TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Krebs verstehen durch Proteomik
Filmed:
Readability: 3.6
465,363 views
Danny Hillis plädiert für das nächste Gebiet der Krebsforschung: Proteomik, der Lehre von Proteinen in einem Körper. Wie Hillis erklärt, zeigt uns die Genomik eine Liste von Inhaltsstoffen des Körpers -- während die Proteomik uns zeigt, was diese Inhaltsstoffe produzieren. Ein Verständnis für das, was in unserem Körper auf dem Proteinlevel vor sich geht, könnte zu einem neuen Verständnis führen, wie Krebs passiert.
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
Ich gebe zu dass ich hier ein bisschen nervös bin
00:18
because I'm going to say some radical things,
1
3000
3000
weil ich Ihnen ein paar radikale Dinge erzählen werde,
00:21
about how we should think about cancer differently,
2
6000
3000
darüber, wie wir anders über Krebs nachdenken sollen
00:24
to an audience that contains a lot of people
3
9000
2000
zu einem Publikum das viele Leute enthält
00:26
who know a lot more about cancer than I do.
4
11000
3000
die über Krebs eine Menge mehr wissen als ich das tue.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Aber ich bestreite auch, dass ich nicht so nervös bin wie ich es sein sollte
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
da ich ziemlich überzeugt bin, recht zu haben.
00:35
(Laughter)
7
20000
2000
(Gelächter)
00:37
And that this, in fact, will be
8
22000
2000
Und das wir zukünftig tatsächlich
00:39
the way that we treat cancer in the future.
9
24000
3000
auf diese Weise Krebs behandeln werden.
00:43
In order to talk about cancer,
10
28000
2000
Um über Krebs sprechen zu können,
00:45
I'm going to actually have to --
11
30000
3000
Werde ich eigentlich --
00:48
let me get the big slide here.
12
33000
3000
die große Ansicht hier holen müssen.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Zuerst werde ich versuchen, Ihnen eine andere Sichtweise auf die Genomik zu geben.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Ich möchte diese vorstellen als die Sichtweise der größeren Ansicht
00:58
of all the other things that are going on --
15
43000
3000
von all den anderen Dingen, die vor sich gehen --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
und dann über etwas sprechen, von dem Sie noch nicht so viel gehört haben, nämlich der Proteomik.
01:04
Having explained those,
17
49000
2000
Nachdem ich das erklärt habe,
01:06
that will set up for what I think will be a different idea
18
51000
3000
wird etwas darauf basieren das, wie ich glaube, eine andere Idee sein wird
01:09
about how to go about treating cancer.
19
54000
2000
darüber, wie wir die Krebsbehandlung in Angriff nehmen können
01:11
So let me start with genomics.
20
56000
2000
So lassen Sie uns anfangen mit der Genomik.
01:13
It is the hot topic.
21
58000
2000
Das ist das heiße Thema.
01:15
It is the place where we're learning the most.
22
60000
2000
Das ist die Stelle an der wir das meiste lernen.
01:17
This is the great frontier.
23
62000
2000
Das ist das große neue Grenzgebiet.
01:19
But it has its limitations.
24
64000
3000
Aber es ist begrenzt.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Und insbesondere haben Sie wahrscheinlich von der Analogie gehört,
01:25
that the genome is like the blueprint of your body,
26
70000
3000
dass das Genom wie eine Blaupause Ihres Körpers ist.
01:28
and if that were only true, it would be great,
27
73000
2000
Und wenn das nur wahr wäre, wäre das großartig.
01:30
but it's not.
28
75000
2000
Aber das ist es nicht.
01:32
It's like the parts list of your body.
29
77000
2000
Es ist wie eine Liste von Einzelteilen Ihres Körpers.
01:34
It doesn't say how things are connected,
30
79000
2000
Es sagt nicht, wie die Dinge verbunden sind,
01:36
what causes what and so on.
31
81000
3000
was was verursacht und so weiter.
01:39
So if I can make an analogy,
32
84000
2000
Wen ich also eine Analogie machen kann,
01:41
let's say that you were trying to tell the difference
33
86000
2000
angenommen Sie wollen den Unterschied herausfinden
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
zwischen einem guten Restaurant, einem gesunden Restaurant,
01:46
and a sick restaurant,
35
91000
2000
und einem kranken Restaurant,
01:48
and all you had was the list of ingredients
36
93000
2000
und alles was Sie haben, wäre eine Liste von Inhaltsstoffen
01:50
that they had in their larder.
37
95000
3000
die sie in ihrer Speisekammer haben.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
So könnte es sein, dass Sie zu einem französischen Restaurant gingen
01:56
and you looked through it and you found
39
101000
2000
und dieses durchsuchten und fänden,
01:58
they only had margarine and they didn't have butter,
40
103000
2000
dass sie nur Margarine und keine Butter haben,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
Sie könnten sagen, "Ah, ich weiß was hier falsch läuft.
02:02
I can make them healthy."
42
107000
2000
Ich kann die gesund machen."
02:04
And there probably are special cases of that.
43
109000
2000
Und es gibt wahrscheinlich spezielle Fälle wie diesen.
02:06
You could certainly tell the difference
44
111000
2000
Sie könnten sicherlich den Unterschied
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
zwischen einem chinesischen und einem französischen Restaurant benennen
02:10
by what they had in a larder.
46
115000
2000
anhand dessen, was sie in ihrer Speisekammer haben.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Also erzählt uns die Liste der Inhaltsstoffe in der Tat etwas
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
und manchmal erzählt sie Ihnen etwas, das falsch läuft.
02:19
If they have tons of salt,
49
124000
2000
Falls jene tonnenweise Salz haben,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
könnten Sie vermuten, dass sie zuviel Salz verwenden, oder dergleichen.
