ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Danny Hillis | Speaker | TED.com
TEDMED 2010

Danny Hillis: Understanding cancer through proteomics

Danny Hills: Proteomikler aracılığı ile kanseri anlamak

Filmed:
465,363 views

Danny Hills kanser araştırmalarını yeni bir ufuğa taşıyacak bir konudan bahsediyor: Proteomik bilim, yani vücuttaki proteinler inceleyen bilim dalı. Hills'in açıklamasına göre, genomik bilimi bize vücuttaki bileşenlerin bir listesini veriyor -- ama proteomik bilimi bu bileşenlerin neler ürettiğini gösteriyor. Vücudunuzda olup biteni proteinler seviyesinde anlamaya başladığınızda, bu kanserin neden oluştuğunu anlamamıza ışık tutabilir.
- 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

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

00:15
I admititiraf etmek that I'm a little bitbit nervoussinir here
0
0
3000
Şu an biraz heyecanlı olduğumu belirtmek istiyorum
00:18
because I'm going to say some radicalradikal things,
1
3000
3000
çünkü seyirciler arasında kanseri benden
00:21
about how we should think about cancerkanser differentlyfarklı olarak,
2
6000
3000
daha iyi bilen pekçok insan var ve ben de
00:24
to an audienceseyirci that containsiçeren a lot of people
3
9000
2000
kanser hakkında değişik düşünmemiz gerektiği ile ilgili
00:26
who know a lot more about cancerkanser than I do.
4
11000
3000
radikal birşeyler söylemek üzereyim.
00:30
But I will alsoAyrıca contestyarışma that I'm not as nervoussinir as I should be
5
15000
3000
Ama aslında bir yandan da aslında olmam gerektiğinden daha az heyecanlıyım
00:33
because I'm prettygüzel sure I'm right about this.
6
18000
2000
çünkü bu konuda haklı olduğumdan hemen hemen eminim.
00:35
(LaughterKahkaha)
7
20000
2000
(Gülüşmeler)
00:37
And that this, in factgerçek, will be
8
22000
2000
Aslında bence bu, gelecekte
00:39
the way that we treattedavi etmek cancerkanser in the futuregelecek.
9
24000
3000
kanser tedavisinde esas kullanılan yöntem olacak.
00:43
In ordersipariş to talk about cancerkanser,
10
28000
2000
Kanserden bahsetmek için,
00:45
I'm going to actuallyaslında have to --
11
30000
3000
aslında öncelikle--
00:48
let me get the bigbüyük slidekaymak here.
12
33000
3000
durun şu büyük slaytı göstereyim.
00:53
First, I'm going to try to give you a differentfarklı perspectiveperspektif of genomicsgenom.
13
38000
3000
Önce size genomik ile ilgili farklı bir bakış açısı sunmaya çalışacağım.
00:56
I want to put it in perspectiveperspektif of the biggerDaha büyük pictureresim
14
41000
2000
Etrafta olan biten diğer şeylerin yanında
00:58
of all the other things that are going on --
15
43000
3000
büyük resmi de göreceli olarak göstermek istiyorum--
01:01
and then talk about something you haven'tyok heardduymuş so much about, whichhangi is proteomicsproteomik.
16
46000
3000
daha sonra da şimdiye kadar çok duymadığınız bir konu olan proteomik'ten bahsedeceğiz.
01:04
HavingSahip explainedaçıkladı those,
17
49000
2000
Bunları açıklamak,
01:06
that will setset up for what I think will be a differentfarklı ideaFikir
18
51000
3000
bence kanseri ne şekilde tedavi etmeye başlayacağımıza
01:09
about how to go about treatingtedavi cancerkanser.
19
54000
2000
ilişkin farklı fikirlerin oluşmasını sağlayacaktır.
01:11
So let me startbaşlama with genomicsgenom.
20
56000
2000
Önce genomik ile başlamama izin verin.
01:13
It is the hotSıcak topickonu.
21
58000
2000
Çok popüler bir konu.
01:15
It is the placeyer where we're learningöğrenme the mostçoğu.
22
60000
2000
En çok birşeyler öğrendiğimiz alan.
01:17
This is the great frontiersınır.
23
62000
2000
En yeni ufuk burası.
01:19
But it has its limitationssınırlamaları.
24
64000
3000
Ama bazı kısıtları var.
01:22
And in particularbelirli, you've probablymuhtemelen all heardduymuş the analogyanaloji
25
67000
3000
Özellikle de, genomun vücudunuzun neredeyse bir
01:25
that the genomegenom is like the blueprintBlueprint of your bodyvücut,
26
70000
3000
ozalit kopyası olduğu benzetmesini duymuşsunuzdur.
01:28
and if that were only truedoğru, it would be great,
27
73000
2000
Eğer gerçek olsaydı çok süper olurdu,
01:30
but it's not.
28
75000
2000
ama değil.
01:32
It's like the partsparçalar listliste of your bodyvücut.
29
77000
2000
daha çok vücudunuzdaki parçaların bir listesi.
01:34
It doesn't say how things are connectedbağlı,
30
79000
2000
Farklı şeylerin nasıl birleştiğini,
01:36
what causesnedenleri what and so on.
31
81000
3000
neyin neye sebep olduğunu göstermiyor.
01:39
So if I can make an analogyanaloji,
32
84000
2000
Eğer bir benzetme yapacak olursam,
01:41
let's say that you were tryingçalışıyor to tell the differencefark
33
86000
2000
diyelim ki iyi bir restorantla, sağlıklı bir restorantla
01:43
betweenarasında a good restaurantrestoran, a healthysağlıklı restaurantrestoran
34
88000
3000
sağlıksız bir restorantı birbirinden
01:46
and a sickhasta restaurantrestoran,
35
91000
2000
ayırdetmeye çalışıyorsunuz,
01:48
and all you had was the listliste of ingredientsmalzemeler
36
93000
2000
ve elinizdeki tek şey de
01:50
that they had in theironların larderkiler.
37
95000
3000
bunların kilerlerindeki malzemelerin listesi.
01:53
So it mightbelki be that, if you wentgitti to a FrenchFransızca restaurantrestoran
38
98000
3000
Bu şuna benziyor, bir Fransız restorantına gidiyorsunuz
01:56
and you lookedbaktı throughvasitasiyla it and you foundbulunan
39
101000
2000
ve kilerı inceliyorsunuz, bakıyorsunuz ki
01:58
they only had margarinemargarin and they didn't have buttertereyağı,
40
103000
2000
kilerde sadece margarin var ama tereyağı yok,
02:00
you could say, "AhAh, I see what's wrongyanlış with them.
41
105000
2000
şöyle diyebilirsiniz: ' Ah, burada neyin yanlış gittiğini buldum,
02:02
I can make them healthysağlıklı."
42
107000
2000
onları daha sağlıklı yapabilirim.'
02:04
And there probablymuhtemelen are specialözel casesvakalar of that.
43
109000
2000
Büyük ihtimalle bu duruma uyan özel durumlar da vardır.
02:06
You could certainlykesinlikle tell the differencefark
44
111000
2000
Mesela sadece kilere bakarak
02:08
betweenarasında a ChineseÇince restaurantrestoran and a FrenchFransızca restaurantrestoran
45
113000
2000
bir Fransız Restorantı ile Çin restorantı arasındaki
02:10
by what they had in a larderkiler.
46
115000
2000
farkları gösterebilirsiniz.
02:12
So the listliste of ingredientsmalzemeler does tell you something,
47
117000
3000
Evet, malzemerin listesi size birşeyler söyler,
02:15
and sometimesara sıra it tellsanlatır you something that's wrongyanlış.
48
120000
3000
ama bazen de size yanlış birşeyler söyler.
02:19
If they have tonston of salttuz,
49
124000
2000
Eğer çok fazla tuz görürseniz,
02:21
you mightbelki guesstahmin they're usingkullanma too much salttuz, or something like that.
50
126000
3000
çok tuz kullandıklarını, ya da buna benzer birşeyleri söyleyebilirsiniz.
