TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
داني هيليز: فهم السرطان عن طريق البروتيوميات
Filmed:
Readability: 3.6
465,363 views
يصنع داني هيليز قضية لأعظم آفاق أبحاث السرطان: البروتيوميات، دراسة البروتينات في الجسم. يفسر داني أن علم الجينيوم يعرض لنا قائمة بمكونات الجسم-- بينما البروتيوميات تعرض لنا ما تنتجه هذه المكونات. استيعاب ما يحدث في أجسامنا على مستوى البروتينات سيقود إلى مفهوم جديد لكيفية حدوث السرطان.
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
أعترف أنني مرتبك قليلا هنا
00:18
because I'm going to say some radical things,
1
3000
3000
لأنني سأقوم بقول بعض الأشياء المتطرفة
00:21
about how we should think about cancer differently,
2
6000
3000
عن كيف يتوجب علينا أن نفكر بالسرطان بطريقة مختلفة
00:24
to an audience that contains a lot of people
3
9000
2000
لجمهور يحتوي الكثير من الناس
00:26
who know a lot more about cancer than I do.
4
11000
3000
الذين يعرفون عن السرطان أكثر مني.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
لكن سأعترف بأنني لست مرتبكا بالقدر الذي يفترض علي أن أكونه
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
لأنني متأكد جدا أنني على حق بهذا.
00:35
(Laughter)
7
20000
2000
(ضحك)
00:37
And that this, in fact, will be
8
22000
2000
و هذه هي، بالفعل، ستكون
00:39
the way that we treat cancer in the future.
9
24000
3000
الطريقة التي نعالج فيها السرطان في المستقبل.
00:43
In order to talk about cancer,
10
28000
2000
من أجل الحديث عن السرطان،
00:45
I'm going to actually have to --
11
30000
3000
سأقوم بالفعل بعمل --
00:48
let me get the big slide here.
12
33000
3000
دعوني أحضر الشريحة الكبيرة هنا.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
أولا، سأحاول أن أعطيكم منظورا مختلفا لعلم الجينوم (علم دراسة كامل المادة الوراثية)
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
أريد أن أضعه بمنظور الصورة العامة
00:58
of all the other things that are going on --
15
43000
3000
لكل الأمور الأخرى التي تجري --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
و بعدها أتحدث عن شئ لم تسمعوا عنه الكثير، الذي هو البروتيوميات (دراسة أنواع البروتينات).
01:04
Having explained those,
17
49000
2000
بكوني فسرت هذين،
01:06
that will set up for what I think will be a different idea
18
51000
3000
سوف يمهد لما أظن أنه سيكون فكرة مختلفة
01:09
about how to go about treating cancer.
19
54000
2000
عن كيف سنقوم بعلاج السرطان.
01:11
So let me start with genomics.
20
56000
2000
دعوني أبدأ بعلم الجينوم.
01:13
It is the hot topic.
21
58000
2000
إنه موضوع متداول.
01:15
It is the place where we're learning the most.
22
60000
2000
إنه أكثر مكان نتعلم منه.
01:17
This is the great frontier.
23
62000
2000
إنه عظيم الحدود.
01:19
But it has its limitations.
24
64000
3000
لكن لديه قيوده.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
و بالتحديد، كلكم من الممكن أنكم سمعتم عن المماثلة
01:25
that the genome is like the blueprint of your body,
26
70000
3000
التي هي علم الجينوم هو مثل المخططات الأولية لأجسامكم.
01:28
and if that were only true, it would be great,
27
73000
2000
و لو كانت فقط صحيحة، سيكون رائعا،
01:30
but it's not.
28
75000
2000
لكنها ليست كذلك.
01:32
It's like the parts list of your body.
29
77000
2000
إنها كقائمة أعضاء أجسامكم.
01:34
It doesn't say how things are connected,
30
79000
2000
إنها لا تقول كيف تترابط الأشياء،
01:36
what causes what and so on.
31
81000
3000
ماذا يسبب الآخر و هكذا.
01:39
So if I can make an analogy,
32
84000
2000
و إذا كان باستطاعتي وضع مقاربة،
01:41
let's say that you were trying to tell the difference
33
86000
2000
سنقل أنكم تحاولون إيجاد الفرق
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
بين مطعم جيد، مطعم صحي،
01:46
and a sick restaurant,
35
91000
2000
و مطعم مريض،
01:48
and all you had was the list of ingredients
36
93000
2000
و كل ما كان بحوزتكم هو قائمة المقادير
01:50
that they had in their larder.
37
95000
3000
التي لديهم في حافظتهم.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
فقد يكون أن، إذا ذهبتم إلى مطعم فرنسي
01:56
and you looked through it and you found
39
101000
2000
و بحثتم لتجدوا أن
01:58
they only had margarine and they didn't have butter,
40
103000
2000
لديهم فقط السمنة الصناعسة و ليس لديهم زبدة،
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
قد تقولون، "آه، رأينا ما هي مشكلتهم.
02:02
I can make them healthy."
42
107000
2000
أستطيع أن أجعلهم صحيين."
02:04
And there probably are special cases of that.
43
109000
2000
و قد تكون هناك حالات خاصة لهذا.
02:06
You could certainly tell the difference
44
111000
2000
تستطيعون بالتأكيد معرفة الفرق
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
بين مطعم صيني و مطعم فرنسي
02:10
by what they had in a larder.
46
115000
2000
عن طريق معرفة مالديهم في حافظتهم.
02:12
So the list of ingredients does tell you something,
47
117000
3000
فقائمة المقادير تخبركم بشئ،
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
و أحيانا تخبركم بشئ خاطئ.
02:19
If they have tons of salt,
49
124000
2000
لو كان لديهم الكثير من الملح،
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
قد تخمنون أنهم يستعملون الكثير من الملح، و شيئا من هذا القبيل.