02:24
But it's limited,
51
129000
2000
Aber das ist begrenzt,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
weil um wirklich zu wissen, ob das ein gesundes Restaurant ist,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
müssen Sie das Essen probieren, müssen Sie wissen was in der Küche vor sich geht,
02:31
you need the product of all of those ingredients.
54
136000
3000
benötigen Sie die Summe von all diesen Inhaltsstoffen.
02:34
So if I look at a person
55
139000
2000
Wenn Sie nun eine Person betrachten
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
und ich schaue auf das Genom einer Person, das ist das Gleiche.
02:39
The part of the genome that we can read
57
144000
2000
Den Teil des Genoms, den wir lesen können
02:41
is the list of ingredients.
58
146000
2000
ist die Liste der Inhaltsstoffe.
02:43
And so indeed,
59
148000
2000
Und in der Tat
02:45
there are times when we can find ingredients
60
150000
2000
gibt es Fälle in denen wir Inhaltsstoffe finden können
02:47
that [are] bad.
61
152000
2000
die schlecht [sind].
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Mukoviszidose ist ein Beispiel einer Krankheit
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
bei der wir einfach einen schlechten Inhaltsstoff haben und damit eine Krankheit
02:54
and we can actually make a direct correspondence
64
159000
3000
und wir können tatsächlich eine direkte Korrelation erstellen
02:57
between the ingredient and the disease.
65
162000
3000
zwischen dem Inhaltsstoff und der Krankheit.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Aber meistens muss man wirklich wissen was in der Küche vor sich geht,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
weil meistens, kranke Menschen zuvor gesunde Menschen waren --
03:05
they have the same genome.
68
170000
2000
sie haben die gleichen Genome.
03:07
So the genome really tells you much more
69
172000
2000
Also erzählt uns das Genom wirklich viel mehr
03:09
about predisposition.
70
174000
2000
über Veranlagung
03:11
So what you can tell
71
176000
2000
Was Sie also sagen können,
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
ist, dass Sie den Unterschied zwischen einer asiatischen Person und einer europäischen Person erkennen können,
03:15
by looking at their ingredients list.
73
180000
2000
indem Sie auf ihre Inhaltsstoffe schauen.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Tatsächlich aber können Sie meistens nicht den Unterschied erkennen
03:20
between a healthy person and a sick person --
75
185000
3000
zwischen einer gesunden und einer kranken Person --
03:23
except in some of these special cases.
76
188000
2000
abgesehen von einigen dieser speziellen Fälle.
03:25
So why all the big deal
77
190000
2000
Warum also diese große Sache
03:27
about genetics?
78
192000
2000
wegen der Genetik?
03:29
Well first of all,
79
194000
2000
Nun, erstens,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
weil wir es lesen können, das ist fantastisch.
03:34
It is very useful in certain circumstances.
81
199000
3000
Es ist sehr hilfreich unter bestimmten Umständen.
03:37
It's also the great theoretical triumph
82
202000
3000
Es ist zudem der große theoretische Durchbruch
03:40
of biology.
83
205000
2000
der Biologie.
03:42
It's the one theory
84
207000
2000
Es ist diese eine Theorie,
03:44
that the biologists ever really got right.
85
209000
2000
die die Biologen jemals wirklich richtig hinbekommen haben.
03:46
It's fundamental to Darwin
86
211000
2000
Sie ist grundlegend für Darwin
03:48
and Mendel and so on.
87
213000
2000
und Mendel und so weiter.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Es ist also diese eine Sache bei der sie ein theoretisches Konstrukt vorhersagten.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel hatte also die Vorstellung von einem Genom
03:56
as an abstract thing,
90
221000
3000
als eine abstrakte Sache.
03:59
and Darwin built a whole theory
91
224000
2000
Und Darwin baute eine ganze Theorie
04:01
that depended on them existing,
92
226000
2000
die von einer Existenz dessen abhing.
04:03
and then Watson and Crick
93
228000
2000
Und dann Watson und Crick
04:05
actually looked and found one.
94
230000
2000
suchten danach und fanden eines.
04:07
So this happens in physics all the time.
95
232000
2000
Nun das passiert in der Physik ständig.
04:09
You predict a black hole,
96
234000
2000
Sie sagen sin schwarzes Loch vorher
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
und Sie halten mit dem Teleskop Ausschau und da ist es, genau wie Sie sagten.
04:14
But it rarely happens in biology.
98
239000
2000
Aber das passiert selten in der Biologie.
04:16
So this great triumph -- it's so good,
99
241000
3000
Dieser große Triumpf -- er ist derart gut --
04:19
there's almost a religious experience
100
244000
2000
es ist fast eine religiöse Erfahrung
04:21
in biology.
101
246000
2000
in der Biologie.
04:23
And Darwinian evolution
102
248000
2000
Und die Darwin'sche Evolutionstheorie
04:25
is really the core theory.
103
250000
3000
ist im Grunde die elementare Theorie.
04:30
So the other reason it's been very popular
104
255000
2000
Nun der andere Grund für die Popularität
04:32
is because we can measure it, it's digital.
105
257000
3000
ist, dass wir es messen können, es ist digital.
04:35
And in fact,
106
260000
2000
Und tatsächlich,
04:37
thanks to Kary Mullis,
107
262000
2000
dank Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
können Sie praktisch Ihr Genom in Ihrer Küche messen
04:43
with a few extra ingredients.
109
268000
3000
mit wenigen zusätzlichen Inhaltsstoffen.
04:46
So for instance, by measuring the genome,
110
271000
3000
zum Beispiel haben wir durch das Vermessen des Genoms
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
eine Menge darüber gelernt, inwiefern wir verwandt sind zu anderen Arten von Tieren
04:53
by the closeness of our genome,
112
278000
3000
anhand der Geschlossenheit unseres Genoms,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
oder wie wir zueinander verwandt sind -- der Stammbaum,
04:59
or the tree of life.
