TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Sheila Nirenberg: Eine Augenprothese gegen Blindheit
Filmed:
Readability: 4.3
470,530 views
Bei TEDMED stellt Sheila Nirenberg eine bahnbrechende Methode vor, um Menschen mit bestimmten Arten von Blindheit ihr Augenlicht wiederzugeben: Der Sehnerv wird angezapft und empfängt Signale von einer Kamera, um sie direkt ins Gehirn weiterzuleiten.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
Ich erforsche, wie das Hirn
00:17
information. That is, how it takes
1
2000
2000
Informationen verarbeitet. Wie es
00:19
information in from the outside world, and
2
4000
2000
Informationen von der Außenwelt aufnimmt, und
00:21
converts it into patterns of electrical activity,
3
6000
2000
sie in Muster elektrischer Aktivität umwandelt.
00:23
and then how it uses those patterns
4
8000
2000
Und dann, wie es diese Muster nutzt,
00:25
to allow you to do things --
5
10000
2000
um uns Dinge tun zu lassen –
00:27
to see, hear, to reach for an object.
6
12000
2000
zu hören, zu sehen, nach einem Objekt zu greifen.
00:29
So I'm really a basic scientist, not
7
14000
2000
Ich bin also Grundlagenwissenschaftlerin,
00:31
a clinician, but in the last year and a half
8
16000
2000
keine Klinikärztin, aber über die vergangenen 1,5 Jahre
00:33
I've started to switch over, to use what
9
18000
2000
habe ich umgesattelt, um das, was wir
00:35
we've been learning about these patterns
10
20000
2000
über diese Muster herausgefunden haben
00:37
of activity to develop prosthetic devices,
11
22000
3000
zu nutzen, um Prothesen zu entwickeln,
00:40
and what I wanted to do today is show you
12
25000
2000
und ich würde Ihnen heute gerne
00:42
an example of this.
13
27000
2000
ein Beispiel dafür zeigen.
00:44
It's really our first foray into this.
14
29000
2000
Das ist unser erster Vorstoß in dieses Feld.
00:46
It's the development of a prosthetic device
15
31000
2000
Es handelt sich um die Entwicklung einer Prothese
00:48
for treating blindness.
16
33000
2000
zur Behandlung von Erblindung.
00:50
So let me start in on that problem.
17
35000
2000
Lassen Sie mich also mit dem Problem beginnen.
00:52
There are 10 million people in the U.S.
18
37000
2000
Es gibt in den USA 10 Millionen Menschen,
00:54
and many more worldwide who are blind
19
39000
2000
und weltweit weit mehr, die blind sind,
00:56
or are facing blindness due to diseases
20
41000
2000
oder erblindet sind aufgrund von Erkrankungen
00:58
of the retina, diseases like
21
43000
2000
der Netzhaut, Krankheiten wie
01:00
macular degeneration, and there's little
22
45000
2000
Makuladegeneration, und es gibt nicht viel,
01:02
that can be done for them.
23
47000
2000
das man für sie tun kann.
01:04
There are some drug treatments, but
24
49000
2000
Es gibt einige medikamentöse Behandlungen, aber
01:06
they're only effective on a small fraction
25
51000
2000
sie sind nur bei einem Bruchteil
01:08
of the population. And so, for the vast
26
53000
2000
der Bevölkerung effektiv. Und so sind
01:10
majority of patients, their best hope for
27
55000
2000
für die meisten Patienten die Prothesen
01:12
regaining sight is through prosthetic devices.
28
57000
2000
die beste Hoffnung, ihr Augenlicht wiederzuerlangen.
01:14
The problem is that current prosthetics
29
59000
2000
Das Problem ist, dass derzeitige Prothesen
01:16
don't work very well. They're still very
30
61000
2000
nicht sehr gut funktionieren. Sie sind noch immer sehr
01:18
limited in the vision that they can provide.
31
63000
2000
eingeschränkt im Bezug auf die Sicht, die sie bieten.
01:20
And so, you know, for example, with these
32
65000
2000
So können Patienten mit diesen Geräten
01:22
devices, patients can see simple things
33
67000
2000
zwar einfache Dinge sehen,
01:24
like bright lights and high contrast edges,
34
69000
2000
wie helles Licht und kontrastreiche Konturen,
01:26
not very much more, so nothing close
35
71000
2000
aber nicht viel mehr, also gab es bis jetzt nichts,
01:28
to normal vision has been possible.