02:24
But it's limited,
51
129000
2000
لكن هذا قاصر،
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
لأنكم لتعرفوا بالفعل أنه مطعم صحي،
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
يجب عليكم أن تتذوقوا الطعام، يجب أن تعرفوا ما يدور في المطبخ،
02:31
you need the product of all of those ingredients.
54
136000
3000
تحتاجون منتوج كل هذه المقادير.
02:34
So if I look at a person
55
139000
2000
فلو نظرت إلى إنسان
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
و نظرت إلى جنيوم هذا الإنسان، إنهما الشئ نفسه.
02:39
The part of the genome that we can read
57
144000
2000
جزء الجنيوم الذي باستطاعتنا قرآته
02:41
is the list of ingredients.
58
146000
2000
هو قائمة المقادير.
02:43
And so indeed,
59
148000
2000
و في الواقع،
02:45
there are times when we can find ingredients
60
150000
2000
هناك أوقات نجد فيها مقادير
02:47
that [are] bad.
61
152000
2000
سيئة.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
التليف الكيسي هو مثال لمرض
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
الذي يكون لديكم أحد المقادير السيئة التي تسبب المرض،
02:54
and we can actually make a direct correspondence
64
159000
3000
و يمكن أن نكون علاقات مباشرة بين
02:57
between the ingredient and the disease.
65
162000
3000
أحد المقادير و المرض.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
لكن معظم الأشياء، يجب أن نعرف بالفعل ما يدون بالمطبخ،
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
لأن، في الغالبية، الناس المريضين كانو أناسا أصحاء --
03:05
they have the same genome.
68
170000
2000
لديهم نفس الجنيوم.
03:07
So the genome really tells you much more
69
172000
2000
فالجنيوم يخبركم فعلا الكثير
03:09
about predisposition.
70
174000
2000
عن التركيب الوراثي.
03:11
So what you can tell
71
176000
2000
فما تستطيعون معرفته
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
هو أن يكون بمقدرتكم معرفته الفرق بين الشخص الآسيوي و الشخص الأوربي
03:15
by looking at their ingredients list.
73
180000
2000
بالنظر فقط إلى قائمة مقاديرهم.
03:17
But you really for the most part can't tell the difference
74
182000
3000
لكن في معظم الأوقات لا تستطيعون معرفة الفرق
03:20
between a healthy person and a sick person --
75
185000
3000
بين شخص مريض و شخص صحيح--
03:23
except in some of these special cases.
76
188000
2000
فقط في بعض هذه الحالات الخاصة.
03:25
So why all the big deal
77
190000
2000
فماهي أهمية
03:27
about genetics?
78
192000
2000
علم الوراثة؟
03:29
Well first of all,
79
194000
2000
حسنا قبل كل شئ,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
لأننا نستطيع قرأتها, و هو أمر هائل.
03:34
It is very useful in certain circumstances.
81
199000
3000
إنه عملي جدا في حالات معينة.
03:37
It's also the great theoretical triumph
82
202000
3000
إنه أيضا الانتصار النظري الرائع
03:40
of biology.
83
205000
2000
لعلم الأحياء.
03:42
It's the one theory
84
207000
2000
إنها النظرية الوحيدة
03:44
that the biologists ever really got right.
85
209000
2000
التي عرف علماء الأحياء صحتها.
03:46
It's fundamental to Darwin
86
211000
2000
إنها أساسية لداروين
03:48
and Mendel and so on.
87
213000
2000
و مندل و غيرهم.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
و إنها الشئ الوحيد الذي توقعوا فيه صنع نظرية.
03:54
So Mendel had this idea of a gene
89
219000
2000
مندل كانت لديه فكرة الجين
03:56
as an abstract thing,
90
221000
3000
كشئ مجرد.
03:59
and Darwin built a whole theory
91
224000
2000
و دارون بني نظرية بأكملها
04:01
that depended on them existing,
92
226000
2000
مبنية على وجودها.
04:03
and then Watson and Crick
93
228000
2000
و من ثم واستن و كريك
04:05
actually looked and found one.
94
230000
2000
فعلا بحثوا و وجدوا واحدة.
04:07
So this happens in physics all the time.
95
232000
2000
فهذا يحصل في الفيزياء كل الوقت.
04:09
You predict a black hole,
96
234000
2000
فأنت تتنبأ بثقب أسود,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
و تنظر عبر التلسكوب لتجده, مثلما قلت.
04:14
But it rarely happens in biology.
98
239000
2000
لكن نادرا ما يحدث هذا في علم الأحياء.
04:16
So this great triumph -- it's so good,
99
241000
3000
فهذا انتصار رائع --إنه جيد--
04:19
there's almost a religious experience
100
244000
2000
هناك تقريبا خبرة عقائدية
04:21
in biology.
101
246000
2000
في علم الأحياء.
04:23
And Darwinian evolution
102
248000
2000
و نظرية التطور لداروين
04:25
is really the core theory.
103
250000
3000
هي فعلا النظرية الأساسية.
04:30
So the other reason it's been very popular
104
255000
2000
و السبب الآخر لكونها مشهورة
04:32
is because we can measure it, it's digital.
105
257000
3000
لأننا نستطيع قياسها, إنها رقمية.
04:35
And in fact,
106
260000
2000
و في الواقع,
04:37
thanks to Kary Mullis,
107
262000
2000
الشكر لكاري موليس,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
نتسطيع قياس الجنيوم في مطابخنا
04:43
with a few extra ingredients.
109
268000
3000
بزبادة بعض المقادير.
04:46
So for instance, by measuring the genome,
110
271000
3000
فعلى سبيل المثال, بمقياسنا للجنيوم
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
فتعلمنا الكثير عن صلتنا بأنواع الحيوانات
04:53
by the closeness of our genome,
112
278000
3000
عن طريق تقارب الجنيوم,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
أو كيف نتصل ببعضنا البعض-- شجرة العائلة,
04:59
or the tree of life.