114
284000
2000
oder die Entwicklung des Lebens.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Es findet sich eine riesige Menge an Informationen in der Genetik,
05:04
just by comparing the genetic similarity.
116
289000
3000
indem man einfach die genetische Ähnlichkeit vergleicht.
05:07
Now of course, in medical application,
117
292000
2000
Jetzt ist das natürlich in medizinischer Anwendung
05:09
that is very useful
118
294000
2000
sehr nützlich
05:11
because it's the same kind of information
119
296000
3000
weil das die gleiche Art von Information ist,
05:14
that the doctor gets from your family medical history --
120
299000
3000
die der Arzt aus Ihrer familiären medizinischen Historie erhält --
05:17
except probably,
121
302000
2000
abgesehen davon, dass wahrscheinlich
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
Ihr Genom einiges mehr weiß über Ihre medizinische Historie als sie das tun.
05:22
And so by reading the genome,
123
307000
2000
Und indem wir das Genom lesen,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
können wir über Ihre Familie viel mehr herausfinden, als Sie wahrscheinlich wissen.
05:27
And so we can discover things
125
312000
2000
Und so können wir Dinge herausfinden
05:29
that probably you could have found
126
314000
2000
die Sie finden hätten können,
05:31
by looking at enough of your relatives,
127
316000
2000
indem Sie hinreichend viele Verwandte anschauten,
05:33
but they may be surprising.
128
318000
3000
aber diese könnten überraschend sein.
05:36
I did the 23andMe thing
129
321000
2000
Ich habe die 23andMe Sache gemacht
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
und war sehr überrascht herauszufinden, dass ich fett und glatzköpfig bin.
05:41
(Laughter)
131
326000
7000
(Gelächter)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Aber manchmal können Sie viel mehr nützliche Dinge damit lernen.
05:51
But mostly
133
336000
3000
Meistens jedoch
05:54
what you need to know, to find out if you're sick,
134
339000
2000
ist, was Sie wissen müssen, um herauszufinden ob Sie krank sind,
05:56
is not your predispositions,
135
341000
2000
nicht Veranlagung,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
sondern es ist, was tatsächlich gerade in hrem Körper vor sich geht.
06:01
So to do that, what you really need to do,
137
346000
2000
was man also wirklich dafür tun muss ist,
06:03
you need to look at the things
138
348000
2000
auf die Dinge zu sehen,
06:05
that the genes are producing
139
350000
2000
die die Gene produzieren
06:07
and what's happening after the genetics,
140
352000
2000
und was nach der Genetik vor sich geht.
06:09
and that's what proteomics is about.
141
354000
2000
Und das ist, worum es in der Proteomik geht.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Genau wie die Genetik von den Genen handelt,
06:14
proteomics is the study of all the proteins.
143
359000
3000
ist die Proteomik die Lehre der Proteine.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Und Proteine sind alle diese kleinen Dinge in Ihrem Körper
06:19
that are signaling between the cells --
145
364000
3000
die zur Signalgebung dienen zwischen den Zellen --
06:22
actually, the machines that are operating --
146
367000
2000
im Grunde die Arbeitsmaschinen.
06:24
that's where the action is.
147
369000
2000
Hier spielt die Musik.
06:26
Basically, a human body
148
371000
3000
Im Grunde ist ein menschlicher Körper
06:29
is a conversation going on,
149
374000
3000
eine andauernde Konversation,
06:32
both within the cells and between the cells,
150
377000
3000
sowohl innerhalb der Zellen als auch zwischen den Zellen,
06:35
and they're telling each other to grow and to die,
151
380000
3000
bei der sie einander erklären zu wachsen und zu sterben.
06:38
and when you're sick,
152
383000
2000
Und wenn Sie krank sind,
06:40
something's gone wrong with that conversation.
153
385000
2000
ist irgendetwas schief gelaufen bei dieser Konversation.
06:42
And so the trick is --
154
387000
2000
Nun ist der Trick --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
leider haben wir keine einfache Möglichkeit diese zu messen,
06:47
like we can measure the genome.
156
392000
2000
wie wir Genome messen können.
06:49
So the problem is that measuring --
157
394000
3000
Das Problem ist also, dass beim Messen --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
wenn man versucht alle Proteine zu messen, ist das ein sehr aufwändiges Verfahren.
06:55
It requires hundreds of steps,
159
400000
2000
Es bedarf hunderte Schritte,
06:57
and it takes a long, long time.
160
402000
2000
und es dauert eine lange, lange Zeit.
06:59
And it matters how much of the protein it is.
161
404000
2000
Und die es ist von Bedeutung, wieviel von dem Protein es ist.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Es könnte gravierend sein, wenn ein Protein sich zu 10 Prozent ändert,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
es ist also nicht eine nette digitale Sache wie die DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Und im Grunde ist unser Problem, dass da jemand mittendrin ist
07:09
of this very long stage,
165
414000
2000
in diesem sehr langen Stadium,
07:11
they pause for just a moment,
166
416000
2000
die für einen kleinen Moment pausieren
07:13
and they leave something in an enzyme for a second,
167
418000
2000
und für eine Sekunde etwas in einem Enzym hinterlassen,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
und plötzlich sind alle Messungen von diesem Zeitpunkt an
07:17
don't work.
169
422000
2000
nicht durchführbar.
07:19
And so then people get very inconsistent results
170
424000
2000
Und so erhalten Leute sehr inkonsistente Resultate
07:21
when they do it this way.
171
426000
2000
wenn sie das auf diesem Weg machen.
07:23
People have tried very hard to do this.
