TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
დანი ჰილისი: სიმსივნის გააზრება პროტეომიკების საშუალებით
Filmed:
Readability: 3.6
465,363 views
დენი ჰილსი ყურადღებას ამახვილებს პროტეომიკების საშუალებით სიმსივნის გამოკვლევაზე. მისი განმარტებით, გენომიკები გვაჩვენებენ ჩვენი ორგანიზმის ინგრედიენტების ჩამონათვალს, პროტეომიკები კი – ამ ინგრედიენტთა შედეგს. ორგანიზმში მიმდინარე მოვლენების პროტეინულ დონეზე გააზრებამ, შეიძლება, ჩამოგვიყალიბოს თანამედროვე იდეები სიმსივნის წარმოქმნის შესახებ.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
უნდა ვაღიარო რომ ცოტათი ვნერვიულობ
00:18
because I'm going to say some radical things,
1
3000
3000
იმიტომ,რომ უნდა ვესაუბრო ძირეული საკითხების შესახებ,
00:21
about how we should think about cancer differently,
2
6000
3000
თუ როგორ უნდა ვიფიქროთ სიმსივნეზე განსხვავებულად,
00:24
to an audience that contains a lot of people
3
9000
2000
უამრავი ადამიანისაგან შემდგარ აუდიტორიას,
00:26
who know a lot more about cancer than I do.
4
11000
3000
რომელთაც ჩემზე მეტი იციან სიმსივნის შესახებ.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
თუმცა არც ისე ვნერვიულობ
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
იმიტომ, რომ დარწმუნებული ვარ ჩემი სათქმელის სისწორეში.
00:35
(Laughter)
7
20000
2000
(სიცილი)
00:37
And that this, in fact, will be
8
22000
2000
და ფაქტიურად ეს იქნება
00:39
the way that we treat cancer in the future.
9
24000
3000
გზა,რომლითაც განვკურნავთ სიმსივნეს მომავალში.
00:43
In order to talk about cancer,
10
28000
2000
იმისათვის რომ ვისაუბროთ სიმსივნეზე,
00:45
I'm going to actually have to --
11
30000
3000
მე უნდა...
00:48
let me get the big slide here.
12
33000
3000
მოდი სლაიდს გაჩვენებთ.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
პირველ რიგში, მინდა დაგანახოთ გენომიკების განსხვავებული პერსპექტივა.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
მინდა, რომ პერსპექტივაში გვაძლევდეს დიდ სურათს
00:58
of all the other things that are going on --
15
43000
3000
იმ ყველაფრისა, რაც ხდება...
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
და შემდეგ ვისაუბრო პროტეომიკების შესახებ, რაზეც ბევრი არ გსმენიათ.
01:04
Having explained those,
17
49000
2000
ამის ახსნა
01:06
that will set up for what I think will be a different idea
18
51000
3000
წარმოაჩინებს იმას, რასაც მე მივიჩნევ განსხვავებულ იდეად
01:09
about how to go about treating cancer.
19
54000
2000
სიმსივნის განკურნებაში.
01:11
So let me start with genomics.
20
56000
2000
მოდით გენომიკებით დავიწყებ.
01:13
It is the hot topic.
21
58000
2000
პოპულარული თემაა.
01:15
It is the place where we're learning the most.
22
60000
2000
რომლის საშუალებითაც ყველაზე მეტს შევისწავლით.
01:17
This is the great frontier.
23
62000
2000
მოწინავე საკითხია,
01:19
But it has its limitations.
24
64000
3000
რომელსაც აქვს თავისი საზღვრები.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
ალბათ ყველას გსმენიათ ანალოგია
01:25
that the genome is like the blueprint of your body,
26
70000
3000
რომ გენომი ორგანიზმის პროგრამაა.
01:28
and if that were only true, it would be great,
27
73000
2000
და ეს რომ ჭეშმარიტება იყოს, ბრწყინვალე იქნება.
01:30
but it's not.
28
75000
2000
მაგრამ არ არის.
01:32
It's like the parts list of your body.
29
77000
2000
გენომი თქვენი ორგანიზმის ნაწილების ჩამონათვლის მსგავსია.
01:34
It doesn't say how things are connected,
30
79000
2000
ვერ ხსნის იმას, თუ როგორ არიან ეს ნაწილები დაკავშირებულნი.
01:36
what causes what and so on.
31
81000
3000
რას რა იწვევს და ა.შ.
01:39
So if I can make an analogy,
32
84000
2000
ასე, რომ თუ შევეცდები ანალოგის მოყვანას,
01:41
let's say that you were trying to tell the difference
33
86000
2000
წარმოვიდგინოთ რომ უნდა განვასხვაოთ
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
კარგი, კანსაღი და
01:46
and a sick restaurant,
35
91000
2000
ცუდი რესტორანი
01:48
and all you had was the list of ingredients
36
93000
2000
იმ ინგრედიენტების ჩამონათვლის მიხედვით,
01:50
that they had in their larder.
37
95000
3000
რაც მათ საწყობში აქვთ
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
ანუ თუ თქვენ წახვალთ ფრანგულ რესტორანში
01:56
and you looked through it and you found
39
101000
2000
და აღმოაჩენთ რომ
01:58
they only had margarine and they didn't have butter,
40
103000
2000
მათ აქვთ მხოლოდ მარგარინი, კარაქი კი - არა,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
შეგიძლიათ თქვათ:'' აჰა, ვხვდები რაშიც არის პრობლემა.
02:02
I can make them healthy."
42
107000
2000
მე შემიძლია გამოვასწორო ეს."
02:04
And there probably are special cases of that.
43
109000
2000
და, ალბათ, ამის განსაკუთრებული საშუალებებიც არის.
02:06
You could certainly tell the difference
44
111000
2000
თქვენ შეგიძლიათ თავისუფლად განასხვავოთ
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
ჩინური და ფრანგული რესტორნები
02:10
by what they had in a larder.
46
115000
2000
იმითი, თუ რა აქვთ საწყობში.
02:12
So the list of ingredients does tell you something,
47
117000
3000
ე.ი. ინგრედიენტების სია ნამდვილად გაძლევთ რაგაც ინფორმაციას.
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
და ზოგჯერ გატყობინებთ რომ რაღაც არასწორია.
02:19
If they have tons of salt,
49
124000
2000
მაგ: თუ აქვთ ტონობით მარილი,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
შეგიძლიათ დაასკვნათ, რომ ზედმეტად მარილიან კერძებს ამზადებენ.