114
284000
2000
أو شجرة الحياة.
05:01
There's a huge amount of information about the genetics
115
286000
3000
هناك كم هائل من المعلومات عن الجينات
05:04
just by comparing the genetic similarity.
116
289000
3000
فقط بمقارنة تشابه الجينات.
05:07
Now of course, in medical application,
117
292000
2000
الآن بالطبع, في التطبيقات الطبية,
05:09
that is very useful
118
294000
2000
هذا جدا مفيد
05:11
because it's the same kind of information
119
296000
3000
لأنها نفس نوع المعلومات
05:14
that the doctor gets from your family medical history --
120
299000
3000
التي يحصل عليها الطبيب من تاريخ العائلة الطبي --
05:17
except probably,
121
302000
2000
ربما باستثناء,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
الجنيوم يعرف تاريخ عائلتك الطبي أكثر مما تعرفه أنت.
05:22
And so by reading the genome,
123
307000
2000
و بقراءة الجنبيوم,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
ربما نتسطيع معرفة الكثير عن عائلتك مما تعرفه أنت.
05:27
And so we can discover things
125
312000
2000
و نتسطيع اكتشاف أشياء
05:29
that probably you could have found
126
314000
2000
التي ربما قد عرفتها
05:31
by looking at enough of your relatives,
127
316000
2000
عبر نظرك إلى أقرابئك,
05:33
but they may be surprising.
128
318000
3000
و لكن قد تكون مفاجآة.
05:36
I did the 23andMe thing
129
321000
2000
عملت التجربة على نفسي
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
و تفآجأت جدا لأكتشف بأنني سمين و أصلع.
05:41
(Laughter)
131
326000
7000
(ضحك)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
لكن أحيانا تستطيع معرفة أشياء مقيدة أكثر بكثير عن هذا.
05:51
But mostly
133
336000
3000
لكن غالبا
05:54
what you need to know, to find out if you're sick,
134
339000
2000
ما تحتاج معرفته لتكتشف إن كنت مريضا
05:56
is not your predispositions,
135
341000
2000
هو ليس ميل جسمك لتكوين المرض,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
لكن فعليا هو ما يحدث في جسمك الآن.
06:01
So to do that, what you really need to do,
137
346000
2000
و لعمل هذا, ما تحتاج حقا فعله هو,
06:03
you need to look at the things
138
348000
2000
تحتاج النظر إلى الأشياء
06:05
that the genes are producing
139
350000
2000
التي تنتجها الجينات
06:07
and what's happening after the genetics,
140
352000
2000
و ما يحدث بعد الجينات.
06:09
and that's what proteomics is about.
141
354000
2000
و هذا هو دور البروتيوميات.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
مثلما ما يخلط الجنيوم دراسة كل الجينات,
06:14
proteomics is the study of all the proteins.
143
359000
3000
البروتيوميات هو دراسة كل البروتينات.
06:17
And the proteins are all of the little things in your body
144
362000
2000
و البروتيوميات هي كل الأشياء الصغيرة في جسمك
06:19
that are signaling between the cells --
145
364000
3000
التي تؤدي إلى إشارات بين الخلايا--
06:22
actually, the machines that are operating --
146
367000
2000
في الواقع هي الآلات العاملة.
06:24
that's where the action is.
147
369000
2000
و هنا تكمن الحركة.
06:26
Basically, a human body
148
371000
3000
أساسا, جسم الإنسان
06:29
is a conversation going on,
149
374000
3000
هو محاورة مستمرة,
06:32
both within the cells and between the cells,
150
377000
3000
داخل الخلايا و بين الخلايا,
06:35
and they're telling each other to grow and to die,
151
380000
3000
و هم يطلبون من بعضهم البعض النمو و الموت.
06:38
and when you're sick,
152
383000
2000
و عندما تمرض,
06:40
something's gone wrong with that conversation.
153
385000
2000
يحدث خطأ ما في هذه المحاورة.
06:42
And so the trick is --
154
387000
2000
و الفكرة هي--
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
للأسف, ليست هناك طريقة سهلة لقياس هذه
06:47
like we can measure the genome.
156
392000
2000
مثل التي نقيس فيها الجنيوم.
06:49
So the problem is that measuring --
157
394000
3000
فالمشكلة هي ذلك القياس--
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
لو جربت أن تقيس كل البروتينات, فإنها عملية جدا معقدة.
06:55
It requires hundreds of steps,
159
400000
2000
إنها تتطلب مئات الخطوات,
06:57
and it takes a long, long time.
160
402000
2000
و تأخذ وقتا طويلا جدا.
06:59
And it matters how much of the protein it is.
161
404000
2000
و مقدار البروتين المتواجد ذو أهمية.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
قد يكون ذا أهمية كبيرة إذا تغير البروتين بنسبة 10 في المائة,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
فهي ليست الدي إن أي الرقمية اللطيفة.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
و أساسا مشكلتنا هي وجود أحدهم في وسط
07:09
of this very long stage,
165
414000
2000
هذه المرحلة الطويلة,
07:11
they pause for just a moment,
166
416000
2000
يتوقفون فقط للحظة,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
و يتركون شيئا في الأنزيم لثانية,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
و فجأة كل القياسات بعد هذا
07:17
don't work.
169
422000
2000
لا تعمل.
07:19
And so then people get very inconsistent results
170
424000
2000
و بهذا يجد الناس نتائج غير متناسقة
07:21
when they do it this way.
171
426000
2000
حين يعملون بهذه الطريقة.
07:23
People have tried very hard to do this.
172
428000
2000
الناس حاولوا بتصميم لعمل هذا.
07:25
I tried this a couple of times
173
430000
2000
أنا حاولت هذا مرتين
07:27
and looked at this problem and gave up on it.