02:24
But it's limitedsınırlı,
51
129000
2000
Ama bu çok sınırlıdır,
02:26
because really to know if it's a healthysağlıklı restaurantrestoran,
52
131000
2000
çünkü buranın gerçekten sağlıklı bir restorant olduğunu anlamak için,
02:28
you need to tastedamak zevki the foodGıda, you need to know what goesgider on in the kitchenmutfak,
53
133000
3000
yemeklerden tatmanız, mutfakta neler olup bittiğini bilmeniz gerekir,
02:31
you need the productürün of all of those ingredientsmalzemeler.
54
136000
3000
tüm bileşenlerin ortak ürününe bakmalısınız.
02:34
So if I look at a personkişi
55
139000
2000
Yani ben bir insana sonra da
02:36
and I look at a person'skişiler genomegenom, it's the sameaynı thing.
56
141000
3000
o insanın genomuna bakarsam bunun gibi birşey.
02:39
The partBölüm of the genomegenom that we can readokumak
57
144000
2000
Genomun okuyabildiğimiz kısmı
02:41
is the listliste of ingredientsmalzemeler.
58
146000
2000
bir malzeme listesinden farksız.
02:43
And so indeedaslında,
59
148000
2000
Gerçekten de
02:45
there are timeszamanlar when we can find ingredientsmalzemeler
60
150000
2000
zaman zaman kötü malzemeler
02:47
that [are] badkötü.
61
152000
2000
bulduğumuz oluyor.
02:49
CysticKistik fibrosisfibrozis is an exampleörnek of a diseasehastalık
62
154000
2000
Kistik Fibroz hastalığı bunz güzel bir örnek,
02:51
where you just have a badkötü ingredientMadde and you have a diseasehastalık,
63
156000
3000
kötü bir malzeme var, ve hastalık ortaya çıkıyor,
02:54
and we can actuallyaslında make a directdirekt correspondenceYazışma
64
159000
3000
yani hastalıkla malzeme arasında
02:57
betweenarasında the ingredientMadde and the diseasehastalık.
65
162000
3000
direkt bir bağlantı kurabiliyoruz.
03:00
But mostçoğu things, you really have to know what's going on in the kitchenmutfak,
66
165000
3000
Ama çoğu şey için, gerçekte mutfakta ne olup bittiğini bilmeniz gerekir,
03:03
because, mostlyçoğunlukla, sickhasta people used to be healthysağlıklı people --
67
168000
2000
çünkü genelde, hasta insanlar önceleri sağlıklı oluyorlar --
03:05
they have the sameaynı genomegenom.
68
170000
2000
aynı genoma sahipler.
03:07
So the genomegenom really tellsanlatır you much more
69
172000
2000
Yani, aslında genom size daha çok
03:09
about predispositionyatkınlık.
70
174000
2000
yatkınlık hakkında bilgi veriyor.
03:11
So what you can tell
71
176000
2000
Yani esasında
03:13
is you can tell the differencefark betweenarasında an AsianAsya personkişi and a EuropeanAvrupa personkişi
72
178000
2000
Asyalı biri ile Avrupa'lı biri arasındaki farkı malzemeler listesine
03:15
by looking at theironların ingredientsmalzemeler listliste.
73
180000
2000
bakarak söyleyebilirsiniz.
03:17
But you really for the mostçoğu partBölüm can't tell the differencefark
74
182000
3000
Ama çok özel bazı durumlar haricinde
03:20
betweenarasında a healthysağlıklı personkişi and a sickhasta personkişi --
75
185000
3000
genelde hasta bir insan ile sağlıklı bi insan
03:23
exceptdışında in some of these specialözel casesvakalar.
76
188000
2000
arasındaki farkı söylemeniz pek mümkün değil.
03:25
So why all the bigbüyük dealanlaştık mı
77
190000
2000
Peki, o zaman genetik ile ilgili
03:27
about geneticsgenetik?
78
192000
2000
bu acayip popülerlik neden?
03:29
Well first of all,
79
194000
2000
En önemlisi,
03:31
it's because we can readokumak it, whichhangi is fantasticfantastik.
80
196000
3000
onu okuyabiliyoruz, ki bu müthiş bir şey.
03:34
It is very usefulişe yarar in certainbelli circumstanceskoşullar.
81
199000
3000
Bazı özel durumlara çok faydalı.
03:37
It's alsoAyrıca the great theoreticalteorik triumphzafer
82
202000
3000
Aynı zamanda biyolojinin müthiş bir
03:40
of biologyBiyoloji.
83
205000
2000
teorik zaferi.
03:42
It's the one theoryteori
84
207000
2000
Biyologların tam ve
03:44
that the biologistsbiyologlar ever really got right.
85
209000
2000
doğru olarak ortaya koyabildikleri bir teori.
03:46
It's fundamentaltemel to DarwinDarwin
86
211000
2000
Darwin ve Mendel, ve benzerleri
03:48
and MendelMendel and so on.
87
213000
2000
için temel bir teori.
03:50
And so it's the one thing where they predictedtahmin a theoreticalteorik constructinşa etmek.
88
215000
3000
Teorik altyapıyı öngörmemizi sağlayan tek şey bu.
03:54
So MendelMendel had this ideaFikir of a genegen
89
219000
2000
Mendel'in kafasındaki gen fikri
03:56
as an abstractsoyut thing,
90
221000
3000
soyut bir fikirdi.
03:59
and DarwinDarwin builtinşa edilmiş a wholebütün theoryteori
91
224000
2000
Dawrın ise genlerin var olduğunu
04:01
that dependedbağlı on them existingmevcut,
92
226000
2000
kabul ederek üzerlerine tamamlanmış bir teori kurdu.
04:03
and then WatsonWatson and CrickCrick
93
228000
2000
Daha sonra Watson ve Crick genleri aramaya başladılar
04:05
actuallyaslında lookedbaktı and foundbulunan one.
94
230000
2000
ve aslında bulmayı da başardılar.
04:07
So this happensolur in physicsfizik all the time.
95
232000
2000
Buna benzer şeyler fizikte her zaman olur.
04:09
You predicttahmin a blacksiyah holedelik,
96
234000
2000
Bir kara delik öngörüsünde bulunursunuz,
04:11
and you look out the telescopeteleskop and there it is, just like you said.
97
236000
3000
derken teleskopla bakarsınız ve oradadır, tam olacağını söylediğiniz yerde.
04:14
But it rarelynadiren happensolur in biologyBiyoloji.
98
239000
2000
Ama bu biyolojide oldukça nadir olur.
04:16
So this great triumphzafer -- it's so good,
99
241000
3000
Bu nedenle bu büyük başarı -- çok ama çok büyük--
04:19
there's almostneredeyse a religiousdini experiencedeneyim
100
244000
2000
neredeyse biyolojide yaşanan
04:21
in biologyBiyoloji.
101
246000
2000
ulvi bir deneyim diyebiliriz.
04:23
And DarwinianDarwinci evolutionevrim
102
248000
2000
Darwin'in Evrim Teorsi de
04:25
is really the coreçekirdek theoryteori.
103
250000
3000
gerçekte çok temel bir teori.
04:30
So the other reasonneden it's been very popularpopüler
104
255000
2000
Bu kadar popğler olmasının bir diğer nedeni
04:32
is because we can measureölçmek it, it's digitaldijital.
105
257000
3000
onu ölçebiliyor olmamız, dijital.
04:35
And in factgerçek,
106
260000
2000
Ve aslında,
04:37
thanksTeşekkürler to KaryKary MullisMullis,
107
262000
2000
Kary Mulis sayesinde,
04:39
you can basicallytemel olarak measureölçmek your genomegenom in your kitchenmutfak
108
264000
4000
kendi mutfağınızda bile birkaç ilave malzeme ile,
04:43
with a fewaz extraekstra ingredientsmalzemeler.
109
268000
3000
kendi genomunuzu ölçebilirsiniz.
04:46
So for instanceörnek, by measuringölçme the genomegenom,
110
271000
3000
Mesela, genomu ölçerek,
04:49
we'vebiz ettik learnedbilgili a lot about how we're relatedilgili to other kindsçeşit of animalshayvanlar
111
274000
4000
başka hayvanlara ne kadar yakın akraba olduğunuzu öğrendik
04:53
by the closenessyakınlık of our genomegenom,
112
278000
3000
bunu genoumuzun benzerliği ile yaptık,
04:56
or how we're relatedilgili to eachher other -- the familyaile treeağaç,
113
281000
3000
ya da yaşam ağacında, aile ağacındaki
04:59
or the treeağaç of life.