02:24
But it's limited,
51
129000
2000
მაგრამ ესეც შემოსაზღვრულია:
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
იმისათვის, რომ გაარკვიო ჯანსაღი რესტორანია თუ არა,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
უნდა გასინჯო საკვები, უნდა იცოდე რა ხდება მათ სამზარეულოში,
02:31
you need the product of all of those ingredients.
54
136000
3000
და რა შედეგს გაძლევს ინგრედიენტების ნარევი.
02:34
So if I look at a person
55
139000
2000
ანუ თუ შევხედავ პიროვნებას
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
და აგრეთვე მის გენომს, ერთი და იგივეა.
02:39
The part of the genome that we can read
57
144000
2000
გენომის ის ნაწილი, რომლის ამოკითხვაც შეგვიძლია,
02:41
is the list of ingredients.
58
146000
2000
არის ინგრედიენტების ჩამონათვალი.
02:43
And so indeed,
59
148000
2000
და ზუსტად,
02:45
there are times when we can find ingredients
60
150000
2000
ზოგჯერ არის, რომ ვპოულობთ ინგრედიენტებს,
02:47
that [are] bad.
61
152000
2000
რომლებიც ცუდია.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
ფიბროზული კისტა არის მაგალითი,
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
როდესაც გაქვთ ცუდი ინგრედიენტები და , შესაბამისად, დაავადებაც.
02:54
and we can actually make a direct correspondence
64
159000
3000
და ჩვენ შეგვიძლია პირდაპირ დავაკავშიროთ
02:57
between the ingredient and the disease.
65
162000
3000
ინგრედიენტები და დაავადება.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
მაგრამ ხშირ შემთხვევებში, საჭიროა სამზარეულოში შეხედვა
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
იმიტომ, რომ დაავადებულ ადამიანთა უმრავლესობა ჯანმრთელი იყო...
03:05
they have the same genome.
68
170000
2000
მათი გენომი არ შეცვლილა.
03:07
So the genome really tells you much more
69
172000
2000
ანუ გენომი, ფაქტიურად, შეიცავს
03:09
about predisposition.
70
174000
2000
სავარაუდო ინფორმაციას.
03:11
So what you can tell
71
176000
2000
ანუ თქვენ მხოლოდ
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
შეგიძლიათ აღნიშნოთ განსხვავება აზიელ და ევროპელ ადამიანებს შორის
03:15
by looking at their ingredients list.
73
180000
2000
მათი შემადგენელი ინგრედიენტების საფუძველზე.
03:17
But you really for the most part can't tell the difference
74
182000
3000
მაგრამ, ხშირ შემთხვევაში, ვერ განასხვავებთ
03:20
between a healthy person and a sick person --
75
185000
3000
ჯანმრთელ და ავადმყოფ ადამიანს ერთმანეთისგან...
03:23
except in some of these special cases.
76
188000
2000
განსაკუთრებული შემთხვევების გარდა.
03:25
So why all the big deal
77
190000
2000
მაშინ რას გვაძლევს
03:27
about genetics?
78
192000
2000
გენეტიკა.
03:29
Well first of all,
79
194000
2000
ნუ,პირველ რიგში,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
ჩვენ შეგვიძლია მისი ამოკითხვა, რაც შესანიშნავი და
03:34
It is very useful in certain circumstances.
81
199000
3000
ძალიან სასარგებლოა გარკვეულ შემთხვევებში.
03:37
It's also the great theoretical triumph
82
202000
3000
და აგრეთვე დიდი თეორიული ტრიუმფია
03:40
of biology.
83
205000
2000
ბიოლოგიაში.
03:42
It's the one theory
84
207000
2000
ეს ერთ-ერთი თეორიაა,
03:44
that the biologists ever really got right.
85
209000
2000
რომელიც ბიოლოგებმა სწორად ამოხსნეს.
03:46
It's fundamental to Darwin
86
211000
2000
ეს დარვინისა და
03:48
and Mendel and so on.
87
213000
2000
მენდელის მონაპოვრის გაგრძელებაა.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
და ეს ერთი შემთხვევაა,სადაც მათ თეორიული კონსტრუქცია იწინასწარმეტყველეს.
03:54
So Mendel had this idea of a gene
89
219000
2000
მენდელს გენი წარმოედგინა
03:56
as an abstract thing,
90
221000
3000
როგორც აბსტრაქტული საგანი.
03:59
and Darwin built a whole theory
91
224000
2000
დარვინმა მთელი თეორია ააგო,
04:01
that depended on them existing,
92
226000
2000
რომელიც გენების არსებობაზე იყო დამოკიდებული.
04:03
and then Watson and Crick
93
228000
2000
შემდეგ უოტსონმა და კრიკმა
04:05
actually looked and found one.
94
230000
2000
აღმოაჩინეს ისინი.
04:07
So this happens in physics all the time.
95
232000
2000
ასეთი რამ ფიზიკაში მუდმივად ხდება.
04:09
You predict a black hole,
96
234000
2000
თქვენ წინასწარმეტყველებთ შავი ხვრელის არსებობას,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
იხედებით ტელესკოპით და პოულობთ მას.
04:14
But it rarely happens in biology.
98
239000
2000
მაგრამ ასე იშვიათად ხდება ბიოლოგიაში.
04:16
So this great triumph -- it's so good,
99
241000
3000
ამიტომაც არის ეს ტრიუმფი...
04:19
there's almost a religious experience
100
244000
2000
თითქოს რელიგიური გამოცდილებაა
04:21
in biology.
101
246000
2000
ბიოლოგიაში.
04:23
And Darwinian evolution
102
248000
2000
დარვინის ევოლუცია
04:25
is really the core theory.
103
250000
3000
ფუნდამენტური თეორიაა.
04:30
So the other reason it's been very popular
104
255000
2000
და სხვა მიზეზი, რამაც მისი პოპულარობა განაპირობა
04:32
is because we can measure it, it's digital.
105
257000
3000
არის ის, რომ ჩვენ შეგვიძლია გავზომოთ.
04:35
And in fact,
106
260000
2000
და ფაქტიურად,
04:37
thanks to Kary Mullis,
107
262000
2000
კერი მულისის წყალობით,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
თქვენ შეგიძლიათ გაზობოთ გენომი თქვენივე სამზარეულოში
04:43
with a few extra ingredients.
109
268000
3000
რამდენიმე ინგრედიენტის დამატებით.
04:46
So for instance, by measuring the genome,
110
271000
3000
გენომის განსაზღვრით
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
დავადგინეთ ჩვენი კავშირი სხვა ცხოველებთან,
04:53
by the closeness of our genome,
112
278000
3000
გენეტიკური სიახლოვე,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
ან როგორ ვენათესავებით ერთმანეთს – ოჯახის ხე,
04:59
or the tree of life.