174
432000
2000
و نظرت إلى هذه المشكلة و تخليت عنها.
07:29
I kept getting this call from this oncologist
175
434000
2000
أتتني اتصالات مستمرة من طبيب أورام
07:31
named David Agus.
176
436000
2000
اسمه دايفد أوقس.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
و "أبلايد مايندز" تصلها اتصالات كثيرة
07:36
from people who want help with their problems,
178
441000
2000
من أناس يريدون مساعدة في مشاكلهم,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
و أنا لم أظن أن هناك احتمالا أن هذا الشخص سيعيد الاتصال,
07:41
so I kept on giving him to the delay list.
180
446000
3000
فاستمريت اضعه على قائمة التأجيل.
07:44
And then one day,
181
449000
2000
و في يوم ما,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
وصلني اتصال من جون دوير, بيل بركمان
07:48
and Al Gore on the same day
183
453000
2000
و أل قور في نفس اليوم
07:50
saying return David Agus's phone call.
184
455000
2000
يقولون رد على اتصال ديفيد أوقس.
07:52
(Laughter)
185
457000
2000
(ضحك)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
و كنت أفكر "حسنا. على الأقل هذا رجل واصل."
07:56
(Laughter)
187
461000
4000
(ضحك)
08:00
So we started talking,
188
465000
2000
فبدأنا نتكلم,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
و قال, " أنا فعلا أحتاج طريقة أفضل لقياس البروتينات."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
و أنا كنت مثل, "انظر إلى هذا. لقد كنت هناك.
08:07
Not going to be easy."
191
472000
2000
لن يكون سهلا."
08:09
He's like, "No, no. I really need it.
192
474000
2000
و هو كان يقول " لا لا . أنا فعلا بحاجة لها.
08:11
I mean, I see patients dying every day
193
476000
4000
قصدي, إني أرى مرضى يموتون كل يوم
08:15
because we don't know what's going on inside of them.
194
480000
3000
لأننا لا نعرف ما يدور في داخلهم.
08:18
We have to have a window into this."
195
483000
2000
يتوجب علينا أن نجد منفذا لهذا."
08:20
And he took me through
196
485000
2000
و أخذنا عبر
08:22
specific examples of when he really needed it.
197
487000
3000
أمثلة معينة للأوقات التي كان فعلا بحاجة إليها.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
بعدها استوعبت, تعجبت, إن هذا سيحدث فعلا فرقا كبيرا
08:27
if we could do it,
199
492000
2000
لو استطعنا فعله.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
ثم قلت, "حسنا, لننظر إليها."
08:31
Applied Minds has enough play money
201
496000
2000
أبلايد مايندز لديها نقود كافية للتجارب
08:33
that we can go and just work on something
202
498000
2000
نستطيع أن نقوم بالعمل على أمر ما
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
من دون سماح للتمويل أو ما شابه من أي أحد.
08:38
So we started playing around with this.
204
503000
2000
فبدأنا بالتجارب على هذا.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
و في خلال عملنا, استوعبنا أن هناك مشكلة أساسية--
08:43
that taking the sip of coffee --
206
508000
2000
أخذ رشفة من القهوة--
08:45
that there were humans doing this complicated process
207
510000
2000
يتطلب وجود أشخاص يقومون يهذه العملية المعقدة
08:47
and that what really needed to be done
208
512000
2000
و بهذا, ما احتجنا فعلا أن نقوم به,
08:49
was to automate this process like an assembly line
209
514000
3000
هو أتمتة العملية مثل خط انتاج
08:52
and build robots
210
517000
2000
و بناء رجال آليين
08:54
that would measure proteomics.
211
519000
2000
لكي يقيسوا البروتيوميات.
08:56
And so we did that,
212
521000
2000
و قد قمنا بذلك.
08:58
and working with David,
213
523000
2000
و عملت مع ديفيد,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
قمنا تدرجيا بإنشاء شركة صغيرة تدعى أبلايد بروتيوميات,
09:03
which makes this robotic assembly line,
215
528000
3000
التي تصنع خط انتاج آلي,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
هي , بطريقة شاملة, تقيس البروتين
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
و سأريكم ما هو شكل قياس البروتين.
09:13
Basically, what we do
218
538000
2000
أساسا, ما نعمله
09:15
is we take a drop of blood
219
540000
2000
هو أخذ نقطة من الدم
09:17
out of a patient,
220
542000
2000
من مريض,
09:19
and we sort out the proteins
221
544000
2000
و نفرز البروتينات
09:21
in the drop of blood
222
546000
2000
في نقطة الدم.
09:23
according to how much they weigh,
223
548000
2000
حسب مقدار وزنها,
09:25
how slippery they are,
224
550000
2000
و درجة سيولتها,
09:27
and we arrange them in an image.
225
552000
3000
و نرتبهم في صورة.
09:30
And so we can look at literally
226
555000
2000
و لنتستطيع النظر بحق إلى
09:32
hundreds of thousands of features at once
227
557000
2000
مئات الآلف من الصفات مرة واحدة
09:34
out of that drop of blood.
228
559000
2000
من تلك النقطة من الدم.
09:36
And we can take a different one tomorrow,
229
561000
2000
و نستطيع أخذ واحدة مختلفة غدا,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
و نستطيع رؤية أن بروتين اليوم التالي ستكون مختلفة --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
ستخلف بعد أن تأكل و بعد أن تنام.
09:43
They really tell us what's going on there.
232
568000
3000
تخبرنا البروتينات فعلا ماذا يحدث هناك.
09:46
And so this picture,
233
571000
2000
و في هذه الصورة,
09:48
which looks like a big smudge to you,
234
573000
2000
التي تبدو كبقعة لك,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
هي حقا الشئ الذي جعلني مندهشا بهذا
09:54
and made me feel like we were on the right track.
236
579000
2000
و جعلني أشعر كأنني على خط السير الصحيح.
