TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Дани Хилс: Да разберем рака чрез протеомиката
Filmed:
Readability: 3.6
465,363 views
Дани Хилс обосновава следващата стъпка в изследванията на рака: протеомиката - науката за протеините в тялото. Както Хилс обяснява, геномиката ни показа списъка от съставките на тялото, докато протеомиката ще ни покаже какво произвеждат тези съставки. Разбирането на това какво се случва в тялото на ниво протеини може да доведе до ново разбиране на това как възниква рака.
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
Признавам си, че съм малко притеснен сега,
00:18
because I'm going to say some radical things,
1
3000
3000
защото възнамерявам да кажа някои радикални неща
00:21
about how we should think about cancer differently,
2
6000
3000
за това как ние трябва да мислим за рака по различен начин
00:24
to an audience that contains a lot of people
3
9000
2000
на публика, в която има много хора,
00:26
who know a lot more about cancer than I do.
4
11000
3000
които знаят за рака много повече от мене.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Но също така ще призная, че съм по-малко притеснен отколкото би трябвало да бъда,
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
защото съм доста сигурен, че съм прав.
00:35
(Laughter)
7
20000
2000
(Смях)
00:37
And that this, in fact, will be
8
22000
2000
И че това, всъщност, ще бъде
00:39
the way that we treat cancer in the future.
9
24000
3000
начинът, по който ще се лекува ракът в бъдещето.
00:43
In order to talk about cancer,
10
28000
2000
За да говоря за рака,
00:45
I'm going to actually have to --
11
30000
3000
аз всъщност ще трябва --
00:48
let me get the big slide here.
12
33000
3000
чакайте да покажа големия слайд сега.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Първо, ще се опитам да ви дам друга гледна точка за геномиката (науката за човешкия геном).
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Искам да я поставя в перспективата
00:58
of all the other things that are going on --
15
43000
3000
на всички други неща, които се случват --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
и след това да говоря за нещо, за което не сте чували много, което е протеомиката.
01:04
Having explained those,
17
49000
2000
След като обясня тези двете,
01:06
that will set up for what I think will be a different idea
18
51000
3000
това ще постави основата на това, което мисля, че е различна идея,
01:09
about how to go about treating cancer.
19
54000
2000
за това как да лекуваме рака.
01:11
So let me start with genomics.
20
56000
2000
И така, нека да започна с геномиката.
01:13
It is the hot topic.
21
58000
2000
Това е една много популярна тема.
01:15
It is the place where we're learning the most.
22
60000
2000
Това е мястото, от което ние научаваме най-много.
01:17
This is the great frontier.
23
62000
2000
Това е велика граница.
01:19
But it has its limitations.
24
64000
3000
Но си има своите ограничения.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
И най-вече, вие предполагам сте чули за аналогията,
01:25
that the genome is like the blueprint of your body,
26
70000
3000
че геномът е като карта на вашето тяло.
01:28
and if that were only true, it would be great,
27
73000
2000
И ако това беше вярно, щеше да е страхотно,
01:30
but it's not.
28
75000
2000
но не е.
01:32
It's like the parts list of your body.
29
77000
2000
Той е като списък с частите на вашето тяло.
01:34
It doesn't say how things are connected,
30
79000
2000
Не казва как са свързани нещата,
01:36
what causes what and so on.
31
81000
3000
какво причинява какво и така нататък.
01:39
So if I can make an analogy,
32
84000
2000
И така, ако мога да направя аналогия,
01:41
let's say that you were trying to tell the difference
33
86000
2000
нека да кажем, че искате да обясните разликата
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
между добър ресторант, здравословен ресторант
01:46
and a sick restaurant,
35
91000
2000
и болен ресторант,
01:48
and all you had was the list of ingredients
36
93000
2000
и всичко, което имате е списък с продуктите,
01:50
that they had in their larder.
37
95000
3000
които те имат в килера.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
И така, може да бъде, че сте отишли във френски ресторант
01:56
and you looked through it and you found
39
101000
2000
и сте погледнали и сте видели,
01:58
they only had margarine and they didn't have butter,
40
103000
2000
че те имат само маргарин, а нямат масло,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
бихте могли да кажете: "Ясно ми е какъв им е проблемът.
02:02
I can make them healthy."
42
107000
2000
Мога да ги излекувам."
02:04
And there probably are special cases of that.
43
109000
2000
И може би има такива специални случаи.
02:06
You could certainly tell the difference
44
111000
2000
Със сигурност можете да различите
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
китайски ресторант от френски,
02:10
by what they had in a larder.
46
115000
2000
по това какво имат в килера за храна.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Така че, списъкът с продуктите ви казва нещо
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
и понякога ви казва нещо, което не е правилно.
02:19
If they have tons of salt,
49
124000
2000
Ако имат тонове сол,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
бихте могли да предположите, че използват прекалено много сол или нещо подобно.
02:24
But it's limited,
51
129000
2000
Но това си има своите граници,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
защото за да разберете наистина дали това е здравословен ресторант,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
трябва да опитате храната, тряба да знаете какво се случва в кухнята,
02:31
you need the product of all of those ingredients.