36
73000
3000
das an das normale Sehen herankommt.
01:31
So what I'm going to tell you about today
37
76000
2000
Wovon ich Ihnen also heute erzählen möchte,
01:33
is a device that we've been working on
38
78000
2000
ist ein Gerät, an dem wir gearbeitet haben,
01:35
that I think has the potential to make
39
80000
2000
von dem ich denke, es hat das Potential,
01:37
a difference, to be much more effective,
40
82000
2000
einen Unterschied zu bewirken, viel effektiver zu sein,
01:39
and what I wanted to do is show you
41
84000
2000
und ich wollte Ihnen zeigen,
01:41
how it works. Okay, so let me back up a
42
86000
2000
wie es funktioniert. Lassen Sie mich also
01:43
little bit and show you how a normal retina
43
88000
2000
zuerst zeigen, wie eine normale Netzhaut arbeitet,
01:45
works first so you can see the problem
44
90000
2000
so dass Sie das Problem sehen,
01:47
that we were trying to solve.
45
92000
2000
das wir zu lösen versuchen.
01:49
Here you have a retina.
46
94000
2000
Hier haben wir eine Netzhaut.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Sie haben also ein Bild, eine Netzhaut, ein Gehirn.
01:53
So when you look at something, like this image
48
98000
2000
Wenn Sie also etwas ansehen, wie dieses Bild
01:55
of this baby's face, it goes into your eye
49
100000
2000
vom Gesicht dieses Babys, geht es in ihr Auge
01:57
and it lands on your retina, on the front-end
50
102000
2000
und trifft auf Ihre Netzhaut, auf die vorderen
01:59
cells here, the photoreceptors.
51
104000
2000
Zellen hier, die Fotorezeptoren.
02:01
Then what happens is the retinal circuitry,
52
106000
2000
Was dann passiert, ist, dass der Schaltkreis der Netzhaut,
02:03
the middle part, goes to work on it,
53
108000
2000
der mittlere Teil, aktiv wird,
02:05
and what it does is it performs operations
54
110000
2000
und er nimmt Informationen auf
02:07
on it, it extracts information from it, and it
55
112000
2000
und wandelt diese Informationen
02:09
converts that information into a code.
56
114000
2000
in einen Code um.
02:11
And the code is in the form of these patterns
57
116000
2000
Dieser Code ist in der Form dieser Muster
02:13
of electrical pulses that get sent
58
118000
2000
elektrischer Impulse, die hoch ins Gehirn
02:15
up to the brain, and so the key thing is
59
120000
2000
gesendet werden, und so ist das Wesentliche,
02:17
that the image ultimately gets converted
60
122000
2000
dass das Bild schließlich in einen Code
02:19
into a code. And when I say code,
61
124000
2000
umgewandelt wird. Und wenn ich Code sage,
02:21
I do literally mean code.
62
126000
2000
meine ich buchstäblich Code.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Diese Muster von Impulsen bedeuten also wirklich "Kindergesicht",
02:26
and so when the brain gets this pattern
64
131000
2000
und wenn das Gehirn also dieses Impulsmuster
02:28
of pulses, it knows that what was out there
65
133000
2000
empfängt, weiß es, dass das da draußen
02:30
was a baby's face, and if it
66
135000
2000
ein Kindergesicht war, und wenn es
02:32
got a different pattern it would know
67
137000
2000
ein anderes Muster empfinge, wüsste es,
02:34
that what was out there was, say, a dog,
68
139000
2000
dass da draußen beispielsweise ein Hund war,
02:36
or another pattern would be a house.
69
141000
2000
oder ein anderes Muster wäre ein Haus.
02:38
Anyway, you get the idea.
70
143000
2000
Wie auch immer, Sie können es sich vorstellen.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
Und natürlich ist das alles in Wirklichkeit dynamisch,
02:42
meaning that it's changing all the time,
72
147000
2000
es verändert sich also ständig,
02:44
so the patterns of pulses are changing
73
149000
2000
also verändern sich die Impulsmuster
02:46
all the time because the world you're
74
151000
2000
ständig, weil sich die Welt, die Sie sich
02:48
looking at is changing all the time too.
75
153000
3000
ansehen, auch die ganze Zeit verändert.
02:51
So, you know, it's sort of a complicated
76
156000
2000
Wissen Sie, es ist eine ziemlich komplizierte
02:53
thing. You have these patterns of pulses
77
158000
2000
Sache. Sie haben diese Impulsmuster
02:55
coming out of your eye every millisecond
78
160000
2000
die aus Ihrem Auge kommen, millisekündlich,
02:57
telling your brain what it is that you're seeing.