09:56
So if I zoom into that picture,
237
581000
2000
فإذا قربت هذه الصورة,
09:58
I can just show you what it means.
238
583000
2000
أستطيع أن أريكم ماذا تعني.
10:00
We sort out the proteins -- from left to right
239
585000
3000
نفرز البروتين-- من اليسار إلى اليمين
10:03
is the weight of the fragments that we're getting,
240
588000
3000
هو وزن الأجزاء التي حصلنا عليها.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
و من الأعلى إلى الأسفل مدى سيولتها.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
و نحن نقرب الصورة إلى هنا لنريك أن جزءا صغيرا منها.
10:12
And so each of these lines
243
597000
2000
و كل من هذه الخطوط
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
تمثل نوعا من الإشارة التي تخرج من جزء من البروتين.
10:17
And you can see how the lines occur
245
602000
2000
و تستطيعون رؤية كيف تتشكل الخطوط
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
في هذه المجموعات الصغيرة خط، خط، خط، خط.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
و هذا لأننا نقيس الوزن بدقة شديدة بذلك--
10:26
carbon comes in different isotopes,
248
611000
2000
يأتي الكربون بعدة نظائر كيميائية،
10:28
so if it has an extra neutron on it,
249
613000
3000
بهذا اذا كان عليه نيوترون زائد،
10:31
we actually measure it as a different chemical.
250
616000
4000
فنحن فعلا نقيسه كمركب كيميائي مختلف.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
فنحن فعلا نقيس كل نظير كيميائي كنظير مختلف عن الثاني.
10:38
And so that gives you an idea
252
623000
3000
و هذا يعطيكم فكرة
10:41
of how exquisitely sensitive this is.
253
626000
2000
عن الحساسية الفائقة لهذا.
10:43
So seeing this picture
254
628000
2000
برؤية هذه الصورة
10:45
is sort of like getting to be Galileo
255
630000
2000
مثل أن نكون جاليليو
10:47
and looking at the stars
256
632000
2000
و ننظر إلى النجوم
10:49
and looking through the telescope for the first time,
257
634000
2000
عبر التلسكوب للمرة الأولى،
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
و فجأة نقول "ياه، أنها أكثر تعقيدا بكثير عن ما كنا نظن."
10:54
But we can see that stuff out there
259
639000
2000
لكن نستطيع أن نرى الأشياء في الخارج
10:56
and actually see features of it.
260
641000
2000
و في الواقع نرى ميزاتها.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
و بهذا إن نستطيع أن نستنتج من محاولنا إيجاد الأنماط.
11:01
So what we do with this
262
646000
2000
فماذا نفعل بهذا
11:03
is, for example, we can look at two patients,
263
648000
2000
هو، مثلا، نستطيع النظر إلى مريضين،
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
واحد استجاب لدواء و الآخر لم يستجيب لدواء،
11:08
and ask, "What's going on differently
265
653000
2000
و نسأل، " ما الذي اختلف
11:10
inside of them?"
266
655000
2000
داخلهم؟"
11:12
And so we can make these measurements precisely enough
267
657000
3000
فنستطيع أن نأخذ قياسات محددة كفاية
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
لأن نطابق المريضين و ننظر إلى الاختلافات.
11:18
So here we have Alice in green
269
663000
2000
هنا لدينا أليس باللون الأخضر
11:20
and Bob in red.
270
665000
2000
و بوب بالأحمر.
11:22
We overlay them. This is actual data.
271
667000
3000
نطابقهم. هناك معلومات واقعية.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
و تستطيعون أن ترون، أغلبها تتطابق و إنها صفراء،
11:28
but there's some things that just Alice has
273
673000
2000
لكن هناك أشياء عند أليس فقط
11:30
and some things that just Bob has.
274
675000
2000
و أشياء عند بوب فقط.
11:32
And if we find a pattern of things
275
677000
3000
و إذا وجدنا نمط من الأشياء
11:35
of the responders to the drug,
276
680000
3000
المستجيبة للدواء،
11:38
we see that in the blood,
277
683000
2000
نراها في ذلك الدم،
11:40
they have the condition
278
685000
2000
لديها الحالة
11:42
that allows them to respond to this drug.
279
687000
2000
التي تمكنها من الاستجابة لهذا الدواء.
11:44
We might not even know what this protein is,
280
689000
2000
قد لا يمكننا معرفة ما هذا البروتين،
11:46
but we can see it's a marker
281
691000
2000
لكننا نستطيع رؤية أنه علامة
11:48
for the response to the disease.
282
693000
2000
للاستجابة للمرض.
11:53
So this already, I think,
283
698000
2000
لذلك إن هذا بالفعل، أظنه
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
نافع بشكل كبير في جميع أنواع الطب.
11:58
But I think this is actually
285
703000
2000
لكنني أظن أن هذا في الواقع
12:00
just the beginning
286
705000
2000
هو فقط البداية
12:02
of how we're going to treat cancer.
287
707000
2000
لكيف سنعالج السرطان.
12:04
So let me move to cancer.
288
709000
2000
دعوني انتقل إلى السرطان.
12:06
The thing about cancer --
289
711000
2000
الأمر في السرطان--
12:08
when I got into this,
290
713000
2000
عندما دخلت هذا المجال،
12:10
I really knew nothing about it,
291
715000
2000
لم أكن أعرف أي شئ عنه،
12:12
but working with David Agus,
292
717000
2000
لكن بالعمل مع ديفيد أوقس،
12:14
I started watching how cancer was actually being treated
293
719000
3000
بدأت بمشاهدة كيف في الواقع يعالج السرطان
12:17
and went to operations where it was being cut out.
294
722000
3000
و ذهبت إلى عمليات يقام فيها استئصاله.