172
428000
2000
Leute haben viel versucht, um das hinzubekommen.
07:25
I tried this a couple of times
173
430000
2000
Ich habe das einige Male probiert
07:27
and looked at this problem and gave up on it.
174
432000
2000
und sah das Problem und gab auf.
07:29
I kept getting this call from this oncologist
175
434000
2000
Ich habe immer wieder diesen Anruf dieses Onkologen bekommen
07:31
named David Agus.
176
436000
2000
namens David Agus
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Und Applied Minds bekommt eine Menge Anrufe
07:36
from people who want help with their problems,
178
441000
2000
von Leuten, die Hilfe brauchen bei deren Problemen
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
und ich dachte nicht, dass dieser Anruf einer von jenen war, die ich zurückrufen sollte,
07:41
so I kept on giving him to the delay list.
180
446000
3000
und so habe ich ihn immer wieder auf die Wiedervorlage gesetzt.
07:44
And then one day,
181
449000
2000
Und dann eines Tages,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
riefen John Doerr, Bill Berkmann und Al Gore
07:48
and Al Gore on the same day
183
453000
2000
an einem und dem selben Tag an,
07:50
saying return David Agus's phone call.
184
455000
2000
und sagten: ruf David Agus zurück.
07:52
(Laughter)
185
457000
2000
(Gelächter)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Und ich so, "Okay. Zumindest ist dieser Typ gut vernetzt."
07:56
(Laughter)
187
461000
4000
(Gelächter)
08:00
So we started talking,
188
465000
2000
So begannen wir mit unserer Unterhaltung
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
und er sagte, "Ich brauche wirklich bessere Methoden Proteine zu messen."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Und ich so, "Hab ich mir angeschaut. An diesem Punkt war ich auch schon.
08:07
Not going to be easy."
191
472000
2000
Das wird nicht einfach."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Und er meinte, "Nein, nein. Ich brauche das wirklich.
08:11
I mean, I see patients dying every day
193
476000
4000
Ich meine, ich sehe täglich Patienten sterben
08:15
because we don't know what's going on inside of them.
194
480000
3000
weil wir nicht wissen, was in ihnen vor sich geht.
08:18
We have to have a window into this."
195
483000
2000
Wir müssen ein Fenster in das hinein haben."
08:20
And he took me through
196
485000
2000
Und er führte mir
08:22
specific examples of when he really needed it.
197
487000
3000
einige spezielle Beispiele vor Augen, bei denen er das wirklich brauchte.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Und mir wurde klar, wow, das könnte wirklich etwas verändern,
08:27
if we could do it,
199
492000
2000
wenn wir das hinbekämen.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Und so sagte ich, "Na gut, lass uns das anschauen."
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds haben genug Spielgeld,
08:33
that we can go and just work on something
202
498000
2000
sodass wir hingehen können und einfach an etwas arbeiten,
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
ohne Unterstützung oder Erlaubnis von außerhalb.
08:38
So we started playing around with this.
204
503000
2000
Also fingen wir an damit herumzuspielen.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Und als wir das taten, merkten wir, dass dies unser grundlegendes Problem war --
08:43
that taking the sip of coffee --
206
508000
2000
dieser Schluck Kaffee --
08:45
that there were humans doing this complicated process
207
510000
2000
das es Menschen waren, die diesen komplizierten Prozess ausführen,
08:47
and that what really needed to be done
208
512000
2000
und dass, was wirklich getan werden musste,
08:49
was to automate this process like an assembly line
209
514000
3000
war diesen Prozess zu automatisieren, wie eine Produktionsstraße
08:52
and build robots
210
517000
2000
und Roboter zu bauen,
08:54
that would measure proteomics.
211
519000
2000
die die Proteomik messen würden.
08:56
And so we did that,
212
521000
2000
Und so taten wir das.
08:58
and working with David,
213
523000
2000
Und durch die Arbeit mit David,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
errichteten wir schließlich eine kleine Firma namens Applied Proteomics,
09:03
which makes this robotic assembly line,
215
528000
3000
die jene Roboter Produktionsstraße herstellt,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
die in einer sehr gleichmäßigen Art und Weise die Proteine misst.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Und ich zeige Ihnen, wie diese Proteinmessung aussieht.
09:13
Basically, what we do
218
538000
2000
Im Prinzip nehmen wir
09:15
is we take a drop of blood
219
540000
2000
einem Patienten einen
09:17
out of a patient,
220
542000
2000
Tropfen Blut ab,
09:19
and we sort out the proteins
221
544000
2000
sortieren die Proteine
09:21
in the drop of blood
222
546000
2000
aus diesem Blutstropfen
09:23
according to how much they weigh,
223
548000
2000
nach Gewicht
09:25
how slippery they are,
224
550000
2000
und Schlupf,
09:27
and we arrange them in an image.
225
552000
3000
und fügen sie zu einem Bild zusammen.
09:30
And so we can look at literally
226
555000
2000
Und so können wir buchstäblich
09:32
hundreds of thousands of features at once
227
557000
2000
aus diesem Tropfen Blut hunderttausende Merkmale
09:34
out of that drop of blood.
228
559000
2000
gleichzeitig betrachten.
09:36
And we can take a different one tomorrow,
229
561000
2000
Und wir können morgen einen anderen nehmen,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
und Sie werden sehen, dass Ihre Proteine morgen anders sein werden --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
sie werden anders sein, nachdem Sie essen oder nachdem Sie schlafen.
09:43
They really tell us what's going on there.
232
568000
3000
Sie erzählen uns wirklich, was hier vor sich geht.
09:46
And so this picture,
233
571000
2000
Und dieses Bild also,
09:48
which looks like a big smudge to you,
234
573000
2000
das für Sie wie ein Klecks aussieht,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
ist eigentlich das, was mich daran begeistert hat,
09:54
and made me feel like we were on the right track.