114
284000
2000
yakın akrabalarımızı öğrendik.
05:01
There's a hugeKocaman amounttutar of informationbilgi about the geneticsgenetik
115
286000
3000
Sadece genetik benzerliği karşılaştırarak bile
05:04
just by comparingkarşılaştıran the geneticgenetik similaritybenzerlik.
116
289000
3000
genetik biliminden inanılmaz miktarda bilgi edinebilirsiniz.
05:07
Now of coursekurs, in medicaltıbbi applicationuygulama,
117
292000
2000
Elbette, tıbbi uygulamalarda,
05:09
that is very usefulişe yarar
118
294000
2000
bu çok faydalı,
05:11
because it's the sameaynı kindtür of informationbilgi
119
296000
3000
çünkü bu doktorunuzun sizden aile öykünüzü
05:14
that the doctordoktor getsalır from your familyaile medicaltıbbi historytarih --
120
299000
3000
alırken sorduğu bilgilerle aynı türde bir bilgi --
05:17
exceptdışında probablymuhtemelen,
121
302000
2000
tek farkı büyük ihtimalle,
05:19
your genomegenom knowsbilir much more about your medicaltıbbi historytarih than you do.
122
304000
3000
genomunuzun tıbbi özgeçmişinizi sizden daha iyi biliyor olması.
05:22
And so by readingokuma the genomegenom,
123
307000
2000
Yani genomunuzu okuyarak,
05:24
we can find out much more about your familyaile than you probablymuhtemelen know.
124
309000
3000
aileniz hakkında sizin bildiğinizden çok daha fazlasını öğrenebiliriz.
05:27
And so we can discoverkeşfetmek things
125
312000
2000
Ve büyük ihtimalle akrabalarınıza bakarak
05:29
that probablymuhtemelen you could have foundbulunan
126
314000
2000
bulabileceğiniz bazı şeyleri
05:31
by looking at enoughyeterli of your relativesakrabaları,
127
316000
2000
genomunuza bakarak keşfedebiliriz,
05:33
but they mayMayıs ayı be surprisingşaşırtıcı.
128
318000
3000
bazıları epey şaşırtıcı olabilir.
05:36
I did the 23andMeandMe thing
129
321000
2000
ben 23veBen testini yaptım
05:38
and was very surprisedşaşırmış to discoverkeşfetmek that I am fatşişman and baldKel.
130
323000
3000
sonucunda şişman ve kel olduğum ortaya çıkınca epey şaşırdım.
05:41
(LaughterKahkaha)
131
326000
7000
(Gülüşmeler)
05:48
But sometimesara sıra you can learnöğrenmek much more usefulişe yarar things about that.
132
333000
3000
Ama bazen bundan gerçekten çok daha anlamlı ve faydalı şeyler öğrenebilirsiniz.
05:51
But mostlyçoğunlukla
133
336000
3000
Ama genelde
05:54
what you need to know, to find out if you're sickhasta,
134
339000
2000
hastalandığınızda esas bilmek istediğiniz
05:56
is not your predispositionseğilimlerin,
135
341000
2000
hangi hastalıklara yatın olduğunuzdan ziyade
05:58
but it's actuallyaslında what's going on in your bodyvücut right now.
136
343000
3000
o an vücudunuzda neler olup bittiğidir.
06:01
So to do that, what you really need to do,
137
346000
2000
Bunu yapabilmek için de, esas yapmanız gereken
06:03
you need to look at the things
138
348000
2000
genetik kısmından sonra olan bitenler
06:05
that the genesgenler are producingüreten
139
350000
2000
genlerin ürettiği diğer şeylere
06:07
and what's happeningolay after the geneticsgenetik,
140
352000
2000
bakmaktır.
06:09
and that's what proteomicsproteomik is about.
141
354000
2000
Proteomik işte bununla ilgili bir şey.
06:11
Just like genomegenom mixeskarışımlar the studyders çalışma of all the genesgenler,
142
356000
3000
Nasıl genom, tüm genleri bir araya getiren bir bilim dalı ise
06:14
proteomicsproteomik is the studyders çalışma of all the proteinsproteinler.
143
359000
3000
proteomik de tüm proteinleri inceleyen bilim dalı.
06:17
And the proteinsproteinler are all of the little things in your bodyvücut
144
362000
2000
Proteinler, vücudunuzda, hücreler arası sinyalleri
06:19
that are signalingsinyalizasyon betweenarasında the cellshücreler --
145
364000
3000
taşıyan ufak maddeler --
06:22
actuallyaslında, the machinesmakineler that are operatingişletme --
146
367000
2000
aslında çalışan ufak birer makinalar.
06:24
that's where the actionaksiyon is.
147
369000
2000
Olayın esas yaşandığı yer burası.
06:26
BasicallyTemel olarak, a humaninsan bodyvücut
148
371000
3000
Aslında, insan vücudunda
06:29
is a conversationkonuşma going on,
149
374000
3000
sürekli bir karşılıklı iletişim mevcut.
06:32
bothher ikisi de withiniçinde the cellshücreler and betweenarasında the cellshücreler,
150
377000
3000
hücrelerin içinde ve aralarında sürüp gidiyor,
06:35
and they're tellingsöylüyorum eachher other to growbüyümek and to dieölmek,
151
380000
3000
birbirlerine ne zaman büyümeleri veya ölmeleri gerektiğini söylüyorlar.
06:38
and when you're sickhasta,
152
383000
2000
hastalandığınızda ise
06:40
something'sşey gonegitmiş wrongyanlış with that conversationkonuşma.
153
385000
2000
bu iletişimde bir bozukluk ortaya çıkıyor.
06:42
And so the trickhile is --
154
387000
2000
Burada zor olan şu,
06:44
unfortunatelyne yazık ki, we don't have an easykolay way to measureölçmek these
155
389000
3000
ne yazık ki, elimizde bunları genomu ölçtüğümüz gibi
06:47
like we can measureölçmek the genomegenom.
156
392000
2000
ölçebilecek bir yöntem yok.
06:49
So the problemsorun is that measuringölçme --
157
394000
3000
yani esas sorun ölçümleme --
06:52
if you try to measureölçmek all the proteinsproteinler, it's a very elaborateayrıntılı processsüreç.
158
397000
3000
eğer tüm proteinleri ölçmeye çalışırsanız bu çok karmaşık bir süreçtir.
06:55
It requiresgerektirir hundredsyüzlerce of stepsadımlar,
159
400000
2000
Yüzlerce adım gerektirir,
06:57
and it takes a long, long time.
160
402000
2000
ve çok ama çok uzun zaman alır.
06:59
And it mattershususlar how much of the proteinprotein it is.
161
404000
2000
Vep proteinin ne kadarını ölçtüğünüz sonucu etkiler.
07:01
It could be very significantönemli that a proteinprotein changeddeğişmiş by 10 percentyüzde,
162
406000
3000
Bir proteinin %10 değişmesi epek kayda değer olabilir,
07:04
so it's not a niceGüzel digitaldijital thing like DNADNA.
163
409000
3000
yani DNA gibi hoş, dijital bir şey değil.
07:07
And basicallytemel olarak our problemsorun is somebody'sbiri var in the middleorta
164
412000
2000
Ve basitçe en büyük problemlemimiz şu ki, biri
07:09
of this very long stageevre,
165
414000
2000
bu sürecin içindeki herhangi bir aşamada
07:11
they pauseDuraklat for just a momentan,
166
416000
2000
bir dakikacık beklerse
07:13
and they leaveayrılmak something in an enzymeenzim for a secondikinci,
167
418000
2000
bir enzimi bir yerde bir saniye bırakırsa
07:15
and all of a suddenani all the measurementsölçümler from then on
168
420000
2000
o andan itibaren yapılan tüm ölçümler
07:17
don't work.
169
422000
2000
işe yaramaz olacaktır.
07:19
And so then people get very inconsistenttutarsız resultsSonuçlar
170
424000
2000
Bu nedenle insanlar bu şekilde ölçüm yaptıklarında
07:21
when they do it this way.
171
426000
2000
çok tutarsız sonuçlara ulaşırlar.
07:23
People have trieddenenmiş very hardzor to do this.