12:20
And as I looked at it,
295
725000
2000
فعندما نظرت إليها،
12:22
to me it didn't make sense
296
727000
2000
لم يكن منطقيا بالنسبة لي
12:24
how we were approaching cancer,
297
729000
2000
كيف نتعامل مع السرطان.
12:26
and in order to make sense of it,
298
731000
3000
و لأصنع شيئا منطقيا منه،
12:29
I had to learn where did this come from.
299
734000
3000
علي أن أتعلم من أين أتى هذا.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
نحن نعامل السرطان تقريبا كأنه مرض معدي.
12:36
We're treating it as something that got inside of you
301
741000
2000
نحن نعامله كالشىء الذي وصل بداخلنا
12:38
that we have to kill.
302
743000
2000
و علينا أن نقتله.
12:40
So this is the great paradigm.
303
745000
2000
فهذا هو النموذج الادراكي الكبير.
12:42
This is another case
304
747000
2000
إنها حالة أخرى
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
التي حقا نجحت فيها نظرية نموذج الإدراكي--
12:46
was the germ theory of disease.
306
751000
3000
هي نظرية جرثوم المرض.
12:49
So what doctors are mostly trained to do
307
754000
2000
فأغلب ما يدرب عليه الأطباء
12:51
is diagnose --
308
756000
2000
هو التشخيص --
12:53
that is, put you into a category
309
758000
2000
يعني تصنيفكم تحت فئة --
12:55
and apply a scientifically proven treatment
310
760000
2000
و تطبيق علاج أثبت علميا
12:57
for that diagnosis --
311
762000
2000
لذلك التشخيص.
12:59
and that works great for infectious diseases.
312
764000
3000
و هذا يعمل بشكل رائع للأمراض المعدية.
13:02
So if we put you in the category
313
767000
2000
فإذا وضعناكم في فئة
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
لمن حصل لهم الزهري، نستطيع إعطائكم البنسلين.
13:07
We know that that works.
315
772000
2000
نعرف أنه يعمل.
13:09
If you've got malaria, we give you quinine
316
774000
2000
إذا أصابتكم الملاريا، نعطيكم الكينين،
13:11
or some derivative of it.
317
776000
2000
أو مشتق منها.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
و هذا هو الشئ الأساسي الذي يدرب عليه الأطباء.
13:16
and it's miraculous
319
781000
2000
و هو معجزة
13:18
in the case of infectious disease --
320
783000
3000
في حالة الأمراض المعدية--
13:21
how well it works.
321
786000
2000
يعمل بشكل جيد.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
و يحتمل أن كثيرا من الناس في هذا الجمهور لم يكن ليصبحوا على قيد الحياة
13:26
if doctors didn't do this.
323
791000
2000
لو أن الأطباء لم يعملوا هذا.
13:28
But now let's apply that
324
793000
2000
الآن لنطبق هذا
13:30
to systems diseases like cancer.
325
795000
2000
لأمراض الأنظمة مثل السرطان.
13:32
The problem is that, in cancer,
326
797000
2000
المشكلة هي، في السرطان،
13:34
there isn't something else
327
799000
2000
أنه ليس هناك شئ
13:36
that's inside of you.
328
801000
2000
في داخلكم.
13:38
It's you; you're broken.
329
803000
2000
أنه أنتم، الذين كسرتم.
13:40
That conversation inside of you
330
805000
4000
تلك المحادثة في داخلكم
13:44
got mixed up in some way.
331
809000
2000
تخبطت بطريقة ما.
13:46
So how do we diagnose that conversation?
332
811000
2000
فكيف نشخص تلك المحادثة؟
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
حسنا الآن الذي نفعله هو أننا نقسمها حسب إجزاء الجسم--
13:51
you know, where did it appear? --
334
816000
3000
تعرفون، أين ظهرت--
13:54
and we put you in different categories
335
819000
2000
و نضعها في فئات مختلفة
13:56
according to the part of the body.
336
821000
2000
وفقا لأجزاء الجسم.
13:58
And then we do a clinical trial
337
823000
2000
و بعدها نقوم بالتجربة السريرية
14:00
for a drug for lung cancer
338
825000
2000
لعلاج سرطان الرئة
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
و واحدة لسرطان البروستات و أخرى لسرطان الثدي،
14:05
and we treat these as if they're separate diseases
340
830000
3000
و نعالج هذه و كأنها أمراض مستقلة
14:08
and that this way of dividing them
341
833000
2000
و طريقة تقسيمهم هذه
14:10
had something to do with what actually went wrong.
342
835000
2000
كانت لها علاقة في الخطأ الذي حدث فعلا.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
و بالطبع، لم تكن مؤثرة بشكل كبير
14:14
with what went wrong
344
839000
2000
في الخطأ الذي حصل.
14:16
because cancer is a failure of the system.
345
841000
3000
لأن السرطان هو فشل النظام.
14:19
And in fact, I think we're even wrong
346
844000
2000
و في واقع الأمر، أظن أننا مخطئون
14:21
when we talk about cancer as a thing.
347
846000
3000
عندما نتكلم عن السرطان كشئ.
14:24
I think this is the big mistake.
348
849000
2000
أظن أن هذه غلطة كبيرة.
14:26
I think cancer should not be a noun.
349
851000
4000
أظن أن السرطان لا يتوجب أن يكون أسما.
14:30
We should talk about cancering
350
855000
2000
يجب أن نتكلم عن السرطنة (فعل)
14:32
as something we do, not something we have.
351
857000
3000
كشئ نفعله، لا شئ نمتكله.
14:35
And so those tumors,
352
860000
2000
و هذه الأورام،
14:37
those are symptoms of cancer.
353
862000
2000
هي أعراض السرطان.
14:39
And so your body is probably cancering all the time,
354
864000
3000
و يحتمل أن أجسامكم تسرطن كل الوقت.
14:42
but there are lots of systems in your body
355
867000
3000
لكن هناك أنظمة كثيرة في أجسامكم
14:45
that keep it under control.