54
136000
3000
трябват ви всички тези неща.
02:34
So if I look at a person
55
139000
2000
Така че ако погледна един човек
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
и видя генома на този човек, това е същото нещо.
02:39
The part of the genome that we can read
57
144000
2000
Тази част от генома, която можем да четем,
02:41
is the list of ingredients.
58
146000
2000
е списъкът с продуктите.
02:43
And so indeed,
59
148000
2000
И наистина,
02:45
there are times when we can find ingredients
60
150000
2000
има случаи, когато ние можем да намерим продукти,
02:47
that [are] bad.
61
152000
2000
които са развалени.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Кистозната фиброза е пример на заболяване,
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
при което имате само една лоша съставка и имате заболяване
02:54
and we can actually make a direct correspondence
64
159000
3000
и ние можем да направим директна връзка
02:57
between the ingredient and the disease.
65
162000
3000
между съставката и заболяването.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Но за повечето неща, наистина трябва да знаете какво става в кухнята,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
най-вече защото повечето болни хора са били здрави хора --
03:05
they have the same genome.
68
170000
2000
те имат същия геном.
03:07
So the genome really tells you much more
69
172000
2000
Така че геномът ви казва много повече
03:09
about predisposition.
70
174000
2000
за предразположение.
03:11
So what you can tell
71
176000
2000
Така че, това, което можете да кажете
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
е разликата между азиатец и европеец,
03:15
by looking at their ingredients list.
73
180000
2000
като гледате списъка от съставките им.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Но наистина в повечето случаи не можете да кажете разликата
03:20
between a healthy person and a sick person --
75
185000
3000
между здрав и болен човек --
03:23
except in some of these special cases.
76
188000
2000
освен в някои от тези специални случаи.
03:25
So why all the big deal
77
190000
2000
И така какво е толкова важно
03:27
about genetics?
78
192000
2000
за науката за човешкия геном?
03:29
Well first of all,
79
194000
2000
Ами първо,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
това, че можем да го четем, което е страхотно.
03:34
It is very useful in certain circumstances.
81
199000
3000
Много е полезно в определени обстоятелства.
03:37
It's also the great theoretical triumph
82
202000
3000
Това е един страхотен теоретичен триумф
03:40
of biology.
83
205000
2000
на биологията.
03:42
It's the one theory
84
207000
2000
Това е единствената теория,
03:44
that the biologists ever really got right.
85
209000
2000
която биолозите някога са познали.
03:46
It's fundamental to Darwin
86
211000
2000
Тя е от основно значение за Дарвин,
03:48
and Mendel and so on.
87
213000
2000
за Мендел и така нататък.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Това е единствения случай, в който те предсказаха теоретична идея.
03:54
So Mendel had this idea of a gene
89
219000
2000
И така, на Мендел му дойде великата идея за гена
03:56
as an abstract thing,
90
221000
3000
като нещо абстрактно.
03:59
and Darwin built a whole theory
91
224000
2000
И Дарвин построи цяла теория,
04:01
that depended on them existing,
92
226000
2000
която зависеше от това те да съществуват.
04:03
and then Watson and Crick
93
228000
2000
И тогава Уотсън и Крик
04:05
actually looked and found one.
94
230000
2000
търсиха и накрая намериха един ген.
04:07
So this happens in physics all the time.
95
232000
2000
Така, това се случва във физиката през цялото време.
04:09
You predict a black hole,
96
234000
2000
Вие предсказвате черна дупка
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
и поглеждате през телескопа и тя е там, точно както казахте.
04:14
But it rarely happens in biology.
98
239000
2000
Но това се случва много рядко в биологията.
04:16
So this great triumph -- it's so good,
99
241000
3000
Ето защо това е голям триумф - толкова е хубаво,
04:19
there's almost a religious experience
100
244000
2000
че е почти като религиозно преживяване
04:21
in biology.
101
246000
2000
за биологията.
04:23
And Darwinian evolution
102
248000
2000
И дарвиновата еволюция
04:25
is really the core theory.
103
250000
3000
е наистина основната теория.
04:30
So the other reason it's been very popular
104
255000
2000
Така, другата причина, поради която тя е много популярна
04:32
is because we can measure it, it's digital.
105
257000
3000
е защото можем да я измерим, тя е цифрова.
04:35
And in fact,
106
260000
2000
И наистина,
04:37
thanks to Kary Mullis,
107
262000
2000
благодарение на Кари Мълис,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
вие можете да измерите вашия геном във вашата кухня
04:43
with a few extra ingredients.
109
268000
3000
с няколко допълнителни съставки.
04:46
So for instance, by measuring the genome,
110
271000
3000
Така например, чрез измерването на генома,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
ние разбрахме много за това как сме свързани с другите видове животни
04:53
by the closeness of our genome,
112
278000
3000
по близостта на нашия геном,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
или как сме свързани един с друг - родословното дърво,
04:59
or the tree of life.
114
284000
2000
или дървото на живота.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Има огромно количество информация за генетиката,
05:04
just by comparing the genetic similarity.