236
579000
2000
und ich fühlte mich, als wären wir auf dem richtigen Weg.
09:56
So if I zoom into that picture,
237
581000
2000
Wenn ich nun das Bild vergrößere,
09:58
I can just show you what it means.
238
583000
2000
kann ich Ihnen zeigen, was das bedeutet.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Wir sortieren die Proteine -- von links nach rechts
10:03
is the weight of the fragments that we're getting,
240
588000
3000
ist das Gewicht der Fragmente, das wir erhalten.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
Und von oben nach unten ist wie schlüpfrig sie sind.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Wir vergrößern das hier, um Ihnen einfach etwas davon zu zeigen.
10:12
And so each of these lines
243
597000
2000
Und so repräsentiiert jede dieser Linien
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
irgendein Signal, dass wir aus einem Stück von einem Protein herausbekommen haben.
10:17
And you can see how the lines occur
245
602000
2000
Und Sie können sehen wie die Linien erscheinen
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
in diesen kleinen Gruppen von Hügel, Hügel, Hügel, Hügel, Hügel.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Und das ist, weil wir das Gewicht so präzise messen, dass --
10:26
carbon comes in different isotopes,
248
611000
2000
Kohlenstoff hat verschiedene Isotope,
10:28
so if it has an extra neutron on it,
249
613000
3000
wenn es also ein zusätzliches Neutron hat,
10:31
we actually measure it as a different chemical.
250
616000
4000
messen wir es als unterschiedliches Element.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
So messen wir im Grunde jedes Isotop als ein eigenes.
10:38
And so that gives you an idea
252
623000
3000
Und so bekommen Sie eine Vorstellung davon,
10:41
of how exquisitely sensitive this is.
253
626000
2000
wie ungemein sensibel das ist.
10:43
So seeing this picture
254
628000
2000
Dieses Bild anzuschauen,
10:45
is sort of like getting to be Galileo
255
630000
2000
ist so etwas, wie Galileo zu werden
10:47
and looking at the stars
256
632000
2000
und zu den Sternen zu schauen,
10:49
and looking through the telescope for the first time,
257
634000
2000
und das erste Mal durch ein Teleskop zu sehen,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
und plötzlich sagt man, "Wow, das ist viel komplizierter als wir es uns gedacht hatten."
10:54
But we can see that stuff out there
259
639000
2000
Aber wir können dieses Zeug da draußen sehen
10:56
and actually see features of it.
260
641000
2000
und tatsächlich Einzelheiten erkennen.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Das ist also die Hanschrift, in der wir versuchen Muster zu erkennen.
11:01
So what we do with this
262
646000
2000
Und was wir also damit tun ist,
11:03
is, for example, we can look at two patients,
263
648000
2000
wir schauen uns zum Beispiel zwei Patienten an,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
von denen einer auf ein Medikament angesprochen hat und der andere nicht,
11:08
and ask, "What's going on differently
265
653000
2000
und fragen, "Wie unterscheiden sich
11:10
inside of them?"
266
655000
2000
die Abläufe in Ihnen?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Und nun können wir diese Messungen präzise genug machen,
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
um zwei Patienten überlappen zu können und uns die Unterschiede anzuschauen.
11:18
So here we have Alice in green
269
663000
2000
Und so haben wir hier Alice in Grün
11:20
and Bob in red.
270
665000
2000
und Bob in Rot,
11:22
We overlay them. This is actual data.
271
667000
3000
Wir überlappen sie. Das sind reale Daten.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Und Sie können sehen, meistens überlappt es und ist gelb,
11:28
but there's some things that just Alice has
273
673000
2000
aber es gibt einige Dinge die nur Alice hat
11:30
and some things that just Bob has.
274
675000
2000
und einige Dinge die nur Bob hat,
11:32
And if we find a pattern of things
275
677000
3000
Und wenn wir ein Muster von Dingen erhalten
11:35
of the responders to the drug,
276
680000
3000
von denjenigen, die auf das Medikament ansprechen,
11:38
we see that in the blood,
277
683000
2000
sehen wir, dass sie in dem Blut
11:40
they have the condition
278
685000
2000
einen Zustand haben,
11:42
that allows them to respond to this drug.
279
687000
2000
der ihnen erlaubt auf dieses Medikament anzusprechen.
11:44
We might not even know what this protein is,
280
689000
2000
Wir können vielleicht nicht wissen, was dieses Protein ist,
11:46
but we can see it's a marker
281
691000
2000
aber wir können sehen, dass es eine Markierung ist
11:48
for the response to the disease.
282
693000
2000
für die Ansprechbarkeit für diese Krankheit.
11:53
So this already, I think,
283
698000
2000
Das ist also schon, glaube ich,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
enorm brauchbar auf allen Gebieten der Medizin.
11:58
But I think this is actually
285
703000
2000
Aber ich denke das ist eigentlich
12:00
just the beginning
286
705000
2000
nur der Beginn
12:02
of how we're going to treat cancer.
287
707000
2000
davon wie wir Krebs behandeln werden.
12:04
So let me move to cancer.
288
709000
2000
So lassen Sie mich auf den Krebs zu sprechen kommen.
12:06
The thing about cancer --
289
711000
2000
Die Sache bei Krebs ist --
12:08
when I got into this,
290
713000
2000
als ich in die Sache hineingeriet,
12:10
I really knew nothing about it,
291
715000
2000
wusste ich wirklich nichts darüber,
12:12
but working with David Agus,
292
717000
2000
aber mit David Agus zu arbeiten,
12:14
I started watching how cancer was actually being treated
293
719000
3000
begann ich zu sehen, wie Krebs eigentlich behandelt wurde
12:17
and went to operations where it was being cut out.