172
428000
2000
Çoğu kişi bunu yapmak için çok çalıştı.
07:25
I trieddenenmiş this a coupleçift of timeszamanlar
173
430000
2000
Ben de birkaç kez denedim
07:27
and lookedbaktı at this problemsorun and gaveverdi up on it.
174
432000
2000
bu probleme baktım, ve sonunda vaz geçtim.
07:29
I kepttuttu gettingalma this call from this oncologistonkolog
175
434000
2000
Sonra David Agus isimli bir onkolog (kanser uzmanı)
07:31
namedadlı DavidDavid AgusAgus.
176
436000
2000
beni aramaya başladı.
07:33
And AppliedUygulanan MindsKafasında getsalır a lot of callsaramalar
177
438000
3000
Applied Minds, sorunlarının çözülmesini isteyen
07:36
from people who want help with theironların problemssorunlar,
178
441000
2000
çok kişiden pek çok telefon alır,
07:38
and I didn't think this was a very likelymuhtemelen one to call back,
179
443000
3000
ben de bu telefonun geri aranma ihtimalinin düşük olduğunu düşündüm
07:41
so I kepttuttu on givingvererek him to the delaygecikme listliste.
180
446000
3000
ve aramayı sürekli erteledim.
07:44
And then one day,
181
449000
2000
Sonra bir gün,
07:46
I get a call from JohnJohn DoerrDoerr, BillBill BerkmanBerkman
182
451000
2000
aynı gün içinde John Doerr, Bill Berkman
07:48
and AlAl GoreGore on the sameaynı day
183
453000
2000
ve Al Gore beni aradı ve
07:50
sayingsöz returndönüş DavidDavid Agus'sAgus'ın phonetelefon call.
184
455000
2000
hepsi David Agus'un telefonuna cevap vermemi söyledi.
07:52
(LaughterKahkaha)
185
457000
2000
(Gülüşmeler)
07:54
So I was like, "Okay. This guy'sadam at leasten az resourcefulbecerikli."
186
459000
2000
Ben de "En azından epey bağlantısı olan bir adam" diye düşündüm.
07:56
(LaughterKahkaha)
187
461000
4000
(Gülüşmeler)
08:00
So we startedbaşladı talkingkonuşma,
188
465000
2000
Böylece konuşmaya başladık,
08:02
and he said, "I really need a better way to measureölçmek proteinsproteinler."
189
467000
3000
Bana " Proteinleri ölçümlemenin daha iyi bir yoluna ihtiyacım var." dedi.
08:05
I'm like, "LookedBaktı at that. Been there.
190
470000
2000
Ben de ona "Ben de çok denedim,
08:07
Not going to be easykolay."
191
472000
2000
pek kolay olmayacak." dedim.
08:09
He's like, "No, no. I really need it.
192
474000
2000
O da bana "Yo, yo, buna gerçekten ihtiyacım var.
08:11
I mean, I see patientshastalar dyingölen everyher day
193
476000
4000
Her gün, içlerinde neler olup bittiğini göremediğimizden
08:15
because we don't know what's going on insideiçeride of them.
194
480000
3000
pekçok hastanın ölümünü izliyorum.
08:18
We have to have a windowpencere into this."
195
483000
2000
Bunu yapmanın bir yolu olmalı." dedi.
08:20
And he tookaldı me throughvasitasiyla
196
485000
2000
Ve bana ne zaman ihtiyacı olduğunu gösteren
08:22
specificözel examplesörnekler of when he really neededgerekli it.
197
487000
3000
özel örnekleri bir bir gösterdi.
08:25
And I realizedgerçekleştirilen, wowvay, this would really make a bigbüyük differencefark,
198
490000
2000
Ve fark ettim ki, vay canına, bunu başarabilirsek
08:27
if we could do it,
199
492000
2000
gerçekten bir fark yaratabiliriz.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Sonunda dedim ki, " Tamam, bir bakalım."
08:31
AppliedUygulanan MindsKafasında has enoughyeterli playoyun moneypara
201
496000
2000
Applied Minds'da herhangi birinden gelecek fon veya izine
08:33
that we can go and just work on something
202
498000
2000
ihtiyaç duymadan ilgilendiğimiz bir konuya eğilmemizi
08:35
withoutolmadan gettingalma anybody'sherkes var fundingfinansman or permissionizin or anything.
203
500000
3000
sağlayacak kadar birikim mevcut.
08:38
So we startedbaşladı playingoynama around with this.
204
503000
2000
Biz de bu fikir ile uğraşmaya başladık.
08:40
And as we did it, we realizedgerçekleştirilen this was the basictemel problemsorun --
205
505000
3000
Ve bunu yaptıkça, fark ettik ki esas sorun --
08:43
that takingalma the sipSIP of coffeeKahve --
206
508000
2000
kahveden bir yudum almak bile olabilir--
08:45
that there were humansinsanlar doing this complicatedkarmaşık processsüreç
207
510000
2000
karmaşık süreçleri insanlar yürütüyor
08:47
and that what really neededgerekli to be donetamam
208
512000
2000
ama esas yapılması gereken şey
08:49
was to automateotomatikleştirmek this processsüreç like an assemblymontaj linehat
209
514000
3000
bir nevi montaj bantı yapar gibi süreci otomatik hale getirerek,
08:52
and buildinşa etmek robotsrobotlar
210
517000
2000
proteomikleri ölçecek
08:54
that would measureölçmek proteomicsproteomik.
211
519000
2000
robotlar üretmek.
08:56
And so we did that,
212
521000
2000
Biz de bunu yaptık.
08:58
and workingçalışma with DavidDavid,
213
523000
2000
David ile birlikte,
09:00
we madeyapılmış a little companyşirket calleddenilen AppliedUygulanan ProteomicsProteomik eventuallysonunda,
214
525000
3000
önce Uygulamaları Proteomik adında ufak bir şirket kurduk,
09:03
whichhangi makesmarkaları this roboticrobotik assemblymontaj linehat,
215
528000
3000
bu şirketle proteinleri çok tutarlı bir şekilde
09:06
whichhangi, in a very consistenttutarlı way, measuresönlemler the proteinprotein.
216
531000
3000
ölçebilen robotik iş bantlarını ürettik.
09:09
And I'll showgöstermek you what that proteinprotein measurementÖlçüm looksgörünüyor like.
217
534000
3000
Size protein ölçümünün nasıl olduğunu göstereceğim.
09:13
BasicallyTemel olarak, what we do
218
538000
2000
Basitçe yaptığımız şu
09:15
is we take a dropdüşürmek of bloodkan
219
540000
2000
hastadan bir damla
09:17
out of a patienthasta,
220
542000
2000
an alıyoruz ve
09:19
and we sortçeşit out the proteinsproteinler
221
544000
2000
bu bir damla kanın içindeki
09:21
in the dropdüşürmek of bloodkan
222
546000
2000
proteinleri ağırlıklarına
09:23
accordinggöre to how much they weightartmak,
223
548000
2000
ne kadar kaygan olduklarına göre
09:25
how slipperykaygan they are,
224
550000
2000
sıralıyoruz ve
09:27
and we arrangedüzenlemek them in an imagegörüntü.
225
552000
3000
bir görsel oluşturuyoruz.
09:30
And so we can look at literallyharfi harfine
226
555000
2000
Böylece, gerçek anlamda
09:32
hundredsyüzlerce of thousandsbinlerce of featuresÖzellikler at oncebir Zamanlar
227
557000
2000
bir damlacık kanı kullanarak
09:34
out of that dropdüşürmek of bloodkan.
228
559000
2000
binlerce özelliğe bakabiliyoruz.
09:36
And we can take a differentfarklı one tomorrowyarın,
229
561000
2000
yarın bir örnek daha alabiliriz,
09:38
and you will see your proteinsproteinler tomorrowyarın will be differentfarklı --
230
563000
2000
proteinlerinizin yarınki örnekte daha farklı olduğunu görebilirsiniz --
09:40
they'llacaklar be differentfarklı after you eatyemek or after you sleepuyku.
231
565000
3000
yemek yedikten sonra ya da uykudan sonra da farklı olacaklardır.
09:43
They really tell us what's going on there.
232
568000
3000
Bize gerçekten içeride ne olup bittiğni söylüyorlar.