356
870000
2000
التي تسيطر عليها.
14:47
And so to give you an idea
357
872000
2000
و لأعطيكم فكرة
14:49
of an analogy of what I mean
358
874000
2000
مماثلة لما أقصد
14:51
by thinking of cancering as a verb,
359
876000
3000
في التفكير بالسرطان كفعل،
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
تخيلوا أننا لم نعرف أي شىء عن السباكة،
14:57
and the way that we talked about it,
361
882000
2000
وطريقة تكلمنا عنها،
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
لنحضر إلى المنزل و نجد تسرب في المطبخ
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
و سنقول، " اه، منزلي فيه ماء"
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
و قد نقسمه-- السباك سيقول، "حسنا أين الماء؟"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"حسنا، أنه في المطبخ." "اه، إنه ماء من المطبخ."
15:12
That's kind of the level at which it is.
366
897000
3000
هذا نوع المستوى الذي هو عليه.
15:15
"Kitchen water,
367
900000
2000
"ماء مطبخ؟
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
حسنا، قبل كل شىء، لنذهب إلى هناك و نمسح الكثير منه
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
و نعرف أننا إذا رشينا دراينو (منتج يزيل الانسداد في المجاري) في أنحاء المطبخ،
15:22
that helps.
370
907000
3000
فإنه يساعد.
15:25
Whereas living room water,
371
910000
2000
في حين أن ماء غرفة المعيشة،
15:27
it's better to do tar on the roof."
372
912000
2000
الأفضل له هو وضع القار على السقف."
15:29
And it sounds silly,
373
914000
2000
و قد يبدو هذا سخيفا،
15:31
but that's basically what we do.
374
916000
2000
لكن هذا هو ما فعلا نقوم به.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
و أنا لا أقول أنه لا يتوجب عليكم مسح الأرض إذا كان لديكم السرطان.
15:36
but I'm saying that's not really the problem;
376
921000
3000
لكن ما أقوله هو أنه ليست عن فعلا المشكلة
15:39
that's the symptom of the problem.
377
924000
2000
لكن أعراض المشكلة.
15:41
What we really need to get at
378
926000
2000
هي التي توجب علينا أن نصل إليها
15:43
is the process that's going on,
379
928000
2000
أنها العملية التي تحدث،
15:45
and that's happening at the level
380
930000
2000
و التي تحدث على مستوى
15:47
of the proteonomic actions,
381
932000
2000
أفعال و تواصل البروتينات
15:49
happening at the level of why is your body not healing itself
382
934000
3000
الحاصلة على مستوى عدم قدرة الجسم لعلاج نفسه
15:52
in the way that it normally does?
383
937000
2000
كما في عادته؟
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
لكن في العادة اجسامنا تتعامل مع هذه المشكلة في كل الأوقات
15:57
So your house is dealing with leaks all the time,
385
942000
3000
و بيوتكم تتعامل مع التسرب في كل الأوقات
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
لكن إصلاحهم. هو تجفيفهم و من ذلك القبيل.
16:04
So what we need
387
949000
3000
فما نحتاجه
16:07
is to have a causative model
388
952000
4000
هو أن يكون لدينا نموذج للمسببات
16:11
of what's actually going on,
389
956000
2000
لما يحصل فعلا،
16:13
and proteomics actually gives us
390
958000
3000
و البروتيوميات التي تنتج لنا
16:16
the ability to build a model like that.
391
961000
3000
القدرة على بناء نموذج مثل هذا.
16:19
David got me invited
392
964000
2000
ديفيد حصل لي على دعوة
16:21
to give a talk at National Cancer Institute
393
966000
2000
لأعطي محاضرة في معهد السرطان الدولي
16:23
and Anna Barker was there.
394
968000
3000
و آنا باركر كانت هناك.
16:27
And so I gave this talk
395
972000
2000
فأعطيت هذه المحاضرة
16:29
and said, "Why don't you guys do this?"
396
974000
3000
و قلت. "لما تقومون بهذا؟"
16:32
And Anna said,
397
977000
2000
و آنا قالت،
16:34
"Because nobody within cancer
398
979000
3000
"لأن لا أحد في مجال السرطان
16:37
would look at it this way.
399
982000
2000
ينظر إليه بهذه الطريقة.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
لكن ما سنعمله هو، إنه سنقوم بعمل برنامج
16:42
for people outside the field of cancer
401
987000
2000
للأشخاص الذين خارج مجال السرطان
16:44
to get together with doctors
402
989000
2000
ليجتمعوا مع الأطباء
16:46
who really know about cancer
403
991000
3000
الذين حقا يعرفون الكثير عن السرطان
16:49
and work out different programs of research."
404
994000
4000
و يعملون على برامج مختلفة من الأبحاث."
16:53
So David and I applied to this program
405
998000
2000
فقدمنا أنا و ديفيد على هذا البرنامج
16:55
and created a consortium
406
1000000
2000
و أنشأنا إئتلاف تجاري
16:57
at USC
407
1002000
2000
في جامعة جنوب كلايفورنيا
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
حيث يوجد لدينا أفصل أطباء الأورام في العالم
17:02
and some of the best biologists in the world,
409
1007000
3000
و بعض أفضل علماء الأحياء في العالم،
17:05
from Cold Spring Harbor,
410
1010000
2000
من كولد سبرنج هاربر،
17:07
Stanford, Austin --
411
1012000
2000
ستانفورد، أستن--
17:09
I won't even go through and name all the places --
412
1014000
3000
لن أقوم حتى بالمرور على أسماء كل الأماكن
17:12
to have a research project
413
1017000
3000
لأحصل على مشروع بحث
17:15
that will last for five years
414
1020000
2000
ليستمر خمس سنوات
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
حيث سنقوم فعلا ببناء نموذج للسرطان مثل هذا.