114
284000
2000
ან სიცოცხლის ხე.
05:01
There's a huge amount of information about the genetics
115
286000
3000
უამრავი ინფორმაციის მოპოვება შეგიძლიათ გენეტიკური
05:04
just by comparing the genetic similarity.
116
289000
3000
მასალის უბრალო შედარებით.
05:07
Now of course, in medical application,
117
292000
2000
ეხლა, სამედიცინო აპლიკაციებში,
05:09
that is very useful
118
294000
2000
ეს ძალიან სასარგებლოა,
05:11
because it's the same kind of information
119
296000
3000
იმიტომ, რომ იმავე სახის ინფორმაციას წარმოადგენს,
05:14
that the doctor gets from your family medical history --
120
299000
3000
რასაც ექიმი იღებს ოჯახის წევრებისგან...
05:17
except probably,
121
302000
2000
ალბათ,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
თქვენმა გენომმა უფრო მეტი იცის თქვენი სამედიცინო ისტორიის შესახებ, ვიდრე თქვენ,
05:22
And so by reading the genome,
123
307000
2000
ამიტომ მისი გაშიფვრით
05:24
we can find out much more about your family than you probably know.
124
309000
3000
შევძლებთ იმაზე მეტის გარკვევას, რაც თქვენთვისაა ცნობილი.
05:27
And so we can discover things
125
312000
2000
ანუ ჩვენ შევძლებთ აღმოვაჩინოთ ის,
05:29
that probably you could have found
126
314000
2000
რასაც ალბათ თქვენ იპოვიდით
05:31
by looking at enough of your relatives,
127
316000
2000
ნათესავების დათვალიერებით.
05:33
but they may be surprising.
128
318000
3000
მაგრამ შეიძლება გამაოგნებელიც კი იყოს.
05:36
I did the 23andMe thing
129
321000
2000
მე გავიკეთე 23andMe(გენეტიკური ტესტი)
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
და გაკვირვებული დავრჩი აღმოჩენით რომ თურმე მსუქანი და მელოტი ვარ.
05:41
(Laughter)
131
326000
7000
(სიცილი)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
მაგრამ ზოგჯერ შეგიძლიათ გაცილებით უფრო საჭირო ინფორმაცია აღმოაჩინოთ.
05:51
But mostly
133
336000
3000
მაგრამ ხშირ შემთხვევაში
05:54
what you need to know, to find out if you're sick,
134
339000
2000
იმის გასარკვევად ხარ თუ არა ავად
05:56
is not your predispositions,
135
341000
2000
არ არის საკმარისი მხოლოდ მიდრეკილებების ცოდნა,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
არამედ ის თუ რა ხდება თქვენს ორგანიზმში ამ წუთს.
06:01
So to do that, what you really need to do,
137
346000
2000
ამისათვის, საჭიროა
06:03
you need to look at the things
138
348000
2000
იმათზე დაკვირვება,
06:05
that the genes are producing
139
350000
2000
რასაც გენომი აპროდუცირებს
06:07
and what's happening after the genetics,
140
352000
2000
და რაც ხდება გენეტიკის შემდეგ.
06:09
and that's what proteomics is about.
141
354000
2000
და აი სად გვჭირდება პროტეომიკები.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
ისევე,როგორც გენომი მოსაზღვრავს ყველა გენს,
06:14
proteomics is the study of all the proteins.
143
359000
3000
ასევე პროტეომიკები ყველა პროტეინის შესახებ ინფორმაციას.
06:17
And the proteins are all of the little things in your body
144
362000
2000
და პროტეინები არიან პატარა ქმნილებები,
06:19
that are signaling between the cells --
145
364000
3000
რომლებიც უჯრედებს შორის სიგნალს გადასცემენ...
06:22
actually, the machines that are operating --
146
367000
2000
ფაქტიურად მოფუნქციონირე მანქანები არიან.
06:24
that's where the action is.
147
369000
2000
სწორედ აქ ხდება მოქმედება.
06:26
Basically, a human body
148
371000
3000
ჩვეულებრივ, ადამიანის ორგანიზმში
06:29
is a conversation going on,
149
374000
3000
მიმდინარეობს განუწყვეტელი საუბარი
06:32
both within the cells and between the cells,
150
377000
3000
უჯრედებს შორის, რომლებიც
06:35
and they're telling each other to grow and to die,
151
380000
3000
ერთმანეთს ეუბნებიან გაიზარდნონ ან მოკვდნენ.
06:38
and when you're sick,
152
383000
2000
და როდესაც ავად ხართ,
06:40
something's gone wrong with that conversation.
153
385000
2000
ეს საუბრები არასწორად მიმდინარეობს.
06:42
And so the trick is --
154
387000
2000
საქმე ის არის რომ,
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
საუბედუროდ, ჩვენ არ შეგვიძლია ეს ყველაფერი განვსაზღვროთ ისევე,
06:47
like we can measure the genome.
156
392000
2000
როგორც გენომის შემთხვევაში.
06:49
So the problem is that measuring --
157
394000
3000
პრობლემა ის არის რომ...
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
თუ შეეცდებით ყველა პროტეინის ამოცნობას, ეს ძალიან რთული პროცესია,
06:55
It requires hundreds of steps,
159
400000
2000
ასობით საფეხურისგან შემდგარი,
06:57
and it takes a long, long time.
160
402000
2000
რასაც დიდი დრო სჭირდება.
06:59
And it matters how much of the protein it is.
161
404000
2000
ეს დამოკიდებულია აგრეთვე პროტეინის რაოდენობაზე.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
მისი 10%_ით ცვლილებაც კი შეიძლება მნიშვნელოვანი იყოს,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
ანუ არც ისე კარგი ციფრია როგორც დნმ_ის შენთხვევაში.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
ფაქტიურად პრობლემა ისაა, რომ ვთქვათ ვიღაც ამ ხანგრძლივი
07:09
of this very long stage,
165
414000
2000
პროცესის შუაშია,
07:11
they pause for just a moment,
166
416000
2000
ისვენებს ცოტა ხნით,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
და ტოვებს რამეს ენზიმთან ერთად რამდენიმე წამით,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
და უეცრად ყველა გამოთვლა, ამის შემდეგ,
07:17
don't work.
169
422000
2000
აღარ მუშაობს.
07:19
And so then people get very inconsistent results
170
424000
2000
და ხალხი იღებს შეუსაბამო პასუხებს
07:21
when they do it this way.