116
289000
3000
само чрез сравняването на генетичната подобност.
05:07
Now of course, in medical application,
117
292000
2000
Сега, разбира се, при приложението му в медицината,
05:09
that is very useful
118
294000
2000
това е много полезно,
05:11
because it's the same kind of information
119
296000
3000
защото е същият вид информация,
05:14
that the doctor gets from your family medical history --
120
299000
3000
която докторът получава от историята на заболяванията в семейството --
05:17
except probably,
121
302000
2000
с изключение, може би, на това, че вашият геном
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
знае много повече за вашата медицинска история, отколкото вие самите.
05:22
And so by reading the genome,
123
307000
2000
И така, чрез прочитането на генома можете да разберете
05:24
we can find out much more about your family than you probably know.
124
309000
3000
много повече за вашето семейство, отколкото вероятно знаете.
05:27
And so we can discover things
125
312000
2000
И така, можем да открием неща,
05:29
that probably you could have found
126
314000
2000
които вероятно бихте могли да откриете,
05:31
by looking at enough of your relatives,
127
316000
2000
ако наблюдавате достатъчно дълго роднините си,
05:33
but they may be surprising.
128
318000
3000
но тези неща могат да бъдат изненандващи.
05:36
I did the 23andMe thing
129
321000
2000
Аз направих изследването 23 и Аз
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
и бях много изненадан да открия, че съм дебел и плешив.
05:41
(Laughter)
131
326000
7000
(Смях)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Но понякога можете да научите много по-полезни неща.
05:51
But mostly
133
336000
3000
Но най-вече
05:54
what you need to know, to find out if you're sick,
134
339000
2000
това, което има нужда да научите, за да разберете дали сте болен,
05:56
is not your predispositions,
135
341000
2000
е не вашите предразположения,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
а това какво в действителност се случва във вашето тяло в този момент.
06:01
So to do that, what you really need to do,
137
346000
2000
За да разберете това, онова, което трябва да направите,
06:03
you need to look at the things
138
348000
2000
е да видите нещата,
06:05
that the genes are producing
139
350000
2000
които гените произвеждат
06:07
and what's happening after the genetics,
140
352000
2000
и това се случва след генетиката.
06:09
and that's what proteomics is about.
141
354000
2000
С това се занимава протеомиката.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Така както генетиката изучава гените,
06:14
proteomics is the study of all the proteins.
143
359000
3000
така протеомиката е науката за протеините.
06:17
And the proteins are all of the little things in your body
144
362000
2000
А протеините са всички тези малки неща във вашето тяло,
06:19
that are signaling between the cells --
145
364000
3000
които предават сигнали между клетките --
06:22
actually, the machines that are operating --
146
367000
2000
те са всъщност машините, които работят.
06:24
that's where the action is.
147
369000
2000
Там се случват нещата.
06:26
Basically, a human body
148
371000
3000
В общи линии, човешкото тяло
06:29
is a conversation going on,
149
374000
3000
представлява един непрекъснат разговор
06:32
both within the cells and between the cells,
150
377000
3000
както вътре в самите клетки, така и между клетките
06:35
and they're telling each other to grow and to die,
151
380000
3000
и те се учат една друга да растат и да умират.
06:38
and when you're sick,
152
383000
2000
И когато сте болни,
06:40
something's gone wrong with that conversation.
153
385000
2000
нещо не е наред в този разговор.
06:42
And so the trick is --
154
387000
2000
И така, номерът е --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
за съжаление, ние нямаме лесен начин да измерим тези неща,
06:47
like we can measure the genome.
156
392000
2000
както мерим генома.
06:49
So the problem is that measuring --
157
394000
3000
Проблемът е, че измерването --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
ако се опитате да измерите всички протеини, това е много сложен процес.
06:55
It requires hundreds of steps,
159
400000
2000
Изисква стотици стъпки
06:57
and it takes a long, long time.
160
402000
2000
и отнема много дълго време.
06:59
And it matters how much of the protein it is.
161
404000
2000
Също така, има значение колко е протеинът.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Може да бъде много съществено това, че даден протеин е променен с 10 процента,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
така че, това не е лесно цифрово нещо като ДНК-то.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
И в общи линии, проблемът ни е в това, че има някой по средата
07:09
of this very long stage,
165
414000
2000
на този дълъг процес,
07:11
they pause for just a moment,
166
416000
2000
ако те спрат за един момент
07:13
and they leave something in an enzyme for a second,
167
418000
2000
и оставят нещо в даден ензим за секунда,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
от там насетне всичките ни измервания
07:17
don't work.
169
422000
2000
не са верни.
07:19
And so then people get very inconsistent results
170
424000
2000
И така, тогава хората получават непоследователни резултати,
07:21
when they do it this way.
171
426000
2000
когато подхождат по този начин.
07:23
People have tried very hard to do this.
172
428000
2000
Хората много са се опитвали да направят това.
07:25
I tried this a couple of times
173
430000
2000
Аз, самият, се опитах няколко пъти
07:27
and looked at this problem and gave up on it.
174
432000
2000
и видях проблема и се отказах от този подход.