294
722000
3000
und ging zu Operationen wo es herausgeschnitten wurde.
12:20
And as I looked at it,
295
725000
2000
Und als ich das ansah,
12:22
to me it didn't make sense
296
727000
2000
ergab es für mich keinen Sinn
12:24
how we were approaching cancer,
297
729000
2000
wie wir dem Krebs begegnen.
12:26
and in order to make sense of it,
298
731000
3000
Und um das zu verstehen,
12:29
I had to learn where did this come from.
299
734000
3000
musste ich lernen, woher das kam.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Wir behandeln Krebs fast so, als wäre es eine infektiöse Krankheit.
12:36
We're treating it as something that got inside of you
301
741000
2000
Wir behandeln es als etwas das in Sie hineingekommen ist
12:38
that we have to kill.
302
743000
2000
das wir töten müssen.
12:40
So this is the great paradigm.
303
745000
2000
Das ist also das große Denkmuster.
12:42
This is another case
304
747000
2000
Dies ist ein weiterer Fall,
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
wo ein theoretisches Denkmuster in der Biologie tatsächlich funktionierte --
12:46
was the germ theory of disease.
306
751000
3000
das war die bakterielle Theorie einer Krankheit.
12:49
So what doctors are mostly trained to do
307
754000
2000
Was also Ärzte meistens trainiert werden zu tun
12:51
is diagnose --
308
756000
2000
ist diagnostizieren --
12:53
that is, put you into a category
309
758000
2000
das wird in eine Kathegorie gestellt --
12:55
and apply a scientifically proven treatment
310
760000
2000
und eine wissenschaftlich belegten Behandlung durchzuführen
12:57
for that diagnosis --
311
762000
2000
für diese Diagnose.
12:59
and that works great for infectious diseases.
312
764000
3000
Und das funktioniert großartig für infektiöse Krankheiten.
13:02
So if we put you in the category
313
767000
2000
Wenn wir also Sie in die Kathegorie stellen
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
der Syphiliserkrankten, können wir Ihnen Penicillin geben.
13:07
We know that that works.
315
772000
2000
Wir wissen, dass es funktioniert.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Falls Sie Malaria haben, geben wir Ihnen Chinin,
13:11
or some derivative of it.
317
776000
2000
oder manche Derivate dessen.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Und das ist im Grunde worauf Ärzte trainiert werden.
13:16
and it's miraculous
319
781000
2000
Und es ist verwunderlich,
13:18
in the case of infectious disease --
320
783000
3000
für den Fall der infektiösen Erkrankungen --
13:21
how well it works.
321
786000
2000
wie gut das funktioniert.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Und viele Menschen in diesem Publikum wären wahrscheinlich nicht am Leben
13:26
if doctors didn't do this.
323
791000
2000
wenn Ärzte das nicht tun würden.
13:28
But now let's apply that
324
793000
2000
Aber lassen Sie und das auf systemische
13:30
to systems diseases like cancer.
325
795000
2000
Erkrankungen wie Krebs anwenden.
13:32
The problem is that, in cancer,
326
797000
2000
Das Problem ist, dass es bei Krebs
13:34
there isn't something else
327
799000
2000
nichts zusätzliches gibt
13:36
that's inside of you.
328
801000
2000
dass in Ihnen ist.
13:38
It's you; you're broken.
329
803000
2000
Es sind Sie, Sie sind beschädigt.
13:40
That conversation inside of you
330
805000
4000
Diese Konversation in Ihnen
13:44
got mixed up in some way.
331
809000
2000
geriet irgendwie durcheinander.
13:46
So how do we diagnose that conversation?
332
811000
2000
Wie können wir nun diese Konversation diagnostizieren?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Gerade sind wir dabei, es nach Bereichen des Körpers zu unterteilen --
13:51
you know, where did it appear? --
334
816000
3000
nun ja, wo ist es in Erscheinung getreten --
13:54
and we put you in different categories
335
819000
2000
und wir teilen Sie in verschiedene Kategorien ein --
13:56
according to the part of the body.
336
821000
2000
entsprechend der Teile des Körpers.
13:58
And then we do a clinical trial
337
823000
2000
Und dann machen wir eine klinische Behandlung
14:00
for a drug for lung cancer
338
825000
2000
mit einem Medikament für Lungenkrebs
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
und einem für Prostatakrebs und einem für Brustkrebs,
14:05
and we treat these as if they're separate diseases
340
830000
3000
und wir behandeln diese als wären sie unterschiedliche Krankheiten
14:08
and that this way of dividing them
341
833000
2000
und diese Art, sie zu unterscheiden
14:10
had something to do with what actually went wrong.
342
835000
2000
hatte etwas mit dem zu tun, was eigentlich schief lief.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Und natürlich hat es wirklich nicht so viel
14:14
with what went wrong
344
839000
2000
mit dem zu tun, was falsch lief.
14:16
because cancer is a failure of the system.
345
841000
3000
Weil Krebs ein Systemversagen ist.
14:19
And in fact, I think we're even wrong
346
844000
2000
Und in der Tat glaube ich, dass wir sogar falsch liegen,
14:21
when we talk about cancer as a thing.
347
846000
3000
wenn wir von Krebs als eine Sache sprechen.
14:24
I think this is the big mistake.
348
849000
2000
Ich glaube das ist der große Fehler.
14:26
I think cancer should not be a noun.
349
851000
4000
Ich denke, Krebs sollte kein Nomen sein.
14:30
We should talk about cancering
350
855000
2000
Wir sollten vom Krebsen sprechen.
14:32
as something we do, not something we have.