171
426000
2000
მსგავსი გამოთვლებისას.
07:23
People have tried very hard to do this.
172
428000
2000
მეცნიერები ბევრს შრომობენ ამისთვის.
07:25
I tried this a couple of times
173
430000
2000
მეც რამდენჯერმე ვცადე
07:27
and looked at this problem and gave up on it.
174
432000
2000
და ბოლოს დავნებდი.
07:29
I kept getting this call from this oncologist
175
434000
2000
მე ხშირად მირეკავდა ონკოლოგი
07:31
named David Agus.
176
436000
2000
სახელად დევიდ აგუსი.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Applied Minds_ს უამრავი ზარი შედის
07:36
from people who want help with their problems,
178
441000
2000
ადამიანებისგან, რომლებიც დახმარებას ითხოვენ,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
და არ მეგონა რომ ღირდა მეპასუხა,
07:41
so I kept on giving him to the delay list.
180
446000
3000
ამიტომ არ ვიღებდი ყურმილს.
07:44
And then one day,
181
449000
2000
და ერთ დღეს,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
მირეკავდნენ ჯონ დოერი, ბილ ბერკმანი
07:48
and Al Gore on the same day
183
453000
2000
და ალ გორი,
07:50
saying return David Agus's phone call.
184
455000
2000
მთხოვდნენ დავკავშირებოდი დევიდ აგუსს.
07:52
(Laughter)
185
457000
2000
(სიცილი)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
გავიფიქრე, "კარგი, მოხერხებული ბიჭი ყოფილა."
07:56
(Laughter)
187
461000
4000
(სიცილი)
08:00
So we started talking,
188
465000
2000
და ჩვენი დიალოგიც შედგა.
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
და მან მითხრა, " უკეთესი გზა მჭირდება პროტეინების განსაზღვრისა."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
რომელიც, ჩემი აზრით,
08:07
Not going to be easy."
191
472000
2000
არ იქნებოდა ადვილი.
08:09
He's like, "No, no. I really need it.
192
474000
2000
მან კი დაიჟინა,რომ აუცილებლად უნდა ეპოვნა,
08:11
I mean, I see patients dying every day
193
476000
4000
რადგან ყოველდღიურად იღუპებოდნენ პაციენტები
08:15
because we don't know what's going on inside of them.
194
480000
3000
იმიტომ, რომ ვერ ადგენდნენ თუ რა ხდებოდა მის ორგანიზმში.
08:18
We have to have a window into this."
195
483000
2000
საჭირო იყო სპეციალური გზის მოძებნა.
08:20
And he took me through
196
485000
2000
და მანაც მაჩვენა და განმიმარტა
08:22
specific examples of when he really needed it.
197
487000
3000
მაგალითები, როდესაც განსაკუთრებით ჭირდებოდა.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
და მეც მივხვდი, რომ ამას შეიძლება დიდი ცვლილება მოჰყოლოდა,
08:27
if we could do it,
199
492000
2000
თუ, რა თქმა უნდა, შევძლებდით.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
და მეც დავთანხმდი ერთად მუშაობაზე.
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds_ს საკმარისი თანხა აქვს,
08:33
that we can go and just work on something
202
498000
2000
რათა ვიმუშაოთ სურვილისამებრ
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
ვინმეს დაფინანსების მოლოდინის გარეშეც.
08:38
So we started playing around with this.
204
503000
2000
ასე რომ ჩვენც დავიწყეთ ამ თემაზე მუშაობა.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
მუშაობის პროცესში მივხვდით თუ რაც იყო პრობლემა...
08:43
that taking the sip of coffee --
206
508000
2000
ყავის პატარა ყლუპი...
08:45
that there were humans doing this complicated process
207
510000
2000
აქამდე ადამიანები აკეთებდენენ ამ ჩახლართულ პროცესს,
08:47
and that what really needed to be done
208
512000
2000
და საჭირო იყო
08:49
was to automate this process like an assembly line
209
514000
3000
პროცესის ავტომატიზირებულ რეჟიმზე გადაყვანა,
08:52
and build robots
210
517000
2000
და რობოტების აგება,
08:54
that would measure proteomics.
211
519000
2000
რომლებიც გაზომავდნენ პროტეომიკებს.
08:56
And so we did that,
212
521000
2000
და ჩვენ შევძელით ეს.
08:58
and working with David,
213
523000
2000
დავიდთან ერთად
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
შევქმენით მცირე კომპანია სახელად Applied Proteomics
09:03
which makes this robotic assembly line,
215
528000
3000
რომელიც ამზადებს რობოტების საამწყობო კონვეიერს,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
რის საშუალებითაც იზომება პროტეინები.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
მეც განახებთ თუ როგორ გამოიყურება ეს პროცესი.
09:13
Basically, what we do
218
538000
2000
ძირითადად, რასაც ჩვენ ვაკეთბთ არის ის
09:15
is we take a drop of blood
219
540000
2000
რომ ვიღებთ სისხლის წვეთს
09:17
out of a patient,
220
542000
2000
რომელიმე პაციენტიდან,
09:19
and we sort out the proteins
221
544000
2000
გადავარჩევთ პროტეინებს
09:21
in the drop of blood
222
546000
2000
სისხლის წვეთში
09:23
according to how much they weigh,
223
548000
2000
მათი წონის,
09:25
how slippery they are,
224
550000
2000
და სხვა თვისებების მიხედვით
09:27
and we arrange them in an image.
225
552000
3000
და ვიღებთ კონკრეტულ სურათს,
09:30
And so we can look at literally
226
555000
2000
სადაც ზედმიწევნით ჩანს
09:32
hundreds of thousands of features at once
227
557000
2000
ასობით ათასი მოლეკულა ერთ ფონზე
09:34
out of that drop of blood.
228
559000
2000
სისხლის წვეთიდან.
09:36
And we can take a different one tomorrow,
229
561000
2000
და ჩვენ შეგვიძლია სხვა სინჯის აღება მეორე დღეს,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
და პროტეინულ განსხვავებაზე დაკვირვება...
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
სურათი შეიცვლება ჭამისა ან/და ძილის შემდეგ.
09:43
They really tell us what's going on there.
232
568000
3000
ისინი ნამდვილად გვატყობინებენ თუ რა ხდება ორგანიზმში.
09:46
And so this picture,
233
571000
2000
და ეს სურათი,
09:48
which looks like a big smudge to you,
234
573000
2000
რომელიც შეიძლება დიდ ლაქად მოგეჩვენოთ,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
ფაქტიურად არის ის რამაც მღელვარება შემმატა
09:54
and made me feel like we were on the right track.