07:29
I kept getting this call from this oncologist
175
434000
2000
Продължих да получавм обаждания от един онколог,
07:31
named David Agus.
176
436000
2000
наречен Дейвид Ейгъс.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
И Аплайд Майндс получават много обаждания
07:36
from people who want help with their problems,
178
441000
2000
от хора, които искат помощ за техните проблеми
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
и понеже си мислех, че едва ли този онколог ще се обади пак,
07:41
so I kept on giving him to the delay list.
180
446000
3000
аз го бях оставил в списъка на чакащите.
07:44
And then one day,
181
449000
2000
И тогава един ден
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
получих обаждания от Джон Дор, Бил Бъркман
07:48
and Al Gore on the same day
183
453000
2000
и Ал Гор в един и същи ден,
07:50
saying return David Agus's phone call.
184
455000
2000
искайки от мене да върна обаждане на Дейвид Ейгъс.
07:52
(Laughter)
185
457000
2000
(Смях)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
И така, аз си помислих: "Окей. Този човек е поне изобретателен."
07:56
(Laughter)
187
461000
4000
(Смях)
08:00
So we started talking,
188
465000
2000
И така започнахме да си говорим
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
и той каза: "Наистина ми трябва по-добър начин за измерване на протеините."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
И аз му отвърнах: "Знам. Разглеждал съм въпроса.
08:07
Not going to be easy."
191
472000
2000
Няма да е лесно."
08:09
He's like, "No, no. I really need it.
192
474000
2000
А той ми казва: "Не, не. Наистина ми трябва.
08:11
I mean, I see patients dying every day
193
476000
4000
Това, което имам в предвид е, че всеки ден виждам умиращи пациенти,
08:15
because we don't know what's going on inside of them.
194
480000
3000
защото не знаем какво се случва вътре в тях.
08:18
We have to have a window into this."
195
483000
2000
Трябва да имаме някакъв начин да видим какво става вътре."
08:20
And he took me through
196
485000
2000
И той ми даде
08:22
specific examples of when he really needed it.
197
487000
3000
конкретни примери на случаи, когато наистина му трябваха.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
И осъзнах: "Уау, това наистина би имало голямо значение,
08:27
if we could do it,
199
492000
2000
ако можехме да го направим.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
И тогава му казах: "Добре, нека да помислим по въпроса."
08:31
Applied Minds has enough play money
201
496000
2000
Аплайд Майндс има достатъчно пари,
08:33
that we can go and just work on something
202
498000
2000
че можем да решим и да започнем да работим по нещо,
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
без да ни е необходимо финансирането или разрешението на някого.
08:38
So we started playing around with this.
204
503000
2000
И така започнахме да си играем с това.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
И както го правихме, ние осъзнахме, че това беше основният проблем --
08:43
that taking the sip of coffee --
206
508000
2000
че отпивайки глътка кафе --
08:45
that there were humans doing this complicated process
207
510000
2000
че хора извършваха този сложен процес
08:47
and that what really needed to be done
208
512000
2000
и това, което трябваше да се направи
08:49
was to automate this process like an assembly line
209
514000
3000
е да се автоматизира процеса като поточна линия
08:52
and build robots
210
517000
2000
и да се направят роботи,
08:54
that would measure proteomics.
211
519000
2000
които измерват протеините.
08:56
And so we did that,
212
521000
2000
И ние го направихме.
08:58
and working with David,
213
523000
2000
И работейки с Дейвид,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
ние създадохме една малка компания Аплайд Протеомикс,
09:03
which makes this robotic assembly line,
215
528000
3000
която прави тези роботизирани поточни линии,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
които, по много последователен начин, измерват протеина.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
И ще ви покажа как изглежда измерването на протеина.
09:13
Basically, what we do
218
538000
2000
В общи линии, това, което правим е
09:15
is we take a drop of blood
219
540000
2000
да вземем капка кръв
09:17
out of a patient,
220
542000
2000
от пациента
09:19
and we sort out the proteins
221
544000
2000
и сортираме протеините
09:21
in the drop of blood
222
546000
2000
в капката кръв,
09:23
according to how much they weigh,
223
548000
2000
според това колко тежат,
09:25
how slippery they are,
224
550000
2000
колко са хлъзгави
09:27
and we arrange them in an image.
225
552000
3000
и ги подреждаме в образ.
09:30
And so we can look at literally
226
555000
2000
И така, можем да гледаме буквално
09:32
hundreds of thousands of features at once
227
557000
2000
стотици хиляди функции наведнъж
09:34
out of that drop of blood.
228
559000
2000
от тази капка кръв.
09:36
And we can take a different one tomorrow,
229
561000
2000
И можем да вземем друга капка на следващия ден
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
и ще видите, че вашите протеини на следващия ден са различни --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
те ще бъдат различни, след като ядете или след като спите.
09:43
They really tell us what's going on there.
232
568000
3000
Те наистина ни казват какво става там.
09:46
And so this picture,
233
571000
2000
И така, тази картина,
09:48
which looks like a big smudge to you,
234
573000
2000
която ви изглежда като голямо петно
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
е всъщност това, което ме запали
09:54
and made me feel like we were on the right track.