09:46
And so this pictureresim,
233
571000
2000
Bu resim size bulanık
09:48
whichhangi looksgörünüyor like a bigbüyük smudgeleke to you,
234
573000
2000
koca bir leke gibi görünüyor olabilir,
09:50
is actuallyaslında the thing that got me really thrilledheyecan about this
235
575000
4000
ama aslında beni bu konuda çok heyecanlandıran resimlerden biri
09:54
and madeyapılmış me feel like we were on the right trackiz.
236
579000
2000
doğru yolda olduğumuzu hissetmemi sağladı.
09:56
So if I zoomyakınlaştırma into that pictureresim,
237
581000
2000
Bu resimi yaklaştırırsam
09:58
I can just showgöstermek you what it meansanlamına geliyor.
238
583000
2000
size ne demek istediğimi gösterebilirim.
10:00
We sortçeşit out the proteinsproteinler -- from left to right
239
585000
3000
Proteinleri sıralıyoruz -- soldan sağa doğru
10:03
is the weightağırlık of the fragmentsfragmanları that we're gettingalma,
240
588000
3000
elde ettiğimiz parçacıkların ağırlıklarına göre sıralanmış durumdalar.
10:06
and from topüst to bottomalt is how slipperykaygan they are.
241
591000
3000
YUkarıdan aşağıya ise kayganlıkları sıralanmış durumda.
10:09
So we're zoomingYakınlaştırma in here just to showgöstermek you a little bitbit of it.
242
594000
3000
Size birazını gösterebilmek için yaklaştırıyorum.
10:12
And so eachher of these lineshatlar
243
597000
2000
Bu çizgilerden her biri
10:14
representstemsil some signalişaret that we're gettingalma out of a pieceparça of a proteinprotein.
244
599000
3000
bir proteinin bir parçasından elde ettiğimiz sinyalleri temsil ediyor.
10:17
And you can see how the lineshatlar occurmeydana
245
602000
2000
Bu ufak gruplar içinde çizgilerin nasıl oluştuğunu
10:19
in these little groupsgruplar of bumpçarpmak, bumpçarpmak, bumpçarpmak, bumpçarpmak, bumpçarpmak.
246
604000
4000
görebilirsiniz....bum...bum....bum....
10:23
And that's because we're measuringölçme the weightağırlık so preciselytam that --
247
608000
3000
Bunun nedeni ağırlığı çok hassas bir şekilde ölçüyor olmamız --
10:26
carbonkarbon comesgeliyor in differentfarklı isotopesizotoplar,
248
611000
2000
karbon atomunun farklı izotopları var ve
10:28
so if it has an extraekstra neutronnötron on it,
249
613000
3000
eğer üzerinde fazladan bir nötron varsa
10:31
we actuallyaslında measureölçmek it as a differentfarklı chemicalkimyasal.
250
616000
4000
onu aslında farklı bir kimyasal olarak ölçüyoruz.
10:35
So we're actuallyaslında measuringölçme eachher isotopeizotop as a differentfarklı one.
251
620000
3000
Yani aslında her bir izotopu farklı ölçüyoruz.
10:38
And so that givesverir you an ideaFikir
252
623000
3000
Bu, size yaptığımız şeyin
10:41
of how exquisitelyzarif sensitivehassas this is.
253
626000
2000
ne kadar ince bir hassasiyette olduğunu gösteriyor.
10:43
So seeinggörme this pictureresim
254
628000
2000
Bu resme bakmak aslında
10:45
is sortçeşit of like gettingalma to be GalileoGalileo
255
630000
2000
bir nevi Galileo olmak gibi birşey,
10:47
and looking at the starsyıldızlar
256
632000
2000
teleskop kullanarak
10:49
and looking throughvasitasiyla the telescopeteleskop for the first time,
257
634000
2000
yıldızlara ilk defa bakıyorsunuz, ve sonrasında da birden
10:51
and suddenlyaniden you say, "WowVay canına, it's way more complicatedkarmaşık than we thought it was."
258
636000
3000
"Vay canına, tahmin ettiğimizden çok daha karmaşıkmış" diyorsunuz.
10:54
But we can see that stuffşey out there
259
639000
2000
Ama oradaki şeyleri görebiliyorsunuz
10:56
and actuallyaslında see featuresÖzellikler of it.
260
641000
2000
yani onların özelliklerini görebiliyorsunuz.
10:58
So this is the signatureimza out of whichhangi we're tryingçalışıyor to get patternsdesenler.
261
643000
3000
Paternler bulmak için aramanız gereken özgül işaretler bunlar.
11:01
So what we do with this
262
646000
2000
Bununla şunu yapabilirizi
11:03
is, for exampleörnek, we can look at two patientshastalar,
263
648000
2000
mesela iki hastaya bakabiliriz,
11:05
one that respondedcevap to a drugilaç and one that didn't respondyanıtlamak to a drugilaç,
264
650000
3000
bunlardan biri bir ilaca cevap vermiş, diğeri ise cevap vermemiş olsun,
11:08
and asksormak, "What's going on differentlyfarklı olarak
265
653000
2000
ve şu soruyu sorabiliriz "Bu hastaların içlerinde
11:10
insideiçeride of them?"
266
655000
2000
olup biten şeydeki fark nedir?"
11:12
And so we can make these measurementsölçümler preciselytam enoughyeterli
267
657000
3000
ve böylece bu ölçümleri yeterince hassas yaparak
11:15
that we can overlayyer paylaşımı two patientshastalar and look at the differencesfarklar.
268
660000
3000
iki hastanın sonuçlarını üst üste koyup aralarındaki farka bakabiliriz.
11:18
So here we have AliceAlice in greenyeşil
269
663000
2000
Burada Alice'in sonuçları yeşil renkli
11:20
and BobBob in redkırmızı.
270
665000
2000
Bob'unkiler ise kırmızı.
11:22
We overlayyer paylaşımı them. This is actualgerçek dataveri.
271
667000
3000
Bunları üst üste koyuyoruz. Bu erçek bir veri.
11:25
And you can see, mostlyçoğunlukla it overlapsçakışma and it's yellowSarı,
272
670000
3000
Burada görebildiğiniz gibi çoğu üstüste geliyor, sarı renkte.
11:28
but there's some things that just AliceAlice has
273
673000
2000
Ama sadece Alice'de olan şeyler ya da
11:30
and some things that just BobBob has.
274
675000
2000
sadece Bob'da olan şeyler de var.
11:32
And if we find a patternmodel of things
275
677000
3000
Ve bu ilaca cevap verelenlerde
11:35
of the responderscevaplama to the drugilaç,
276
680000
3000
bunların belirli paternleri olduğunu buluyoruz.
11:38
we see that in the bloodkan,
277
683000
2000
Gördüğümüz şu, kanlarında
11:40
they have the conditionşart
278
685000
2000
bu ilaca yanıt vermelerine neden olan
11:42
that allowsverir them to respondyanıtlamak to this drugilaç.
279
687000
2000
bir durum mevcut.
11:44
We mightbelki not even know what this proteinprotein is,
280
689000
2000
Bu proteinin hangi protein olduğunu bilmeyebiliriz
11:46
but we can see it's a markerMarker
281
691000
2000
ama bu hastalığa karşı verilecek yanıtı
11:48
for the responsetepki to the diseasehastalık.
282
693000
2000
gösterebilecek bir marker bu.
11:53
So this alreadyzaten, I think,
283
698000
2000
Bence bu şu hali ile bile
11:55
is tremendouslymüthiş usefulişe yarar in all kindsçeşit of medicinetıp.
284
700000
3000
tıbbın pekçok alanında inanılmaz faydalı.
11:58
But I think this is actuallyaslında
285
703000
2000
Ama aslında, bence
12:00
just the beginningbaşlangıç
286
705000
2000
bu gelecekte kanseri nasıl tedavi
12:02
of how we're going to treattedavi etmek cancerkanser.
287
707000
2000
edeceğimizin de bir başlangıç noktası.
12:04
So let me movehareket to cancerkanser.
288
709000
2000
Kanser konusuna girelim biraz da.