79
162000
2000
und sie sagen Ihrem Gehirn, was Sie sehen.
02:59
So what happens when a person
80
164000
2000
Was passiert also, wenn jemand
03:01
gets a retinal degenerative disease like
81
166000
2000
eine netzhautdegenerative Erkrankung wie
03:03
macular degeneration? What happens is
82
168000
2000
Makuladegeneration erleidet? Was passiert ist,
03:05
is that, the front-end cells die,
83
170000
2000
dass die Zellen der Vorderseite sterben,
03:07
the photoreceptors die, and over time,
84
172000
2000
die Fotorezeptoren sterben, und im Laufe der Zeit
03:09
all the cells and the circuits that are
85
174000
2000
sterben auch alle anderen Zellen und
03:11
connected to them, they die too.
86
176000
2000
Kreisläufe, die mit ihnen verbunden sind.
03:13
Until the only things that you have left
87
178000
2000
Bis alles, was Ihnen übrig bleibt,
03:15
are these cells here, the output cells,
88
180000
2000
diese Zellen hier sind, die Ausgangszellen,
03:17
the ones that send the signals to the brain,
89
182000
2000
jene, die die Signale an das Gehirn senden,
03:19
but because of all that degeneration
90
184000
2000
aber wegen der starken Degeneration
03:21
they aren't sending any signals anymore.
91
186000
2000
senden sie diese Signale nicht mehr.
03:23
They aren't getting any input, so
92
188000
2000
Sie bekommen keine Eingangssignale, also
03:25
the person's brain no longer gets
93
190000
2000
erhält das Gehirn des Betroffenen
03:27
any visual information --
94
192000
2000
keine visuelle Information mehr –
03:29
that is, he or she is blind.
95
194000
3000
das bedeutet, er oder sie ist blind.
03:32
So, a solution to the problem, then,
96
197000
2000
Eine Lösung für das Problem wäre dann
03:34
would be to build a device that could mimic
97
199000
2000
ein Gerät zu entwickeln, dass das Verhalten
03:36
the actions of that front-end circuitry
98
201000
2000
der vorderseitigen Schaltungen imitiert
03:38
and send signals to the retina's output cells,
99
203000
2000
und Signale an die Ausgangszellen der Netzhaut schickt,
03:40
and they can go back to doing their
100
205000
2000
und diese können wieder an die Arbeit gehen,
03:42
normal job of sending signals to the brain.
101
207000
2000
und ihre Signale an das Gehirn senden.
03:44
So this is what we've been working on,
102
209000
2000
Daran haben wir also gearbeitet,
03:46
and this is what our prosthetic does.
103
211000
2000
und unsere Prothese tut folgendes.
03:48
So it consists of two parts, what we call
104
213000
2000
Sie besteht aus zwei Teilen, die wir
03:50
an encoder and a transducer.
105
215000
2000
Encoder und Transducer nennen.
03:52
And so the encoder does just
106
217000
2000
Und der Encoder macht genau
03:54
what I was saying: it mimics the actions
107
219000
2000
wonach er klingt: er imitiert die Aktionen
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
der vorderseitigen Schaltungen - nimmt also Bilder
03:58
in and converts them into the retina's code.
109
223000
2000
und wandelt sie in den Code der Netzhaut um.
04:00
And then the transducer then makes the
110
225000
2000
Und der Transducer bringt dann die
04:02
output cells send the code on up
111
227000
2000
Ausgangszellen dazu, den Code an das
04:04
to the brain, and the result is
112
229000
2000
Gehirn weiterzuleiten, und das Ergebnis ist
04:06
a retinal prosthetic that can produce
113
231000
3000
eine Netzhautprothese, die einen normalen
04:09
normal retinal output.
114
234000
2000
Netzhaut-Output produziert.
04:11
So a completely blind retina,
115
236000
2000
Eine vollständig blinde Retina kann also,
04:13
even one with no front-end circuitry at all,
116
238000
2000
sogar ohne jegliche vorderseitige Schaltung,
04:15
no photoreceptors,
117
240000
2000
ohne Fotorezeptoren,
04:17
can now send out normal signals,
118
242000
2000
jetzt normale Signale aussenden,
04:19
signals that the brain can understand.
119
244000
3000
Signale, die das Gehirn verstehen kann.