236
579000
2000
и ме накара да се почувствам, че сме на прав път.
09:56
So if I zoom into that picture,
237
581000
2000
И така, ако увелича тази картина,
09:58
I can just show you what it means.
238
583000
2000
мога да ви покажа какво означава.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Подреждаме протеините - от ляво на дясно
10:03
is the weight of the fragments that we're getting,
240
588000
3000
е теглото на частиците, които сме получили.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
А от горе надолу е колко са хлъзгави.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Така, ще увеличим картината тук, за да ви покажем една малка част.
10:12
And so each of these lines
243
597000
2000
И така, всяка една от тези линии
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
представлява някакъв сигнал, който получаваме от тази частица протеин.
10:17
And you can see how the lines occur
245
602000
2000
И можете да видите как стават тези линии
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
в тези малки групи от бум, бум, бум, бум.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
И това е така, защото измерваме теглото толкова точно, че -
10:26
carbon comes in different isotopes,
248
611000
2000
въглеродът има различни изотопи,
10:28
so if it has an extra neutron on it,
249
613000
3000
така че ако има допълнителен неутрон,
10:31
we actually measure it as a different chemical.
250
616000
4000
ние всъщност го измерваме като различно вещество.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Така че, всъщност, ние измерваме всеки изотоп като различен.
10:38
And so that gives you an idea
252
623000
3000
Това ви дава представа
10:41
of how exquisitely sensitive this is.
253
626000
2000
за това колко изтънчено чувствителен е този метод.
10:43
So seeing this picture
254
628000
2000
Така че, виждайки тази картина
10:45
is sort of like getting to be Galileo
255
630000
2000
е нещо подобно на това да си Галилей,
10:47
and looking at the stars
256
632000
2000
и да гледаш звездите,
10:49
and looking through the telescope for the first time,
257
634000
2000
и гледайки през телескопа за първи път
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
изведнъж да кажеш: "Еха, това е много по-сложно отколкото си мислех."
10:54
But we can see that stuff out there
259
639000
2000
Но ние можем да видим какво има там
10:56
and actually see features of it.
260
641000
2000
и да видим функциите му.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
И така, това е подписът, от който се опитваме да видим модели.
11:01
So what we do with this
262
646000
2000
И това, което правим с тази информация
11:03
is, for example, we can look at two patients,
263
648000
2000
е, например, можем да вземем двама пациенти,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
един, който се е повлиял от лекарството и друг, който не се е повлиял,
11:08
and ask, "What's going on differently
265
653000
2000
и да попитаме: "Какво е различното, което
11:10
inside of them?"
266
655000
2000
се случва в тях?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
И така, можем да направим измерванията достатъчно прецизни,
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
че можем да наложим двамата пациенти и да сравним разликите.
11:18
So here we have Alice in green
269
663000
2000
И така, ето Алис в зелено
11:20
and Bob in red.
270
665000
2000
и Боб в червено.
11:22
We overlay them. This is actual data.
271
667000
3000
Налагаме ги. Това са истински данни.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
И можете да видите, че като цяло съвпадат и е жълто,
11:28
but there's some things that just Alice has
273
673000
2000
но има някои неща, които само Алис има
11:30
and some things that just Bob has.
274
675000
2000
и някои неща, които само Боб има.
11:32
And if we find a pattern of things
275
677000
3000
И ако намерим последователност от неща
11:35
of the responders to the drug,
276
680000
3000
на тези, които се повлияват от лекарството,
11:38
we see that in the blood,
277
683000
2000
ние виждаме, че в кръвта
11:40
they have the condition
278
685000
2000
те имат това,
11:42
that allows them to respond to this drug.
279
687000
2000
което им позволява да се повлияят от това лекарство.
11:44
We might not even know what this protein is,
280
689000
2000
Дори можем да не знаем какъв е този протеин,
11:46
but we can see it's a marker
281
691000
2000
но можем да видим, че е маркер
11:48
for the response to the disease.
282
693000
2000
за отговор на заболяването.
11:53
So this already, I think,
283
698000
2000
И така, това вече, мисля,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
е изключително полезно във всички видове медицина.
11:58
But I think this is actually
285
703000
2000
Но аз мисля, че това всъщност е
12:00
just the beginning
286
705000
2000
само началото,
12:02
of how we're going to treat cancer.
287
707000
2000
на това как ще лекуваме рака.
12:04
So let me move to cancer.
288
709000
2000
И така, нека да мина към рака.
12:06
The thing about cancer --
289
711000
2000
Нещото за рака е --
12:08
when I got into this,
290
713000
2000
когато започнах да се занимавам с това,
12:10
I really knew nothing about it,
291
715000
2000
не знаех нищо за рака,
12:12
but working with David Agus,
292
717000
2000
но работейки с Дейвид Ейгъс,
12:14
I started watching how cancer was actually being treated
293
719000
3000
започнах да наблюдавам как се лекува рака
12:17
and went to operations where it was being cut out.
294
722000
3000
и ходех на операции, където той беше изрязван.
