311
749000
4000
mindannyiunknak más genetikai háttere van,
12:48
we all have livedélt separatekülönálló liveséletét.
312
753000
2000
mindannyian független életet élünk.
12:50
But the facttény is
313
755000
2000
De tény,
12:52
our genomesgenomok are greaternagyobb than 99 percentszázalék similarhasonló.
314
757000
3000
hogy a genomunk több mint 99%-a azonos.
12:55
We're similarhasonló at the geneticgenetikai levelszint.
315
760000
3000
Genetikai szinten azonosak vagyunk.
12:58
And what we're findinglelet
316
763000
2000
És valójában azt találjuk,
13:00
is actuallytulajdonképpen, even at the brainagy biochemicalbiokémiai levelszint,
317
765000
2000
hogy még az agy biokémiai szintjén is
13:02
we are quiteegészen similarhasonló.
318
767000
2000
meglehetősen hasonlóak vagyunk.
13:04
And so this showsműsorok it's not 99 percentszázalék,
319
769000
2000
Ez azt mutatja, hogy nem 99%,
13:06
but it's roughlynagyjából 90 percentszázalék correspondencelevelezés
320
771000
2000
hanem durván 90% egyezés van
13:08
at a reasonableésszerű cutoffcutoff,
321
773000
3000
egy ésszerű határon belül,
13:11
so everything in the cloudfelhő is roughlynagyjából correlatedkorrelált.
322
776000
2000
tehát a felhőben minden nagyjából összefüggésben van.
13:13
And then we find some outlierskiugró,
323
778000
2000
Találunk néhány távol álló pontot,
13:15
some things that liefekszik beyondtúl the cloudfelhő.
324
780000
3000
olyanokat, amik a felhőn kívül találhatók.
13:18
And those genesgének are interestingérdekes,
325
783000
2000
És azok a gének érdekesek,
13:20
but they're very subtleapró.
326
785000
2000
de nagyon apróak.
13:22
So I think it's an importantfontos messageüzenet
327
787000
3000
Azt hiszem, egy fontos üzenet,
13:25
to take home todayMa
328
790000
2000
amit ma hazavihetnek, hogy annak ellenére,
13:27
that even thoughbár we celebrateünnepel all of our differenceskülönbségek,
329
792000
3000
hogy a különbségeinket hangsúlyozzuk,
13:30
we are quiteegészen similarhasonló
330
795000
2000
meglehetősen hasonlóak vagyunk
13:32
even at the brainagy levelszint.
331
797000
2000
még az agy szintjén is.
13:34
Now what do those differenceskülönbségek look like?
332
799000
2000
Hogy néznek ki a különbségek?
13:36
This is an examplepélda of a studytanulmány that we did
333
801000
2000
Ez egy olyan tanulmányból vett példa, amit azért végeztünk,
13:38
to followkövesse up and see what exactlypontosan those differenceskülönbségek were --
334
803000
2000
hogy lássuk, pontosan mik ezek a különbségek --
13:40
and they're quiteegészen subtleapró.
335
805000
2000
és ezek bizony elég apróak.
13:42
These are things where genesgének are turnedfordult on in an individualEgyedi cellsejt typetípus.
336
807000
4000
Ezek olyan dolgok, ahol a gének be vannak kapcsolva egy egyedi sejttípusban.
13:46
These are two genesgének that we foundtalál as good examplespéldák.
337
811000
3000
Itt van két gén, amit jó példának találtunk.
13:49
One is calledhívott RELNRELN -- it's involvedrészt in earlykorai developmentalfejlődési cuesMegadja a végszót.
338
814000
3000
Az egyiket úgy hívják: RELN -- ez a korai fejlődési utasításokban vesz részt.
13:52
DISCLEMEZ1 is a genegén
339
817000
2000
A DISC1 egy olyan gén,
13:54
that's deletedtörölve in schizophreniaskizofrénia.
340
819000
2000
amely törölve van a skizofréniában.
13:56
These aren'tnem schizophrenicskizofrén individualsegyének,
341
821000
2000
Ezek nem skizofrén egyedek,
13:58
but they do showelőadás some populationnépesség variationvariáció.
342
823000
3000