236
579000
2000
და მაგრძნობინა რომ სწორ გზაზე ვდგევართ.
09:56
So if I zoom into that picture,
237
581000
2000
თუ გავადიდებ ამ სურათს,
09:58
I can just show you what it means.
238
583000
2000
შემიძლია გაჩვენოთ რას ნიშნავს.
10:00
We sort out the proteins -- from left to right
239
585000
3000
მარცხნიდან მარჯვნივ აღრიცხულია
10:03
is the weight of the fragments that we're getting,
240
588000
3000
პროტეინები წონის მიხედვით,
10:06
and from top to bottom is how slippery they are.
241
591000
3000
ზემოდან ქვემოთ კი - რამდენად სრიალა.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
უფრო გავადიდებ რომ უკეთესად გაჩვენოთ.
10:12
And so each of these lines
243
597000
2000
ე.ი. თითოეული ხაზი
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
წარმოადგენს პროტეინის ნაწილისაგან მიგებულ სიგნალს.
10:17
And you can see how the lines occur
245
602000
2000
და თქვენ ხედავთ თუ როგორ წარმოიქმნება ხაზები
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
ამ პატარა ჯგუფებში: bump, bump, bump, bump, bump
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
ეს იმიტომ, რომ ჩვენ ვზომავთ მასას ისეთი სიზუსტით, რომ...
10:26
carbon comes in different isotopes,
248
611000
2000
ნახშირბადი არსებობს სხვადასხვა იზოტოპების სახით,
10:28
so if it has an extra neutron on it,
249
613000
3000
და თუ მას აქვს ზედმეტი ნეიტრონი,
10:31
we actually measure it as a different chemical.
250
616000
4000
ჩვენ აღვრიცხავთ მას როგორც განსხვავებულ ნივთიერებას.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
ანუ იზოტოპები განსხვავებულ ელემენტებად გამოისახება.
10:38
And so that gives you an idea
252
623000
3000
შეიძლება შეგექმნათ შთაბეჭდილება
10:41
of how exquisitely sensitive this is.
253
626000
2000
თუ რამდენად დახვეწილი სისტემაა.
10:43
So seeing this picture
254
628000
2000
ამ სურათის ხილვა ემსგავსება
10:45
is sort of like getting to be Galileo
255
630000
2000
გალილეოს ადგილას ყოფნას,
10:47
and looking at the stars
256
632000
2000
თითქოს ვარსკვლავებს პირველად
10:49
and looking through the telescope for the first time,
257
634000
2000
აკვირდებოდეთ ტელესკოპის საშუალებით,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
და უცბათ ამბობთ, ''გაცილებით უფრო რთულია, ვიდრე ვფიქრობდი.''
10:54
But we can see that stuff out there
259
639000
2000
მაგრამ ჩვენ შეგვიძლია დავინახოთ ის
10:56
and actually see features of it.
260
641000
2000
საკუთარი მახასიათებლებით.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
ანუ ეს ხელმოწერაა, რომლისგანაც ვცდილობთ ნიმუშის შექმნას.
11:01
So what we do with this
262
646000
2000
რასაც ჩვენ ვაკეთებთ არის ის,
11:03
is, for example, we can look at two patients,
263
648000
2000
რომ, მაგალითად, ჩვენ შეგვიძლია შევხედოთ ორ პაციენტს,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
კონკრეტული წამლის მიმართ რეაგირების მიხედვით არამსგავსს,
11:08
and ask, "What's going on differently
265
653000
2000
და ვიკითხოთ,''რა ხდება განსხვავებული
11:10
inside of them?"
266
655000
2000
მათ ორგანიზმში?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
ჩვენ შეგვიძლია საკმარისად ზუსტად გავზომოთ
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
და დავაკვირდეთ მათ შორის განსხვავებას.
11:18
So here we have Alice in green
269
663000
2000
აი ჩვენ გვყავს ანეტა მწავნედ
11:20
and Bob in red.
270
665000
2000
და ბეშქენი წითლად შეღებილი.
11:22
We overlay them. This is actual data.
271
667000
3000
ეს მზა მონაცემებია.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
როგორც ხედავთ, ძირითადად ერთმანეთს გადაფარავს და ყვითელია,
11:28
but there's some things that just Alice has
273
673000
2000
მაგრამ მაინც არის რაღაც, რაც მხოლოდ
11:30
and some things that just Bob has.
274
675000
2000
ანეტას, ან მხოლოდ ბეშქენს გააჩნია.
11:32
And if we find a pattern of things
275
677000
3000
და თუ ვიპოვეთ მოდელი იმისა
11:35
of the responders to the drug,
276
680000
3000
რაც რეაგირებს წამალზე
11:38
we see that in the blood,
277
683000
2000
ჩვენ დავინახავთ რომ სისხლში,
11:40
they have the condition
278
685000
2000
მათ აქვთ პირობები,
11:42
that allows them to respond to this drug.
279
687000
2000
რომლის საშუალებითაც კონკრეტულ წამალზე გვაძლევენ რეაქციას.
11:44
We might not even know what this protein is,
280
689000
2000
ჩვენ შეიძლება არც კი ვიცოდეთ რომელი პროტეინია ეს,
11:46
but we can see it's a marker
281
691000
2000
მაგრამ ჩვენ ვხედავთ მის მარკერს,
11:48
for the response to the disease.
282
693000
2000
რომელიც რეაგირებს დაავადებაზე.
11:53
So this already, I think,
283
698000
2000
ვფიქრობ, რომ ამას
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
უკვე დიდი გამოყენებითი პოტენციალი აქვს მედიცინაში.
11:58
But I think this is actually
285
703000
2000
მაგრამ, ამავე დროს,
12:00
just the beginning
286
705000
2000
ეს მხოლოდ დასაწყისია იმისა,
12:02
of how we're going to treat cancer.
287
707000
2000
თუ როგორ განვკურნავთ სიმსივნეს.
12:04
So let me move to cancer.
288
709000
2000
მოდით გადავალ სიმსივნეზე.
12:06
The thing about cancer --
289
711000
2000
რაც შეეხება მას...
12:08
when I got into this,
290
713000
2000
როცა პროექტში ჩავერთე,
12:10
I really knew nothing about it,
291
715000
2000
ბევრი არაფერი ვიცოდი მის შესახებ,
12:12
but working with David Agus,
292
717000
2000
უბრალოდ დევიდ აგუსთან მუშაობისას
12:14
I started watching how cancer was actually being treated
293
719000
3000
ვაკვირდებოდი როგორ კურნავდნენ
12:17
and went to operations where it was being cut out.