12:20
And as I looked at it,
295
725000
2000
И като наблюдавах,
12:22
to me it didn't make sense
296
727000
2000
разбрах, че нещо не беше наред
12:24
how we were approaching cancer,
297
729000
2000
в това как подхождахме към рака.
12:26
and in order to make sense of it,
298
731000
3000
И за да мога да разбера,
12:29
I had to learn where did this come from.
299
734000
3000
трябваше да науча откъде идва рака.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Ние лекуваме рака почти както инфекциозно заболяване.
12:36
We're treating it as something that got inside of you
301
741000
2000
Ние го лекуваме, като нещо, което е влезнало във вас,
12:38
that we have to kill.
302
743000
2000
което трябва да убием.
12:40
So this is the great paradigm.
303
745000
2000
Така, това е великата парадигма.
12:42
This is another case
304
747000
2000
Това е друг пример,
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
където една теоритична парадгима в биологията работи в действителност --
12:46
was the germ theory of disease.
306
751000
3000
това е теорията за микробите при заболяванията.
12:49
So what doctors are mostly trained to do
307
754000
2000
И така, това, което докторите са най-вече обучавани да правят
12:51
is diagnose --
308
756000
2000
е да диагностицират --
12:53
that is, put you into a category
309
758000
2000
тоест, да ви поставят в категория --
12:55
and apply a scientifically proven treatment
310
760000
2000
и да приложат научно доказано лечение
12:57
for that diagnosis --
311
762000
2000
за тази диагноза.
12:59
and that works great for infectious diseases.
312
764000
3000
И това дава страхотни резултати при инфекциозните заболявания.
13:02
So if we put you in the category
313
767000
2000
Така, ако ви сложим в категорията,
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
че имате сифилис, ние можем да ви дадем пеницилин.
13:07
We know that that works.
315
772000
2000
Знаем, че това работи.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Ако имате малария, ние ви даваме хинин
13:11
or some derivative of it.
317
776000
2000
или някакво негово производно.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
И така, в общи линии докторите са учени да правят това.
13:16
and it's miraculous
319
781000
2000
И то е чудно
13:18
in the case of infectious disease --
320
783000
3000
в случаите на инфекциозно заболяване --
13:21
how well it works.
321
786000
2000
колко добре работи.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
И много хора в публиката, може би, нямаше да са живи,
13:26
if doctors didn't do this.
323
791000
2000
ако докторите не правеха това.
13:28
But now let's apply that
324
793000
2000
Но сега, нека приложим този подход
13:30
to systems diseases like cancer.
325
795000
2000
към системно заболяване като рака.
13:32
The problem is that, in cancer,
326
797000
2000
Проблемът е, че при рака
13:34
there isn't something else
327
799000
2000
няма нещо друго,
13:36
that's inside of you.
328
801000
2000
което е вътре във вас.
13:38
It's you; you're broken.
329
803000
2000
Вие сте това, което е счупено.
13:40
That conversation inside of you
330
805000
4000
Този разговор вътре във вас
13:44
got mixed up in some way.
331
809000
2000
нещо се е объркал по някакъв начин.
13:46
So how do we diagnose that conversation?
332
811000
2000
И така, как диагностицираме този разговор?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Ами, в момента това, което правим е да го разделим според частта от тялото --
13:51
you know, where did it appear? --
334
816000
3000
където се е появил --
13:54
and we put you in different categories
335
819000
2000
и ви поставяме в различни категории,
13:56
according to the part of the body.
336
821000
2000
според частта от тялото.
13:58
And then we do a clinical trial
337
823000
2000
И когато правим клинично проучване
14:00
for a drug for lung cancer
338
825000
2000
за лекарство за белодробен рак,
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
и такова за рак на простата, и такова за рак на гърдата,
14:05
and we treat these as if they're separate diseases
340
830000
3000
ние ги третираме като че ли те са различни заболявания
14:08
and that this way of dividing them
341
833000
2000
и като че ли начинът, по който ги делим
14:10
had something to do with what actually went wrong.
342
835000
2000
има нещо общо с това какво е развалено.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
И разбира се, той няма много общо
14:14
with what went wrong
344
839000
2000
с това, което не е наред.
14:16
because cancer is a failure of the system.
345
841000
3000
Защото ракът е срив на системата.
14:19
And in fact, I think we're even wrong
346
844000
2000
И всъщност, мисля, че ние не сме прави,
14:21
when we talk about cancer as a thing.
347
846000
3000
когато говорим за рака като за нещо.
14:24
I think this is the big mistake.
348
849000
2000
Мисля, че е голяма грешка.
14:26
I think cancer should not be a noun.
349
851000
4000
Мисля, че ракът не трябва да е съществително.
14:30
We should talk about cancering
350
855000
2000
Трябва да говорим за канцерозиране,
14:32
as something we do, not something we have.
351
857000
3000
като нещо, което правим, а не нещо, което имаме.
14:35
And so those tumors,
352
860000
2000
И така тези тумори,
14:37
those are symptoms of cancer.
353
862000
2000
те са симптоми на рака.