12:06
The thing about cancerkanser --
289
711000
2000
Kanser ile ilgili olan şu --
12:08
when I got into this,
290
713000
2000
bu konulara el attığımda
12:10
I really knewbiliyordum nothing about it,
291
715000
2000
kanser ile ilgili hiçbir şey bilmiyordum,
12:12
but workingçalışma with DavidDavid AgusAgus,
292
717000
2000
ama David Agus ile çalışırken
12:14
I startedbaşladı watchingseyretme how cancerkanser was actuallyaslında beingolmak treatedişlenmiş
293
719000
3000
kenserin çu anda nasıl tedavi edildiğini izlemeye başladım ve
12:17
and wentgitti to operationsoperasyonlar where it was beingolmak cutkesim out.
294
722000
3000
kanserli dokunun alındığı ameliyatlara girdim.
12:20
And as I lookedbaktı at it,
295
725000
2000
Buna baktığımda,
12:22
to me it didn't make senseduyu
296
727000
2000
kansere olan yaklaşımımız
12:24
how we were approachingyaklaşıyor cancerkanser,
297
729000
2000
bana çok mantıklı gelmedi.
12:26
and in ordersipariş to make senseduyu of it,
298
731000
3000
Bunun kafama yatması için
12:29
I had to learnöğrenmek where did this come from.
299
734000
3000
nereden geldiğini anlamam şart.
12:32
We're treatingtedavi cancerkanser almostneredeyse like it's an infectiousbulaşıcı diseasehastalık.
300
737000
4000
Bizler, kanseri bir bulaşıcı hastalık gibi tedavi ediyoruz.
12:36
We're treatingtedavi it as something that got insideiçeride of you
301
741000
2000
Sanki içinize girmiş ve öldürülmesi gereken
12:38
that we have to killöldürmek.
302
743000
2000
bir şey gibi.
12:40
So this is the great paradigmparadigma.
303
745000
2000
Bu önemli bir model.
12:42
This is anotherbir diğeri casedurum
304
747000
2000
Bu teorik modelin biyolojide
12:44
where a theoreticalteorik paradigmparadigma in biologyBiyoloji really workedişlenmiş --
305
749000
2000
gerçekten de çok iyi çalıştığı bir durum var --,
12:46
was the germmikrop theoryteori of diseasehastalık.
306
751000
3000
o da hastalıklardaki mikrop teorisi.
12:49
So what doctorsdoktorlar are mostlyçoğunlukla trainedeğitilmiş to do
307
754000
2000
Doktorların genelde eğitim aldığı konu
12:51
is diagnoseteşhis koymak --
308
756000
2000
tanı koymak --
12:53
that is, put you into a categorykategori
309
758000
2000
yani sizi bir nevi kategorize etmek ve
12:55
and applyuygulamak a scientificallybilimsel provenkanıtlanmış treatmenttedavi
310
760000
2000
o tanıya özgü bilimsel olarak kantılanmış
12:57
for that diagnosisTanı --
311
762000
2000
bir tedavi uygulamaktır.
12:59
and that worksEserleri great for infectiousbulaşıcı diseaseshastalıklar.
312
764000
3000
Bu, bulaşıcı haslatıklar için çok iyi çalışan bir model.
13:02
So if we put you in the categorykategori
313
767000
2000
Eğer sifiliz (frengi) hastasıysanız
13:04
of you've got syphilisFrengi, we can give you penicillinpenisilin.
314
769000
3000
sizi bu kategoriye dahil edebilir ve size pensilin verebiliriz.
13:07
We know that that worksEserleri.
315
772000
2000
İşe yaradığını biliyoruz.
13:09
If you've got malariasıtma, we give you quininekinin
316
774000
2000
Eğer sıtma olursanız, size kinin ya da
13:11
or some derivativetürev of it.
317
776000
2000
benzer bir türevini veririz.
13:13
And so that's the basictemel thing doctorsdoktorlar are trainedeğitilmiş to do,
318
778000
3000
Doktorların eğitim aldıkları temel konular bunlar.
13:16
and it's miraculousmucizevi
319
781000
2000
Bu, enfeksiyon hastalıklarında
13:18
in the casedurum of infectiousbulaşıcı diseasehastalık --
320
783000
3000
adeta bir mucize gibi
13:21
how well it worksEserleri.
321
786000
2000
çalışıyor.
13:23
And manyçok people in this audienceseyirci probablymuhtemelen wouldn'tolmaz be alivecanlı
322
788000
3000
Doktorlar bunu yapmamış olsaydı, şu anda bu konuşmayı
13:26
if doctorsdoktorlar didn't do this.
323
791000
2000
dinleyen pekçok kişi hayatta olmazdı.
13:28
But now let's applyuygulamak that
324
793000
2000
Şimdi bunu bakış açısını kanser gibi
13:30
to systemssistemler diseaseshastalıklar like cancerkanser.
325
795000
2000
sistemik bir hastalığa uygulayalım.
13:32
The problemsorun is that, in cancerkanser,
326
797000
2000
Kanser ile ilgili olan sorun şu,
13:34
there isn't something elsebaşka
327
799000
2000
o vücudunuzun içindeki
13:36
that's insideiçeride of you.
328
801000
2000
yabancı bir madde değil.
13:38
It's you; you're brokenkırık.
329
803000
2000
Vücudunuzun ta kendisi, sadece bozulmuş durumda.
13:40
That conversationkonuşma insideiçeride of you
330
805000
4000
Vücut içindeki iletişiminiz
13:44
got mixedkarışık up in some way.
331
809000
2000
bir şekilde karşımış.
13:46
So how do we diagnoseteşhis koymak that conversationkonuşma?
332
811000
2000
Bu iletişimi ne şekilde tanıyabiliriz?
13:48
Well, right now what we do is we dividebölmek it by partBölüm of the bodyvücut --
333
813000
3000
Şu an yapmakta olduğumuz şey, vücudu bölgelerine ayırmak --
13:51
you know, where did it appeargörünmek? --
334
816000
3000
biliyorsunuz, kanserin nereden çıktığına göre. --
13:54
and we put you in differentfarklı categorieskategoriler
335
819000
2000
ve sizi kanserin hangi vücut bölgesinde
13:56
accordinggöre to the partBölüm of the bodyvücut.
336
821000
2000
çıktığına göre farklı sınıflara ayırıyoruz.
13:58
And then we do a clinicalklinik trialDeneme
337
823000
2000
Daha sonra da akciğer kanseri
14:00
for a drugilaç for lungakciğer cancerkanser
338
825000
2000
prostat kanseri ve mem kanseri için
14:02
and one for prostateprostat cancerkanser and one for breastmeme cancerkanser,
339
827000
3000
farklı farklı klinik deneyler yapıyoruz,
14:05
and we treattedavi etmek these as if they're separateayrı diseaseshastalıklar
340
830000
3000
bunlara sanki farklı hastalıklarmış gibi davranıyoruz,
14:08
and that this way of dividingbölen them
341
833000
2000
ve bu hastalıkları bu şekilde ayırmak
14:10
had something to do with what actuallyaslında wentgitti wrongyanlış.
342
835000
2000
esas ters giden şeyle de ilgili.
14:12
And of coursekurs, it really doesn't have that much to do
343
837000
2000
Elbette, ter giden şeyin ne olduğu ile
14:14
with what wentgitti wrongyanlış
344
839000
2000
çok fazla ilgisi yok.
14:16
because cancerkanser is a failurebaşarısızlık of the systemsistem.
345
841000
3000
Çünkü kanser sistemin iflasıdır.
14:19
And in factgerçek, I think we're even wrongyanlış
346
844000
2000
Aslında, düşünüyorum da, sanırım
14:21
when we talk about cancerkanser as a thing.
347
846000
3000
kanserden bir nesne gibi bahsetmek bile hata.
14:24
I think this is the bigbüyük mistakehata.
348
849000
2000
Bence bu büyük bir hata.
14:26
I think cancerkanser should not be a nounad, sıfat.
349
851000
4000
Bence kanser bir sıfat olmalı.
14:30
We should talk about canceringCancering
350
855000
2000
Sahip olduğumuz bir yapının kanserleşmesinden bahsetmeliyiz
14:32
as something we do, not something we have.
351
857000
3000
sahip olmadığımız değil.
14:35
And so those tumorstümörler,
352
860000
2000
Bu tümörler,
14:37
those are symptomssemptomlar of cancerkanser.
353
862000
2000
bunlar kanserin belirtileri.