351
857000
3000
von etwas, das wir tun, nicht von etwas, das wir haben
14:35
And so those tumors,
352
860000
2000
Und diese Tumore,
14:37
those are symptoms of cancer.
353
862000
2000
die sind Symptome von Krebs.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Und unser Körper krebst wahrscheinlich die ganze Zeit.
14:42
but there are lots of systems in your body
355
867000
3000
Aber es gibt eine Menge Systeme in unserem Körper,
14:45
that keep it under control.
356
870000
2000
die das unter Kontrolle behalten.
14:47
And so to give you an idea
357
872000
2000
Und um Ihnen eine Vorstellung geben zu können
14:49
of an analogy of what I mean
358
874000
2000
anhand einer Analogie von dem was ich meine,
14:51
by thinking of cancering as a verb,
359
876000
3000
wenn wir uns Krebsen als Verb denken,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
stellen Sie sich vor, wir wüssten nichts über das Klempnern
14:57
and the way that we talked about it,
361
882000
2000
und die Art wie wir darüber sprächen wäre
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
als würden wir nach Hause kommen und ein Leck in unserer Küche finden.
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
Und wir würden sagen, "Oh, mein Haus hat Wasser."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Wir würden es unterteilen -- der Klempner würde sagen, "Naja, wo ist das Wasser?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Naja, es ist in der Küche." "Oh, Sie müssen Küchenwasser haben."
15:12
That's kind of the level at which it is.
366
897000
3000
Das ist das Niveau auf dem es ist.
15:15
"Kitchen water,
367
900000
2000
"Küchenwasser?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Naja, zuerst würden wir hineingehen und wir würden einiges aufwischen.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Und dann wüssten wir, dass wenn wir Draino in der Küche verstreuen,
15:22
that helps.
370
907000
3000
dass das hilft.
15:25
Whereas living room water,
371
910000
2000
Wobei bei Wohnzimmerwasser,
15:27
it's better to do tar on the roof."
372
912000
2000
es besser ist, Dachpappe aufs Dach zu legen.
15:29
And it sounds silly,
373
914000
2000
Und es hört sich dumm an,
15:31
but that's basically what we do.
374
916000
2000
aber as ist im Grunde, was wir tun.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Und ich behaupte nicht, dass Sie nicht das Wasser in der Küche aufwischen sollen, wenn Sie Krebs haben.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Aber ich sage, dass dies gar nicht das Problem ist.
15:39
that's the symptom of the problem.
377
924000
2000
Das ist ein Symptom des Problems.
15:41
What we really need to get at
378
926000
2000
Wo wir wirklich ran müssen,
15:43
is the process that's going on,
379
928000
2000
ist der Prozess, der gerade abläuft,
15:45
and that's happening at the level
380
930000
2000
und zwar auf der Ebene
15:47
of the proteonomic actions,
381
932000
2000
der proteomischen Aktivitäten
15:49
happening at the level of why is your body not healing itself
382
934000
3000
auf der Ebene des 'Warum sich der Körper nicht selbst heilt,
15:52
in the way that it normally does?
383
937000
2000
wie er es normalerweise macht?'
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Denn normalerweise beschäftigt sich Ihr Körper ständig mit diesem Problem.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Ihr Haus ist also ständig mit Lecks beschäftigt.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Aber es repariert sie. Es trocknet sie aus und so weiter.
16:04
So what we need
387
949000
3000
Was wir also brauchen
16:07
is to have a causative model
388
952000
4000
ist ein schlüssiges Modell
16:11
of what's actually going on,
389
956000
2000
von dem was wirklich vor sich geht.
16:13
and proteomics actually gives us
390
958000
3000
Und die Proteomik gibt uns tatsächlich
16:16
the ability to build a model like that.
391
961000
3000
die Möglichkeit, ein Modell wie dieses zu bauen.
16:19
David got me invited
392
964000
2000
David hat mich einladen lassen,
16:21
to give a talk at National Cancer Institute
393
966000
2000
um am National Cancer Institute eine Rede zu halten
16:23
and Anna Barker was there.
394
968000
3000
und Anna Barker war dort.
16:27
And so I gave this talk
395
972000
2000
Und so hielt ich diese Rede
16:29
and said, "Why don't you guys do this?"
396
974000
3000
und sagte, "Warum macht ihr Leute das denn nicht?"
16:32
And Anna said,
397
977000
2000
Und Anna sagte,
16:34
"Because nobody within cancer
398
979000
3000
"Weil kein Krebsfachmann
16:37
would look at it this way.
399
982000
2000
die Sache so sehen würde.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Aber wir werden ein Programm entwickeln
16:42
for people outside the field of cancer
401
987000
2000
für Menschen außerhalb der Krebsforschung,
16:44
to get together with doctors
402
989000
2000
um mit Ärzten zusammen zu kommen,
16:46
who really know about cancer
403
991000
3000
die sich wirklich mit Krebs auskennen
16:49
and work out different programs of research."
404
994000
4000
und um verschiedene Forschungsprogramme auzusarbeiten.
16:53
So David and I applied to this program
405
998000
2000
So bewarben David und ich mich für dieses Programm
16:55
and created a consortium
406
1000000
2000
und gründeten eine Arbeitsgruppe
16:57
at USC
407
1002000
2000
an der USC
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
wo wir einige der weltbesten Onkologen haben
17:02
and some of the best biologists in the world,
409
1007000
3000
und einige der besten Biologen der Welt,
17:05
from Cold Spring Harbor,
410
1010000
2000
von Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
Stanford, Austin --
17:09
I won't even go through and name all the places --
412
1014000
3000
Ich werde jetzt nicht alle Namen und alle Orte erwähnen --
17:12
to have a research project
413
1017000
3000
um ein Forschungsprojekt zu haben,
17:15
that will last for five years
414
1020000
2000
dass fünf Jahre dauern wird,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
bei dem wir wirklich versuchen werden, ein Krebsmodell wie dieses zu entwickeln.