14:39
And so your body is probably cancering all the time,
354
864000
3000
И така вашето тяло вероятно канцерозира през цялото време.
14:42
but there are lots of systems in your body
355
867000
3000
Но има много системи във вашето тяло,
14:45
that keep it under control.
356
870000
2000
които го държат под контрол.
14:47
And so to give you an idea
357
872000
2000
И така за да ви дам представа
14:49
of an analogy of what I mean
358
874000
2000
за аналогия за това, което имам предвид
14:51
by thinking of cancering as a verb,
359
876000
3000
под разглеждането на рака като глагол,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
представете си, че не знаехме нищо за водопровода,
14:57
and the way that we talked about it,
361
882000
2000
и за начина, по който говорехме за него.
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
Щяхме да си дойдем вкъщи и да намерим теч в кухнята
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
и щяхме да кажем: "О, къщата ми има вода."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
И може би щяхме да я разделим - водопроводчикът щеше да каже: "Къде е водата?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Ами, в кухнята е." "О, сигурно имате кухненска вода."
15:12
That's kind of the level at which it is.
366
897000
3000
Това е горе-долу нивото, на което е.
15:15
"Kitchen water,
367
900000
2000
"Кухненска вода?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Добре, първо ще дойдем и ще избършем водата.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
И след това, знаем, че ако поръсим Дрейно около кухнята,
15:22
that helps.
370
907000
3000
това ще помогне.
15:25
Whereas living room water,
371
910000
2000
Що се отнася до вода в хола,
15:27
it's better to do tar on the roof."
372
912000
2000
по-добре е да сложим катран на покрива."
15:29
And it sounds silly,
373
914000
2000
Звучи глупаво,
15:31
but that's basically what we do.
374
916000
2000
но в общи линии това правим.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Не казвам, че не трябва да избършете водата, ако имате рак.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Но това, което имам предвид е, че това не е проблемът,
15:39
that's the symptom of the problem.
377
924000
2000
това са симптомите на проблема.
15:41
What we really need to get at
378
926000
2000
Това, което наистина трябва да разберем
15:43
is the process that's going on,
379
928000
2000
е процесът, който става
15:45
and that's happening at the level
380
930000
2000
и какво се случва на нивото
15:47
of the proteonomic actions,
381
932000
2000
на действие на протеините,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
това което се случва на нивото на защо вашето тяло не се лекува само
15:52
in the way that it normally does?
383
937000
2000
по начина, по който обикновено то прави?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Защото нормално вашето тяло се справя с този проблем през цялото време.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Така, вашата къща се справя с течове през цялото време.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Но тя ги оправя. Тя се отводнява и така нататък.
16:04
So what we need
387
949000
3000
Така, това което ни трябва
16:07
is to have a causative model
388
952000
4000
е да имаме причинно следствен модел
16:11
of what's actually going on,
389
956000
2000
на това какво всъщност се случва.
16:13
and proteomics actually gives us
390
958000
3000
А протеомиката в действителност ни дава
16:16
the ability to build a model like that.
391
961000
3000
способността да построим такъв модел.
16:19
David got me invited
392
964000
2000
Благодарение на Дейвид бях поканен
16:21
to give a talk at National Cancer Institute
393
966000
2000
да говоря пред Националния Институт по Рака
16:23
and Anna Barker was there.
394
968000
3000
и Анна Баркър беше там.
16:27
And so I gave this talk
395
972000
2000
И така, аз изнесох тази лекция
16:29
and said, "Why don't you guys do this?"
396
974000
3000
и казах: "Защо не го правите това?"
16:32
And Anna said,
397
977000
2000
И Анна каза:
16:34
"Because nobody within cancer
398
979000
3000
"Защото никой в областта на рака
16:37
would look at it this way.
399
982000
2000
не би погледнал по този начин.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Но това, което ще направим е да създадем програма
16:42
for people outside the field of cancer
401
987000
2000
за хора извън областта на рака
16:44
to get together with doctors
402
989000
2000
да се съберат с лекари,
16:46
who really know about cancer
403
991000
3000
които познават рака
16:49
and work out different programs of research."
404
994000
4000
и да разработят различни програми за изследвания."
16:53
So David and I applied to this program
405
998000
2000
Така, Дейвид и аз кандидатствахме за тази програма
16:55
and created a consortium
406
1000000
2000
и създадохме консорциум
16:57
at USC
407
1002000
2000
с Университета на Южна Калифорния (USC),
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
където са някои от най-добрите онколози в света
17:02
and some of the best biologists in the world,
409
1007000
3000
и някои от най-добрите биолози в света
17:05
from Cold Spring Harbor,
410
1010000
2000
от Колд Спринг Харбър,
17:07
Stanford, Austin --
411
1012000
2000
Станфърд, Остин
17:09
I won't even go through and name all the places --
412
1014000
3000
няма да изброявам всички места --
17:12
to have a research project
413
1017000
3000
да направим проект,
17:15
that will last for five years
414
1020000
2000
който ще продължи пет години,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
където наистина ще се опитаме да разработим модел за рака като този.