294
722000
3000
და ოპერაციისას როგორ კვეთდნენ სიმსივნეს.
12:20
And as I looked at it,
295
725000
2000
პირადად ჩემთვის,
12:22
to me it didn't make sense
296
727000
2000
დიდი მნიშვნელობა არ ჰქონდა
12:24
how we were approaching cancer,
297
729000
2000
თუ რა კუთხიდან მივუახლოვდებოდით სიმსივნეს.
12:26
and in order to make sense of it,
298
731000
3000
ამისათვის უნდა გაგვერკვია
12:29
I had to learn where did this come from.
299
734000
3000
სიმსივნის წარმოშობის მიზეზები.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
ჩვენ ვკურნავთ სიმსივნეს თითქოს ინფექციური დაავადება იყოს,
12:36
We're treating it as something that got inside of you
301
741000
2000
თითქოს ისეთი რამე შეგვეყარა ორგანიზმში,
12:38
that we have to kill.
302
743000
2000
რაც აუცილებლად უნდა მოიკლას
12:40
So this is the great paradigm.
303
745000
2000
ეს კი დიდი პარადიგმაა.
12:42
This is another case
304
747000
2000
ეს ის შემთხვევაა,
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
როცა თეორიულმა პარადიგმამ ბიოლოგიაში იმუშავა...
12:46
was the germ theory of disease.
306
751000
3000
დაავადების ემბრიონალური თეორია.
12:49
So what doctors are mostly trained to do
307
754000
2000
ყველაზე ხშირად რასაც ექიმები აკეთებენ
12:51
is diagnose --
308
756000
2000
არის დაავადების დიაგნოზირება...
12:53
that is, put you into a category
309
758000
2000
შესაბამისი კატეგორიის მინიჭება...
12:55
and apply a scientifically proven treatment
310
760000
2000
და მეცნიერულად გამართლებული მკურნალობის
12:57
for that diagnosis --
311
762000
2000
სისტემის დანიშვნა.
12:59
and that works great for infectious diseases.
312
764000
3000
ეს კი ბრწყინვალედ მუშაობს ინფექციური დაავადებებისას..
13:02
So if we put you in the category
313
767000
2000
ანუ თუ დაგიდგინეს რომ გაქვთ
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
სიფილისი, დაგინიშნავენ პენიცილინს.
13:07
We know that that works.
315
772000
2000
ვიცით რომ ის იმოქმედებს.
13:09
If you've got malaria, we give you quinine
316
774000
2000
თუ მალარია, მაშინ ქინაქინს.
13:11
or some derivative of it.
317
776000
2000
ან რაიმე სხვა საშუალებას.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
და ეს არის ის,რის კეთებაშიც ექიმები გაწაფულნი არიან.
13:16
and it's miraculous
319
781000
2000
და ნამდვილად სასწაულებრივია
13:18
in the case of infectious disease --
320
783000
3000
ინფექციური დაავადების შემთხვევაში
13:21
how well it works.
321
786000
2000
რამდენად კარგად მუშაობს.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
და ,ალბათ, ამ აუდიტორიიდან უმრავლესობა არც იქნებოდა ცოცხალი
13:26
if doctors didn't do this.
323
791000
2000
ექიმები ამას რომ არ აკეთებდნენ.
13:28
But now let's apply that
324
793000
2000
მაგრამ მოდი ეხლა
13:30
to systems diseases like cancer.
325
795000
2000
იგივე დავუკავშიროთ სიმსივნეს.
13:32
The problem is that, in cancer,
326
797000
2000
პრობლემა ის არის, რომ სიმსივნის
13:34
there isn't something else
327
799000
2000
შემთხვევაში, არაფერი ზედმეტი
13:36
that's inside of you.
328
801000
2000
არ არის თქვენს ორგანიზმში.
13:38
It's you; you're broken.
329
803000
2000
პირიქით, შენი კუთვნილია დაზიანებული.
13:40
That conversation inside of you
330
805000
4000
როგორღაც უჯრედშორისი
13:44
got mixed up in some way.
331
809000
2000
საუბრები აირია.
13:46
So how do we diagnose that conversation?
332
811000
2000
და როგორ ამოვიცნობთ ამ საუბრებს?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
დღესდღეისობით ჩვენ ვყოფთ მას სხეულის ნაწილების მიხედვით,
13:51
you know, where did it appear? --
334
816000
3000
ანუ სად არის კერა,
13:54
and we put you in different categories
335
819000
2000
და შემდეგ მოგაკუთნებთ შესაბამის კატეგორიას
13:56
according to the part of the body.
336
821000
2000
მდებარეობის მიხედვით.
13:58
And then we do a clinical trial
337
823000
2000
შემდეგ ვიღებთ კლინიკურ სინჯებს
14:00
for a drug for lung cancer
338
825000
2000
ფილტვის კიბოს,
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
პროსტატასა და მკერდის კიბოსათვის,
14:05
and we treat these as if they're separate diseases
340
830000
3000
და ვმკურნალობთ მათ როგორც განსხვავებულ დაავადებებს,
14:08
and that this way of dividing them
341
833000
2000
და მათი დაყოფის ეს გზა
14:10
had something to do with what actually went wrong.
342
835000
2000
კავშირშია იმასთან, რაც არასწორად მიმდინარეობს.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
და რა თქმა უნდა, დიდს არაფერს უკეთებს იმას,
14:14
with what went wrong
344
839000
2000
რაც არასწორად მიმდინარეობს.
14:16
because cancer is a failure of the system.
345
841000
3000
იმიტომ, რომ სიმსივნე იგივე მოშლილი სისტემაა.
14:19
And in fact, I think we're even wrong
346
844000
2000
და,ფაქტიურად არასწორები ვართ,
14:21
when we talk about cancer as a thing.
347
846000
3000
როცა სიმსივნეს რამედ აღვიქვამთ.
14:24
I think this is the big mistake.
348
849000
2000
ვფიქრობ რომ ეს დიდი შეცდომაა.
14:26
I think cancer should not be a noun.
349
851000
4000
სიმსივნე არ უნდა იყოს არსებითი სახელი,
14:30
We should talk about cancering
350
855000
2000
ის უნდა გავიაზროთ როგორც პროცესი,
14:32
as something we do, not something we have.
351
857000
3000
ის, რაც ხდება, და არა ის, რაც გვაქვს.
14:35
And so those tumors,
352
860000
2000
და კიბოც
14:37
those are symptoms of cancer.