17:20
We're doing it in mice first,
416
1025000
2000
Wir werden das zuerst an Mäusen machen.
17:22
and we will kill a lot of mice
417
1027000
2000
Und wir werden eine Menge Mäuse töten
17:24
in the process of doing this,
418
1029000
2000
im Verlauf dieser Tätigkeit,
17:26
but they will die for a good cause.
419
1031000
2000
aber sie werden für einen guten Zweck sterben.
17:28
And we will actually try to get to the point
420
1033000
3000
Und wir werden tatsächlich versuchen, soweit zu kommen,
17:31
where we have a predictive model
421
1036000
2000
dass wir ein vorhersagbares Modell haben,
17:33
where we can understand,
422
1038000
2000
dass wir verstehen können
17:35
when cancer happens,
423
1040000
2000
wann Krebs auftritt,
17:37
what's actually happening in there
424
1042000
2000
was tatsächlich da drin passiert
17:39
and which treatment will treat that cancer.
425
1044000
3000
und welche Behandlung Krebs therapieren wird.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Zum Schluss möchte ich Ihnen eine Vorstellung davon geben,
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
was ich für eine zukünftige Behandlung von Krebs halte.
17:48
So I think eventually,
428
1053000
2000
Ich glaube, dass letztlich,
17:50
once we have one of these models for people,
429
1055000
2000
sobald wir eines dieser Modelle für Menschen haben,
17:52
which we'll get eventually --
430
1057000
2000
welche wir schlussendlich bekommen werden --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
ich meine, unsere Gruppe wird nicht alles schaffen können --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
aber schließlich werden wir ein sehr gutes Computermodell haben --
17:59
sort of like a global climate model for weather.
433
1064000
3000
ähnlich wie ein globales Klimamodell für Wetter.
18:02
It has lots of different information
434
1067000
3000
Es beinhaltet eine Menge verschiedener Informationen
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
über den laufenden Prozess in dieser proteomischen Konversation
18:08
on many different scales.
436
1073000
2000
auf vielen verschiedenen Ebenen.
18:10
And so we will simulate
437
1075000
2000
Und so werden wir das simulieren,
18:12
in that model
438
1077000
2000
in diesem Modell
18:14
for your particular cancer --
439
1079000
3000
für diesen speziellen Krebs --
18:17
and this also will be for ALS,
440
1082000
2000
und das wird es auch für ALS geben,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
oder jede beliebige Art von degenerativen Erkrankungen des Nervensystems
18:22
things like that --
442
1087000
2000
Dinge wie diese --
18:24
we will simulate
443
1089000
2000
werden wir simulieren
18:26
specifically you,
444
1091000
2000
speziell für Sie,
18:28
not just a generic person,
445
1093000
2000
nicht nur eine generische Person,
18:30
but what's actually going on inside you.
446
1095000
2000
sondern was tatsächlich in Ihnen vor sich geht.
18:32
And in that simulation, what we could do
447
1097000
2000
Und speziell für Sie
18:34
is design for you specifically
448
1099000
2000
können wir in dieser Simulation
18:36
a sequence of treatments,
449
1101000
2000
eine Reihenfolge von Behandlungen entwerfen,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
und vielleicht sehr sanfte Behandlungen, sehr kleine Wirkstoffdosen.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Es könnten Dinge sein wie, essen Sie heute nichts,
18:44
or give them a little chemotherapy,
452
1109000
2000
oder geben sie dem ein wenig Chemotherapie,
18:46
maybe a little radiation.
453
1111000
2000
vielleicht ein wenig Strahlung.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Natürlich werden wir manchmal operieren und so weiter.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Aber wir entwickeln ein Behandlungsprogramm speziell für Sie
18:54
and help your body
456
1119000
3000
und helfen Ihren Körper
18:57
guide back to health --
457
1122000
3000
den Weg zurück in die Gesundheit zu finden --
19:00
guide your body back to health.
458
1125000
2000
Ihren Körper zurück zur Gesundheit zu leiten.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Weil Ihr Körper die meiste Reparaturarbeit verrichten wird
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
Wenn wir nur irgendwie die falschlaufenden Dinge abfangen.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Bringen wir eine dazu äquivalente Menge an Schienen ein.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Und so hat Ihr Körper viele, viele Mechanismen
19:13
for fixing cancer,
463
1138000
2000
Krebs zu reparieren
19:15
and we just have to prop those up in the right way
464
1140000
3000
und wir müssen einfach diese zurechtmachen in der richtigen Weise
19:18
and get them to do the job.
465
1143000
2000
und diese die Arbeit tun lassen.
19:20
And so I believe that this will be the way
466
1145000
2000
Und so glaube ich dass dies der Weg sein wird,
19:22
that cancer will be treated in the future.
467
1147000
2000
wie Krebs in Zukunft behandelt werden wird.
19:24
It's going to require a lot of work,
468
1149000
2000
Es wird eine Menge Arbeit benötigen,
19:26
a lot of research.
469
1151000
2000
viel Forschung.
19:28
There will be many teams like our team
470
1153000
3000
Es wir viele Teams wie das unsere geben
19:31
that work on this.
471
1156000
2000
die daran arbeiten.
19:33
But I think eventually,
472
1158000
2000
Und ich glaube, letztlich
19:35
we will design for everybody
473
1160000
2000
werden wir für jeden
19:37
a custom treatment for cancer.
474
1162000
4000
eine abgestimmte Behandlung gegen Krebs erstellen.
19:41
So thank you very much.
475
1166000
2000
Ich danke Ihnen vielmals.
19:43
(Applause)
476
1168000
6000
(Applaus)
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