de bizonyos ingadozást mutatnak a populációban.
14:01
And so what you're looking at here
343
826000
2000
Amit itt látnak,
14:03
in donordonor one and donordonor fournégy,
344
828000
2000
az egyes és négyes donorban,
14:05
whichmelyik are the exceptionskivételek to the other two,
345
830000
2000
a másik kettővel ellentétben,
14:07
that genesgének are beinglény turnedfordult on
346
832000
2000
hogy bekapcsolt gének vannak
14:09
in a very specifickülönleges subsetrészhalmaza of cellssejteket.
347
834000
2000
a sejtek egy nagyon specifikus alcsoportjában.
14:11
It's this darksötét purplelila precipitatekicsapódik withinbelül the cellsejt
348
836000
3000
Ez a sötétlila üledék a sejten belül
14:14
that's tellingsokatmondó us a genegén is turnedfordult on there.
349
839000
3000
mutatja, hogy egy gén ott be van kapcsolva.
14:17
WhetherE or not that's dueesedékes
350
842000
2000
Azt, hogy vajon ez az egyed genetikai hátterének
14:19
to an individual'sEgyéni geneticgenetikai backgroundháttér or theirazok experiencestapasztalatok,
351
844000
2000
vagy a tapasztalatainak köszönhető-e,
14:21
we don't know.
352
846000
2000
nem tudjuk.
14:23
Those kindsféle of studiestanulmányok requirekíván much largernagyobb populationspopulációk.
353
848000
3000
Az ilyesféle vizsgálatok sokkal nagyobb populációt igényelnek.
14:28
So I'm going to leaveszabadság you with a finalvégső notejegyzet
354
853000
2000
Egy utolsó megjegyzéssel távozom,
14:30
about the complexitybonyolultság of the brainagy
355
855000
3000
az agy összetettségére vonatkozóan,
14:33
and how much more we have to go.
356
858000
2000
és hogy milyen sokat kell még haladnunk.
14:35
I think these resourceserőforrások are incrediblyhihetetlenül valuableértékes.
357
860000
2000
Azt hiszem, ezek a források hihetetlenül értékesek.
14:37
They give researcherskutatók a handlefogantyú
358
862000
2000
Fogódzót adnak a kutatóknak azzal
14:39
on where to go.
359
864000
2000
kapcsolatban, hogy merre menjenek.
14:41
But we only lookednézett at a handfulmaroknyi of individualsegyének at this pointpont.
360
866000
3000
De eddig csak egy maroknyi egyedet néztünk meg.
14:44
We're certainlybiztosan going to be looking at more.
361
869000
2000
Biztos, hogy többet fogunk megnézni.
14:46
I'll just closeBezárás by sayingmondás
362
871000
2000
Azzal zárom,
14:48
that the toolsszerszámok are there,
363
873000
2000
hogy az eszközök ott vannak,
14:50
and this is trulyvalóban an unexploredismeretlen, undiscoveredfelfedezetlen continentkontinens.
364
875000
4000
és ez valóban egy felderítetlen, felfedezetlen kontinens.
14:54
This is the newúj frontierhatár, if you will.
365
879000
4000
Ez az új határ, ha úgy tetszik.
14:58
And so for those who are undauntedrettenthetetlen,
366
883000
2000
És azokat, akik rettenthetetlenek,
15:00
but humbledmegalázta by the complexitybonyolultság of the brainagy,
367
885000
2000
de alázatossá teszi őket az agy összetettsége,
15:02
the futurejövő awaitsvár.
368
887000
2000
várja a jövő.
15:04
Thankskösz.
369
889000
2000
Köszönöm.
15:06
(ApplauseTaps)
370
891000
9000
(Taps)
Translated by Edit Dr. Kósa
Reviewed by Laszlo Kereszturi

▲Back to top

ABOUT THE SPEAKER
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.

Why you should listen

The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.

Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.

He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."

Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>

More profile about the speaker
Allan Jones | Speaker | TED.com