17:20
We're doing it in mice first,
416
1025000
2000
Ще го направим първо при мишки.
17:22
and we will kill a lot of mice
417
1027000
2000
И ще убием много мишки
17:24
in the process of doing this,
418
1029000
2000
в процеса на разработване на модела,
17:26
but they will die for a good cause.
419
1031000
2000
но те ще умрат за добра кауза.
17:28
And we will actually try to get to the point
420
1033000
3000
И ще се опитаме да стигнем до момента,
17:31
where we have a predictive model
421
1036000
2000
в който ще имаме предсказуем модел,
17:33
where we can understand,
422
1038000
2000
в който можем да разберем
17:35
when cancer happens,
423
1040000
2000
кога се случва ракът,
17:37
what's actually happening in there
424
1042000
2000
какво в дейстивтелност се случва там вътре
17:39
and which treatment will treat that cancer.
425
1044000
3000
и кое лечение би излекувало този рак.
17:42
So let me just end with giving you a little picture
426
1047000
3000
И така нека да приключа, като ви нарисувам една малка картина
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
на това как аз си представям лечението на рака в бъдещето.
17:48
So I think eventually,
428
1053000
2000
И така, мисля, че най-накрая
17:50
once we have one of these models for people,
429
1055000
2000
след като имаме един от тези модели при хора,
17:52
which we'll get eventually --
430
1057000
2000
което ще направим някога --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
нашата група няма да стигне до там --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
но най-накрая ние ще имаме един добър компютърен модел --
17:59
sort of like a global climate model for weather.
433
1064000
3000
нещо като глобалния модел на климата за времето.
18:02
It has lots of different information
434
1067000
3000
Той има много различна информация
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
за това какъв процес тече при този разговор на протеините
18:08
on many different scales.
436
1073000
2000
на много различни нива.
18:10
And so we will simulate
437
1075000
2000
И така, ние ще симулираме
18:12
in that model
438
1077000
2000
в този модел
18:14
for your particular cancer --
439
1079000
3000
за вашия конкретен рак --
18:17
and this also will be for ALS,
440
1082000
2000
и това ще бъде също така за амиотрофичната латерална склероза,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
както и за всеки вид системно невродегенеративно заболяване
18:22
things like that --
442
1087000
2000
неща като тези --
18:24
we will simulate
443
1089000
2000
ние ще симулираме
18:26
specifically you,
444
1091000
2000
конкретно за вас,
18:28
not just a generic person,
445
1093000
2000
не просто за някакъв събирателен човек,
18:30
but what's actually going on inside you.
446
1095000
2000
но ние ще симулираме какво в действителност става вътре във вас.
18:32
And in that simulation, what we could do
447
1097000
2000
И при тази симулация, това, което бихме могли да направим,
18:34
is design for you specifically
448
1099000
2000
е да разработим специално за вас
18:36
a sequence of treatments,
449
1101000
2000
последователност от лечения,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
и това могат да са много щадящи лечнения, много малки количества лекарство.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Това могат да са неща, като да не яде един ден
18:44
or give them a little chemotherapy,
452
1109000
2000
или да им дадем малко количество химиотерапия
18:46
maybe a little radiation.
453
1111000
2000
и може би малко лъче терапия.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Разбира се, понякога ще правим и операции и така нататък.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Но ще разработим програма от лечения конкретно за вас
18:54
and help your body
456
1119000
3000
и ще помогнем на тялото ви
18:57
guide back to health --
457
1122000
3000
да се върне обратно към здравето --
19:00
guide your body back to health.
458
1125000
2000
ще насочим вашето тяло обратно към здравето.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Защото вашето тяло ще свърши по-голямата част от лечението,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
ако ние просто го подпомогнем в нещата, които не са наред.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Ние го поставяме в еквивалента на шини.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
И така, вашето тяло има много и много механизми
19:13
for fixing cancer,
463
1138000
2000
за справяне с рака
19:15
and we just have to prop those up in the right way
464
1140000
3000
и ние просто трябва да ги подпогнем по правилния начин
19:18
and get them to do the job.
465
1143000
2000
и да ги накраме те да свършат работата.
19:20
And so I believe that this will be the way
466
1145000
2000
И така, аз вярвам, че това ще бъде начинът,
19:22
that cancer will be treated in the future.
467
1147000
2000
по който ракът ще бъде лекуван в бъдещето.
19:24
It's going to require a lot of work,
468
1149000
2000
Ще изисква много работа,
19:26
a lot of research.
469
1151000
2000
много изследвания.
19:28
There will be many teams like our team
470
1153000
3000
Ще има много екипи като нашия,
19:31
that work on this.
471
1156000
2000
които ще работят по проблема.
19:33
But I think eventually,
472
1158000
2000
Но аз мисля, че най-накрая
19:35
we will design for everybody
473
1160000
2000
ние ще разработим за всеки един
19:37
a custom treatment for cancer.
474
1162000
4000
специално лечение за рак.
19:41
So thank you very much.
475
1166000
2000
И така, благодаря ви много.
19:43
(Applause)
476
1168000
6000
(Аплодисменти)
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