14:39
And so your bodyvücut is probablymuhtemelen canceringCancering all the time,
354
864000
3000
Büyük ihtimalle vücudunuz her an kanserleşiyor.
14:42
but there are lots of systemssistemler in your bodyvücut
355
867000
3000
Ama vücudunuzda bu durumu kontrol altında tutacak
14:45
that keep it underaltında controlkontrol.
356
870000
2000
çok fazla savunma sistemi de var.
14:47
And so to give you an ideaFikir
357
872000
2000
Size kanseri bir fiil olarak
14:49
of an analogyanaloji of what I mean
358
874000
2000
kullanma konusunda bir fikir vermesi açısından
14:51
by thinkingdüşünme of canceringCancering as a verbfiil,
359
876000
3000
bir örnek vereyim.
14:54
imaginehayal etmek we didn't know anything about plumbingsu tesisatı,
360
879000
3000
Düşünün ki sıhhi tesisatçılık hakkında hiç bilgimiz yok,
14:57
and the way that we talkedkonuştuk about it,
361
882000
2000
ama onun hakkında şöyle konuşuyoruz,
14:59
we'devlenmek come home and we'devlenmek find a leaksızıntı in our kitchenmutfak
362
884000
3000
bir gün eve geliyoruz ve mutfakta bir sızıntı keşfediyoruz
15:02
and we'devlenmek say, "Oh, my houseev has waterSu."
363
887000
4000
ve diyoruz ki "Of, evimde su var."
15:06
We mightbelki dividebölmek it -- the plumbertesisatçı would say, "Well, where'snerede the waterSu?"
364
891000
3000
Onu ayrıştırabilriz.-- muslukçu şöyle diyebilir, "Eee, peki su nerede?"
15:09
"Well, it's in the kitchenmutfak." "Oh, you mustşart have kitchenmutfak waterSu."
365
894000
3000
"Mutfakta". "Ah o zaman sizin sorununuz mutfak suyu olmalı."
15:12
That's kindtür of the levelseviye at whichhangi it is.
366
897000
3000
Burada olan şey hemen hemen bu seviyede.
15:15
"KitchenMutfak waterSu,
367
900000
2000
"Mutfak suyu mu?"
15:17
well, first of all, we'lliyi go in there and we'lliyi moppaspas out a lot of it.
368
902000
2000
Herşeyden önce mutfağa girip orayı paspaslamamız gerek.
15:19
And then we know that if we sprinkleserpin DranoDrano around the kitchenmutfak,
369
904000
3000
Ayrıca eğer mutfakta lavabo açıcı kullanırsak
15:22
that helpsyardım eder.
370
907000
3000
bunun işe yarayacağını biliyoruz.
15:25
WhereasOysa livingyaşam roomoda waterSu,
371
910000
2000
Ama sorun oturma odası suyu ise
15:27
it's better to do tarTar on the roofçatı."
372
912000
2000
daha doğru olan çatıdaki katranı tamir etmek."
15:29
And it soundssesleri sillysaçma,
373
914000
2000
Aptalca geliyor, biliyorum,
15:31
but that's basicallytemel olarak what we do.
374
916000
2000
ama yaptığımız hemen hemen bu.
15:33
And I'm not sayingsöz you shouldn'tolmamalı moppaspas up your waterSu if you have cancerkanser,
375
918000
3000
Eğer kanser olduysanız yerdeki suyu paspaslamayın demiyorum.
15:36
but I'm sayingsöz that's not really the problemsorun;
376
921000
3000
Söylemeye çalıştığım bunun esas problem olmadığı;
15:39
that's the symptombelirti of the problemsorun.
377
924000
2000
sadece problemin bir belirtisi.
15:41
What we really need to get at
378
926000
2000
Esas anlamamız gereken
15:43
is the processsüreç that's going on,
379
928000
2000
sürecin ne olduğu,
15:45
and that's happeningolay at the levelseviye
380
930000
2000
ve bu da aslında proteonomik hareketler
15:47
of the proteonomicproteonomic actionseylemler,
381
932000
2000
seviyesinde oluşuyor,
15:49
happeningolay at the levelseviye of why is your bodyvücut not healingşifa itselfkendisi
382
934000
3000
vücudunuzun normalde yaptığı gibi neden kendi kendini
15:52
in the way that it normallynormalde does?
383
937000
2000
tamir edemediği ile ilgili bir seviyede.
15:54
Because normallynormalde, your bodyvücut is dealingmuamele with this problemsorun all the time.
384
939000
3000
Çünkü normalde, vücudunuz bu sorunla sürekli yüzleşiyor.
15:57
So your houseev is dealingmuamele with leakssızıntı all the time,
385
942000
3000
Ya da evinizde sürekli bir su sızıntısı sorunu var.
16:00
but it's fixingsabitleme them. It's drainingboşaltma them out and so on.
386
945000
4000
Ama ev onları tamir ediyor, süzüyor vesaire.
16:04
So what we need
387
949000
3000
demek ki esas ihtiyacımız olan
16:07
is to have a causativeEttirgen modelmodel
388
952000
4000
esas olup biteni gösteren bir
16:11
of what's actuallyaslında going on,
389
956000
2000
bir nedensel model.
16:13
and proteomicsproteomik actuallyaslında givesverir us
390
958000
3000
ve Proteomik, bize aslında
16:16
the abilitykabiliyet to buildinşa etmek a modelmodel like that.
391
961000
3000
böyle bir model kurma şansı veriyor.
16:19
DavidDavid got me inviteddavet
392
964000
2000
David, benim
16:21
to give a talk at NationalUlusal CancerKanser InstituteEnstitüsü
393
966000
2000
Ulusal Kanser Enstitü'sünde bir konuşmaya davet etti.
16:23
and AnnaAnna BarkerBarker was there.
394
968000
3000
Anna Barker de oradaydı.
16:27
And so I gaveverdi this talk
395
972000
2000
Ben de bir konuşma yaptım ve dedim ki
16:29
and said, "Why don't you guys do this?"
396
974000
3000
"Neden bunu yapmıyorsunuz?" diye sordum.
16:32
And AnnaAnna said,
397
977000
2000
Anna bana dedi ki,
16:34
"Because nobodykimse withiniçinde cancerkanser
398
979000
3000
"Çünkü kanser hastaları
16:37
would look at it this way.
399
982000
2000
asla bu şekilde konuya bakmazlar.
16:39
But what we're going to do, is we're going to createyaratmak a programprogram
400
984000
3000
Esas yapacağımız şey, kanser alanı dışında çalışan insanlardan
16:42
for people outsidedışında the fieldalan of cancerkanser
401
987000
2000
kanser ile ilgili çok şey bilen
16:44
to get togetherbirlikte with doctorsdoktorlar
402
989000
2000
doktorlarla bir araya gelmelerini sağlayarak bir
16:46
who really know about cancerkanser
403
991000
3000
program hazırlamak ve
16:49
and work out differentfarklı programsprogramlar of researchAraştırma."
404
994000
4000
farklı araştırma programları planlamak.
16:53
So DavidDavid and I applieduygulamalı to this programprogram
405
998000
2000
Böylece David ve ben, bir program baş vurduk ve
16:55
and createdoluşturulan a consortiumKonsorsiyum
406
1000000
2000
USC'de bir kurul oluşturuk.
16:57
at USCUSC
407
1002000
2000
Bu kurulda
16:59
where we'vebiz ettik got some of the besten iyi oncologistsonkolog in the worldDünya
408
1004000
3000
dünyadaki en iyi onkologlarından bazıları
17:02
and some of the besten iyi biologistsbiyologlar in the worldDünya,
409
1007000
3000
dğnyanın en iyi biyologlarından bazıları mevcut,
17:05
from ColdSoğuk SpringBahar HarborLiman,
410
1010000
2000
Cold Spring Harbor'dan
17:07
StanfordStanford, AustinAustin --
411
1012000
2000
Stanford, Austin'e kadar --
17:09
I won'talışkanlık even go throughvasitasiyla and nameisim all the placesyerler --
412
1014000
3000
Tek tek yerleri ve isimleri saymayacağım--
17:12
to have a researchAraştırma projectproje
413
1017000
3000
Bunu beş yıl sürecek ve
17:15
that will last for fivebeş yearsyıl
414
1020000
2000
kanser hastalığı için bahsettiğim gibi
17:17
where we're really going to try to buildinşa etmek a modelmodel of cancerkanser like this.