17:20
We're doing it in mice first,
416
1025000
2000
سنفعله في الفئران أولا.
17:22
and we will kill a lot of mice
417
1027000
2000
و سنقتل الكثير من الفئران
17:24
in the process of doing this,
418
1029000
2000
في انجاز هذا،
17:26
but they will die for a good cause.
419
1031000
2000
لكنهم سيموتون من أجل سبب جيد.
17:28
And we will actually try to get to the point
420
1033000
3000
و نحن نحاول بالفعلا الوصول إلى نقطة
17:31
where we have a predictive model
421
1036000
2000
يكون لدينا فيها نظام تنبؤ
17:33
where we can understand,
422
1038000
2000
حيث نستطيع فهم،
17:35
when cancer happens,
423
1040000
2000
متى يحصل السرطان،
17:37
what's actually happening in there
424
1042000
2000
ما يحصل حقا فيه،
17:39
and which treatment will treat that cancer.
425
1044000
3000
و أي علاج سيعالج ذلك السرطان.
17:42
So let me just end with giving you a little picture
426
1047000
3000
دعوني انهي هذا بإعطائكم صورة صغيرة
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
لما سيكون عليه علاج السرطان في المستقبل.
17:48
So I think eventually,
428
1053000
2000
فأظن أنه تدريجيا،
17:50
once we have one of these models for people,
429
1055000
2000
حين يكون لدينا واحد من هذه النماذج للناس،
17:52
which we'll get eventually --
430
1057000
2000
التي سنصل إليها تدريجيا --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
أقصد، مجتموعتنا لن تصل إليه كله --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
لكن تدريجيا سيصبح لدينا نموذج جيد على الحاسوب
17:59
sort of like a global climate model for weather.
433
1064000
3000
مثل نموذج المناخ العالمي للأجواء.
18:02
It has lots of different information
434
1067000
3000
لديها معلومات كثيرا مختلفة
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
عن ما هي العملية التي تجري في محادثات البروتيوميات
18:08
on many different scales.
436
1073000
2000
على مقاييس كثيرة مختلفة.
18:10
And so we will simulate
437
1075000
2000
و بهذا سنقوم بمحاكاة
18:12
in that model
438
1077000
2000
في هذا النموذج
18:14
for your particular cancer --
439
1079000
3000
نوعا معينا من السرطان--
18:17
and this also will be for ALS,
440
1082000
2000
و هذا سيكون أيضا للأي أل أس،
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
أو لأي نظام من أمراض خسارة خاصية النيورنات
18:22
things like that --
442
1087000
2000
أشياء من هذا القبيل
18:24
we will simulate
443
1089000
2000
ستقوم بمحاكاة
18:26
specifically you,
444
1091000
2000
بالخصوص أنتم
18:28
not just a generic person,
445
1093000
2000
ليس شخصا عاما،
18:30
but what's actually going on inside you.
446
1095000
2000
لكن ما يحصل بداخلكم.
18:32
And in that simulation, what we could do
447
1097000
2000
و في هذه المحاكاة، ما نستطيع عمله
18:34
is design for you specifically
448
1099000
2000
هو التصميم لكم بالتحديد
18:36
a sequence of treatments,
449
1101000
2000
سلسلة من العلاج،
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
و قد يكون علاج خفيفا، كمية قليلة من الدواء.
18:41
It might be things like, don't eat that day,
451
1106000
3000
قد يكون أشياء مثل لا تأكلون هذا اليوم
18:44
or give them a little chemotherapy,
452
1109000
2000
أو أعطيهم بعض من العلاج الكميائي،
18:46
maybe a little radiation.
453
1111000
2000
قد يكون القليل من الاشعاع.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
و بالطبع، سنعمل القليل من الجراحة بعض الأحيان و من هذا القبيل.
18:51
But design a program of treatments specifically for you
455
1116000
3000
لكن تصميم برنامج لكم بالتحديد
18:54
and help your body
456
1119000
3000
و مساعدة أجسامكم
18:57
guide back to health --
457
1122000
3000
لنقودها إلى صحتها--
19:00
guide your body back to health.
458
1125000
2000
نقود أجسامكم إلى صحتها.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
لأن أجسامكم ستقوم بغالبية العمل لاصلاحها
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
لو فقط جعلناها تعمل بالطرق الخطأ.
19:09
We put it in the equivalent of splints.
461
1134000
2000
نضعها في المكافئ من الجبائر.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
و الجسم أساسا لديه الكثير الكثير من المكينيكيات
19:13
for fixing cancer,
463
1138000
2000
لاصلاح السرطان
19:15
and we just have to prop those up in the right way
464
1140000
3000
لكن يجب علينا أن نفعلها بالطريقة الصحيحة
19:18
and get them to do the job.
465
1143000
2000
و نجعلها تقوم بوظيفتها.
19:20
And so I believe that this will be the way
466
1145000
2000
فأنا أعتقد أنه ستكون هذه الطريقة
19:22
that cancer will be treated in the future.
467
1147000
2000
التي يعالج فيها السرطان بالمستقبل.
19:24
It's going to require a lot of work,
468
1149000
2000
ستتطلب الكثير من العمل،
19:26
a lot of research.
469
1151000
2000
الكثير من البحث.
19:28
There will be many teams like our team
470
1153000
3000
سيكون هناك الكثير من الفرق مثل فريقنا
19:31
that work on this.
471
1156000
2000
يعملون على هذا.
19:33
But I think eventually,
472
1158000
2000
أظن أننا تدريجيا،
19:35
we will design for everybody
473
1160000
2000
سنصمم للكل
19:37
a custom treatment for cancer.
474
1162000
4000
علاجا خاصا للسرطان.
19:41
So thank you very much.
475
1166000
2000
شكرا جزيلا لكم.
19:43
(Applause)
476
1168000
6000
(تصفيق)
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