353
862000
2000
სიმსივნის სიმპტომებია.
14:39
And so your body is probably cancering all the time,
354
864000
3000
პროცესი "სიმსივნე" ,ალბათ, გამუდმებით მიმდინარეობს.
14:42
but there are lots of systems in your body
355
867000
3000
მაგრამ ორგანიზმში უამრავი სისტემაა,
14:45
that keep it under control.
356
870000
2000
რომელიც აკონტროლებს მას.
14:47
And so to give you an idea
357
872000
2000
ანალოგის საშუალებით
14:49
of an analogy of what I mean
358
874000
2000
უკეთესად გაგაგებინებთ რასაც ვგულისხმობ,
14:51
by thinking of cancering as a verb,
359
876000
3000
როცა ვიყენებ "სიმსივნეს" როგორც ზმნას.
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
წარმოვიდგინოთ არაფერი ვიცით წყალსადენის საქმის შესახებ,
14:57
and the way that we talked about it,
361
882000
2000
და თუ როგორ ვსაუბრობდით მასზე.
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
დავუშვათ სამზარეულოში წყალი წვეთავს,
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
ჩვენ ვიტყოდით, "ჩემს სახლს წყალი აქვს."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
წყალსადენის ოსტატის კითხვაზე თუ სად არის წყალი
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
უპასუხებდით,"სამზარეულოში." "ე.ი.სამზარეულოს წყალია."
15:12
That's kind of the level at which it is.
366
897000
3000
ასეთი ვითარება იქნებოდა.
15:15
"Kitchen water,
367
900000
2000
"სამზარეულოს წყალი?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
პირველ რიგში კარგად უნდა შევამშრალოთ.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
და თუ გამწოვსაც დავუყენებთ,
15:22
that helps.
370
907000
3000
ყველაფერი რიგზე იქნება.
15:25
Whereas living room water,
371
910000
2000
მაშინ, როდესაც მისაღები ოთახის წყლის შემთხვევაში
15:27
it's better to do tar on the roof."
372
912000
2000
უმჯობესია გუდრონით დაფარო ჭერი."
15:29
And it sounds silly,
373
914000
2000
სულელურად ჟღერს,მაგრამ
15:31
but that's basically what we do.
374
916000
2000
ეს ისაა, რასაც ჩვენ ვაკეთებთ.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
მე იმას კი არ ვამბობ რომ არ უნდა მოამშრალო წყალი სიმსივნის შემთხვევაში,
15:36
but I'm saying that's not really the problem;
376
921000
3000
არამედ იმას რომ ეს არ არის პრობლემა,
15:39
that's the symptom of the problem.
377
924000
2000
არამედ პრობლემის სიმპტომი.
15:41
What we really need to get at
378
926000
2000
სინამდვილეში რაც უნდა გავიაზროთ
15:43
is the process that's going on,
379
928000
2000
არის პროცესი,
15:45
and that's happening at the level
380
930000
2000
რომელიც ხდება
15:47
of the proteonomic actions,
381
932000
2000
პროტეომიკების დონეზე,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
ხდება...რატომ არ კურნავს ორგანიზმი საკუთარ თავს
15:52
in the way that it normally does?
383
937000
2000
როგორც საჭიროა?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
იმიტომ, რომ ჩვეულებრივ ორგანიზმი ამ პრობლემას გამუდმებით უმკლავდება.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
ანუ თქვენი სახლი აგვარებს წყლის გაჟონვის პრობლემებს,
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
ასწორებს მათ და წყალსაც აშრობს.
16:04
So what we need
387
949000
3000
ჩვენ გვჭირდება
16:07
is to have a causative model
388
952000
4000
მიზეზობრივი მოდელი იმისა,
16:11
of what's actually going on,
389
956000
2000
რაც ფაქტიურად ხდება.
16:13
and proteomics actually gives us
390
958000
3000
და სწორედ პროტეომიკები გვაძლევენ
16:16
the ability to build a model like that.
391
961000
3000
მსგავსი მოდელის შექმნის საშუალებას.
16:19
David got me invited
392
964000
2000
დევიდმა დამპატიჟა
16:21
to give a talk at National Cancer Institute
393
966000
2000
სიმსივნის ნაციონალურ ინსტიტუტში,
16:23
and Anna Barker was there.
394
968000
3000
სადაც იყო ანა ბარკერი.
16:27
And so I gave this talk
395
972000
2000
ჩვენ ვისაუბრეთ და
16:29
and said, "Why don't you guys do this?"
396
974000
3000
მე ვკითხე, "თქვენ რატომ არ გააკეთებთ ამას?'
16:32
And Anna said,
397
977000
2000
და ანამ მიპასუხა რომ
16:34
"Because nobody within cancer
398
979000
3000
არავინ უყურებს სიმსივნეს
16:37
would look at it this way.
399
982000
2000
ასეთი კუთხით.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
მაგრამ ჩვენ ვაპირებთ შევქმნათ პროგრამა
16:42
for people outside the field of cancer
401
987000
2000
სიმსივნის შესწავლის სფეროდან შორს მყოფი ხალხისა
16:44
to get together with doctors
402
989000
2000
და ამ სფეროში კარგად
16:46
who really know about cancer
403
991000
3000
ჩახედული ექიმებისათვის,
16:49
and work out different programs of research."
404
994000
4000
რომლებიც დაამუშავებენ კვლევის სხვადასხვა ასპექტებს."
16:53
So David and I applied to this program
405
998000
2000
მე და დევიდმა
16:55
and created a consortium
406
1000000
2000
შევქმენით კონსორციუმი
16:57
at USC
407
1002000
2000
უსც_ში,
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
სადაც მუშაობენ მსოფლიოს უძლიერესი ონკოლოგები
17:02
and some of the best biologists in the world,
409
1007000
3000
და ბიოლოგები,
17:05
from Cold Spring Harbor,
410
1010000
2000
ქოლდ სპრინგ ჰარბორიდან,
17:07
Stanford, Austin --
411
1012000
2000
სტანფორდი, ოსტინი...
17:09
I won't even go through and name all the places --
412
1014000
3000
მეც აღარ ჩამოვთვლი ყველა ადგილის სახელწოდებას...
17:12
to have a research project
413
1017000
3000
მუშაობენ პროექტზე,
17:15
that will last for five years
414
1020000
2000
რომელიც გაგრძელდება 5 წელი,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
და შევეცდებით შევქმნათ სიმსივნის მოდელი.