415
1022000
3000
bir model kuracak bir proje için oluşturduk.
17:20
We're doing it in micefareler first,
416
1025000
2000
Şu an fareler üzerinden çalışıyoruz.
17:22
and we will killöldürmek a lot of micefareler
417
1027000
2000
Bu süreç içinde
17:24
in the processsüreç of doing this,
418
1029000
2000
pek çok fareyi öldüreceğiz,
17:26
but they will dieölmek for a good causesebeb olmak.
419
1031000
2000
ama hepsi insanlığa bir fayda sağlayarak ölecekler.
17:28
And we will actuallyaslında try to get to the pointpuan
420
1033000
3000
Aslında illeride ulaşmak isteyeceğimiz nokta
17:31
where we have a predictiveAkıllı modelmodel
421
1036000
2000
kanserin ne zaman orataya çıktığı
17:33
where we can understandanlama,
422
1038000
2000
ortaya çıkarken ne gibi değişikliklere neden olduğu,
17:35
when cancerkanser happensolur,
423
1040000
2000
ve hangi tedavilerin kanseri
17:37
what's actuallyaslında happeningolay in there
424
1042000
2000
tedavi edebildiği bilgilerini içeren
17:39
and whichhangi treatmenttedavi will treattedavi etmek that cancerkanser.
425
1044000
3000
bir öngörü modeli.
17:42
So let me just endson with givingvererek you a little pictureresim
426
1047000
3000
Size, gelecekte kanser tedavisinin nasıl olacağını
17:45
of what I think cancerkanser treatmenttedavi will be like in the futuregelecek.
427
1050000
3000
temsil eden bir resim öizmeme izin verin.
17:48
So I think eventuallysonunda,
428
1053000
2000
Bence sonunda,
17:50
oncebir Zamanlar we have one of these modelsmodeller for people,
429
1055000
2000
bir kez bu tip insan modellerinie sahip olursak,
17:52
whichhangi we'lliyi get eventuallysonunda --
430
1057000
2000
ki mutlaka bir gün olacağız --
17:54
I mean, our groupgrup won'talışkanlık get all the way there --
431
1059000
2000
Yani bizim ekibimiz tam bu noktaya varamayabilir ama
17:56
but eventuallysonunda we'lliyi have a very good computerbilgisayar modelmodel --
432
1061000
3000
en sonunda aynen hava durumu için kullandığımız
17:59
sortçeşit of like a globalglobal climateiklim modelmodel for weatherhava.
433
1064000
3000
global iklim modeli gibi bir model olacak.
18:02
It has lots of differentfarklı informationbilgi
434
1067000
3000
Model içinde bu proteomik dönüşüm sırasında ortaya çıkan
18:05
about what's the processsüreç going on in this proteomicproteomik conversationkonuşma
435
1070000
3000
süreçlere ait çok fazla sayıda ve çok fazla seviyede
18:08
on manyçok differentfarklı scalesterazi.
436
1073000
2000
bilgi olacak.
18:10
And so we will simulatebenzetmek
437
1075000
2000
Ve bu modeli kullanarak
18:12
in that modelmodel
438
1077000
2000
sizin özel kanserinizi
18:14
for your particularbelirli cancerkanser --
439
1079000
3000
simüle edebileceğiz.
18:17
and this alsoAyrıca will be for ALSALS,
440
1082000
2000
Aynı şey ALS için de
18:19
or any kindtür of systemsistem neurodegenerativenörodejeneratif diseaseshastalıklar,
441
1084000
3000
ya da diğer sistemik nörodejeneratif hastalılar,
18:22
things like that --
442
1087000
2000
ve benzerleri için de geçerli --
18:24
we will simulatebenzetmek
443
1089000
2000
Size özel
18:26
specificallyözellikle you,
444
1091000
2000
bir simülasyon yapacağız,
18:28
not just a genericgenel personkişi,
445
1093000
2000
herkese uyarlanabilir genel bir sümülasyon değil,
18:30
but what's actuallyaslında going on insideiçeride you.
446
1095000
2000
aksine vücudunuzun içinde nele olup bittiğini gösterecek.
18:32
And in that simulationsimülasyon, what we could do
447
1097000
2000
Bu simülasyonu kullanarak size özel
18:34
is designdizayn for you specificallyözellikle
448
1099000
2000
bir grup ardışık tedavi seansı
18:36
a sequencesıra of treatmentstedaviler,
449
1101000
2000
yapmamız mümkün olacak,
18:38
and it mightbelki be very gentlenazik treatmentstedaviler, very smallküçük amountsmiktarlar of drugsilaçlar.
450
1103000
3000
bunlar çok hafif tedaviler olacak, çok düşük dozlu ilaçlar.
18:41
It mightbelki be things like, don't eatyemek that day,
451
1106000
3000
Ya da diğer ufak şeyler "Bugün yemek yeme" gibi,
18:44
or give them a little chemotherapykemoterapi,
452
1109000
2000
ya da ufak dozlu kemoterapiler,
18:46
maybe a little radiationradyasyon.
453
1111000
2000
belki biraz radyasyon tedavisi.
18:48
Of coursekurs, we'lliyi do surgerycerrahlık sometimesara sıra and so on.
454
1113000
3000
Elbette gerektikçe cerrahi de uygulayacağız.
18:51
But designdizayn a programprogram of treatmentstedaviler specificallyözellikle for you
455
1116000
3000
Ama sizi sağlığınıza geri döndürmek ve
18:54
and help your bodyvücut
456
1119000
3000
vücudunuza yardımcı olmak için
18:57
guidekılavuz back to healthsağlık --
457
1122000
3000
size özel bir tedavi programı
19:00
guidekılavuz your bodyvücut back to healthsağlık.
458
1125000
2000
tasarlanmış olacak.
19:02
Because your bodyvücut will do mostçoğu of the work of fixingsabitleme it
459
1127000
4000
Çünkü, eğer düzgün destek verirsek
19:06
if we just sortçeşit of propPervane it up in the waysyolları that are wrongyanlış.
460
1131000
3000
vücudunuz bu durumu düzeltmek için elinden geleni yapacak.
19:09
We put it in the equivalenteşdeğer of splintsAtel.
461
1134000
2000
Bir nevi alçıya almak gibi.
19:11
And so your bodyvücut basicallytemel olarak has lots and lots of mechanismsmekanizmalar
462
1136000
2000
Yani aslında vücudunuzun kanseri tamir etmek için
19:13
for fixingsabitleme cancerkanser,
463
1138000
2000
halihazırda pekçok mekanızması mevcut
19:15
and we just have to propPervane those up in the right way
464
1140000
3000
bize düşen sadece onları işlerini yapabilmeleri için
19:18
and get them to do the job.
465
1143000
2000
doğu şekilde desteklemek.
19:20
And so I believe that this will be the way
466
1145000
2000
ben, kanserin gelecekteki tedavi yönteminin
19:22
that cancerkanser will be treatedişlenmiş in the futuregelecek.
467
1147000
2000
bu şekilde olacağına inanıyorum.
19:24
It's going to requiregerektirir a lot of work,
468
1149000
2000
Elbette çok fazla çalışma
19:26
a lot of researchAraştırma.
469
1151000
2000
ve araştırma gerelkiyor.
19:28
There will be manyçok teamstakımlar like our teamtakım
470
1153000
3000
Bu konuda , bizim takımımıza benzer
19:31
that work on this.
471
1156000
2000
çok fazla sayıda farklı grup oluşacaktır.
19:33
But I think eventuallysonunda,
472
1158000
2000
Ama eninde sonunda
19:35
we will designdizayn for everybodyherkes
473
1160000
2000
herkes için, kişiye özel
19:37
a customÖzel treatmenttedavi for cancerkanser.
474
1162000
4000
bir kanser tedavi yöntemi geliştireceğiz.
19:41
So thank you very much.
475
1166000
2000
Çok teşekkür ederim.
19:43
(ApplauseAlkış)
476
1168000
6000
(Alkışlar)
Translated by Isil Arican
Reviewed by Sancak Gülgen

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Danny Hillis | Speaker | TED.com