17:20
We're doing it in mice first,
416
1025000
2000
პირველად ვირთაგვებზე ვცდით,
17:22
and we will kill a lot of mice
417
1027000
2000
და ალბათ ბევრი მათგანი მოკვდება
17:24
in the process of doing this,
418
1029000
2000
კვლევის პერიოდში,
17:26
but they will die for a good cause.
419
1031000
2000
მაგრამ ისინი კეთილი მიზნისთვის დაიხოცებიან.
17:28
And we will actually try to get to the point
420
1033000
3000
და ჩვენც შევეცდებით მივიღოთ სურათი,
17:31
where we have a predictive model
421
1036000
2000
ალბათური მოდელი,
17:33
where we can understand,
422
1038000
2000
საიდანაც შევიტყობთ,
17:35
when cancer happens,
423
1040000
2000
თუ როდის ხდება სიმსივნე,
17:37
what's actually happening in there
424
1042000
2000
რა ხდება ამ დროს
17:39
and which treatment will treat that cancer.
425
1044000
3000
და როგორ უნდა განვკურნოთ ის.
17:42
So let me just end with giving you a little picture
426
1047000
3000
მოდი დავასრულებ პატარა სურათით იმაზე,
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
თუ როგორი იქნება სიმსივნის მკურნალობა მომავალში.
17:48
So I think eventually,
428
1053000
2000
ვფიქრობ, რომ
17:50
once we have one of these models for people,
429
1055000
2000
ოდესღაც გვექნება რომელიმე მოდელი ადამიანებისთვის,
17:52
which we'll get eventually --
430
1057000
2000
რომელსაც აუცილებლად მივიღებთ საბოლოოდ...
17:54
I mean, our group won't get all the way there --
431
1059000
2000
ვგულისხმობ, რომ ჩვენი ჯგუფი იშრომებს მანამ,
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
სანამ არ ჩამოყალიბდება კარგი კომპიუტერული მოდელი...
17:59
sort of like a global climate model for weather.
433
1064000
3000
რაღაც მსოფლიო კლიმატის მოდელის მსგავსი.
18:02
It has lots of different information
434
1067000
3000
უამრავ განსხვავებულ ინფორმაციას მოგვცემს
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
იმ პროცესების შესახებ, რაც პროტეომიკების
18:08
on many different scales.
436
1073000
2000
დონეზე მიმდინარეობს.
18:10
And so we will simulate
437
1075000
2000
და ჩვენ შევქმნით
18:12
in that model
438
1077000
2000
ამ მოდელის საშუალებით
18:14
for your particular cancer --
439
1079000
3000
რომელიმე კონკრეტული სიმსივნის ტიპის სიმულაციას...
18:17
and this also will be for ALS,
440
1082000
2000
ეს აგრეთვე იმუშავებს ALS_თვის,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
ან სხვა სახის სისტემის ნეიროდეგენერაციულ დაავადებაზე.
18:22
things like that --
442
1087000
2000
ყველაფერი დაახლოვებით ასე იქნება...
18:24
we will simulate
443
1089000
2000
ჩვენ შევქმნით
18:26
specifically you,
444
1091000
2000
თქვენს სიმულაციურ მოდელს,
18:28
not just a generic person,
445
1093000
2000
ზოგადს კი არა,არამედ
18:30
but what's actually going on inside you.
446
1095000
2000
შინაგან გარემოში მიმდინარე პროცესების აღმწერს.
18:32
And in that simulation, what we could do
447
1097000
2000
და ამ სიმულაციის საშუალებით ჩვენ
18:34
is design for you specifically
448
1099000
2000
დაგინიშნავთ სპეციალურად თქვენთვის
18:36
a sequence of treatments,
449
1101000
2000
გათვლილ მკურნალობის კურსს,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
და ეს იქნება უწყინარი კურსი ცოტა წამლებით.
18:41
It might be things like, don't eat that day,
451
1106000
3000
შეიძლება ერთ დღეს საერთოდ ჭამა აგეკრძალოთ,
18:44
or give them a little chemotherapy,
452
1109000
2000
მეორე დღეს მცირე დოზით ქიმიოთერაპია,
18:46
maybe a little radiation.
453
1111000
2000
შესაძლებელია რადიაციაც.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
ხანდახან, რა თქმა უნდა, ქირურგიული ჩარევაც საჭირო იქნება.
18:51
But design a program of treatments specifically for you
455
1116000
3000
მსგავსი პროგრამის შექმნა
18:54
and help your body
456
1119000
3000
დაეხმარება თქვენს ორგანიზმს
18:57
guide back to health --
457
1122000
3000
დაუბრუნდეს ჯანსაღ მდგომარეობას...
19:00
guide your body back to health.
458
1125000
2000
დაუბრუნდეს ჯანმრთელობას.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
იმიტომ, რომ თქვენი სხეული მაქსიმუმს გააკეთბს,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
რათა შეასწოროს ის , რაც არასწორად მიმდინარეობს,
19:09
We put it in the equivalent of splints.
461
1134000
2000
რაც არეულია.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
და თქვენს ორგანიზმს უამრავი მექანიზმი გააჩნია
19:13
for fixing cancer,
463
1138000
2000
სიმსივნის წინააღმდეგ,
19:15
and we just have to prop those up in the right way
464
1140000
3000
ჩვენ უბრალოდ ბიძგი უნდა მივცეთ მათ
19:18
and get them to do the job.
465
1143000
2000
გამართული მუშაობისათვის.
19:20
And so I believe that this will be the way
466
1145000
2000
და მეც მჯერა რომ ეს იქნება სიმსივნის
19:22
that cancer will be treated in the future.
467
1147000
2000
მკურნალობის გზა მომავალში.
19:24
It's going to require a lot of work,
468
1149000
2000
ამოსათვის, რა თქმა უნდა, უამრავი
19:26
a lot of research.
469
1151000
2000
მუშაობა და კვლევაა საჩირო,
19:28
There will be many teams like our team
470
1153000
3000
ჩვენს გარდა სხვა გუნდებიც
19:31
that work on this.
471
1156000
2000
ჩაერთვებიან ამ საქმეში.
19:33
But I think eventually,
472
1158000
2000
და ვფიქრობ, რომ საბოლოოდ
19:35
we will design for everybody
473
1160000
2000
მოვახერხებთ ყველასთვის
19:37
a custom treatment for cancer.
474
1162000
4000
მკურნალობის ინდივიდუალური კურსის დანიშვნას.
19:41
So thank you very much.
475
1166000
2000
ძალიან დიდი მადლობა.
19:43
(Applause)
476
1168000
6000
(ტაში)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com