04:22
So no other device has been able
120
247000
2000
Bisher war noch kein anderes Gerät
04:24
to do this.
121
249000
2000
hierzu imstande.
04:26
Okay, so I just want to take
122
251000
2000
Okay, ich möchte gerne
04:28
a sentence or two to say something about
123
253000
2000
einen oder zwei Sätze sagen über
04:30
the encoder and what it's doing, because
124
255000
2000
den Encoder und was er tut, denn
04:32
it's really the key part and it's
125
257000
2000
er ist das Schlüsselelement und
04:34
sort of interesting and kind of cool.
126
259000
2000
er ist ziemlich interessant und cool.
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
Ich bin nicht sicher, ob "cool" das richtige Wort ist
04:38
you know what I mean.
128
263000
2000
aber Sie verstehen schon.
04:40
So what it's doing is, it's replacing
129
265000
2000
Er ersetzt also
04:42
the retinal circuitry, really the guts of
130
267000
2000
die retinale Schaltung, also deren
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
Kernbestandteile durch einen Satz Gleichungen,
04:46
a set of equations that we can implement
132
271000
2000
die wir in einen Chip implementieren können.
04:48
on a chip. So it's just math.
133
273000
2000
Es ist also nur Mathematik.
04:50
In other words, we're not literally replacing
134
275000
3000
In anderen Worten, wir ersetzen nicht wirklich
04:53
the components of the retina.
135
278000
2000
die Bestandteile der Netzhaut.
04:55
It's not like we're making a little mini-device
136
280000
2000
Es ist nicht, als ob wir ein winziges Gerät
04:57
for each of the different cell types.
137
282000
2000
für jeden Zelltypen entwerfen.
04:59
We've just abstracted what the
138
284000
2000
Wir haben einfach abstrahiert,
05:01
retina's doing with a set of equations.
139
286000
2000
was die Retina mit Gleichungen tut.
05:03
And so, in a way, the equations are serving
140
288000
2000
Und so dienen diese Gleichungen gewissermaßen
05:05
as sort of a codebook. An image comes in,
141
290000
2000
als eine Art Codebuch. Ein Bild kommt an,
05:07
goes through the set of equations,
142
292000
3000
passiert die Gleichungen,
05:10
and out comes streams of electrical pulses,
143
295000
2000
und heraus kommen Ströme elektrischer Impulse,
05:12
just like a normal retina would produce.
144
297000
4000
wie sie eine normale Netzhaut produzieren würde.
05:16
Now let me put my money
145
301000
2000
Lassen Sie mich nun
05:18
where my mouth is and show you that
146
303000
2000
konkreter werden und Ihnen zeigen, dass
05:20
we can actually produce normal output,
147
305000
2000
wir tatsächlich einen normalen Output produzieren können,
05:22
and what the implications of this are.
148
307000
2000
und was die Auswirkungen hiervon sind.
05:24
Here are three sets of
149
309000
2000
Hier haben wir die drei
05:26
firing patterns. The top one is from
150
311000
2000
Sätze von Sequenzmustern. Das Obere ist
05:28
a normal animal, the middle one is from
151
313000
2000
von einem normalen Tier, das Mittlere ist
05:30
a blind animal that's been treated with
152
315000
2000
von einem blinden Tier, das mit dieser
05:32
this encoder-transducer device, and the
153
317000
2000
Encoder-Transducer-Prothese behandelt wurde,
05:34
bottom one is from a blind animal treated
154
319000
2000
und das Unterste ist von einem blinden, mit einer
05:36
with a standard prosthetic.
155
321000
2000
normalen Prothese behandelten Tier.
05:38
So the bottom one is the state-of-the-art
156
323000
2000
Das Unterste ist also das aktuelle
05:40
device that's out there right now, which is
157
325000
2000
Gerät, das gerade jetzt draußen ist, das
05:42
basically made up of light detectors,
158
327000
2000
im Grunde aus Lichtdetektoren besteht,
05:44
but no encoder. So what we did was we
159
329000
2000
aber keinem Encoder. Was wir also taten
05:46
presented movies of everyday things --
160
331000
2000
war Videos von alltäglichen Dingen abzuspielen --
05:48
people, babies, park benches,
161
333000
2000
Menschen, Babies, Parkbänke,
05:50
you know, regular things happening -- and
162
335000
2000
Sie wissen schon, normale Dinge, die passieren – und
05:52
we recorded the responses from the retinas
163
337000
2000
wir filmten die Reaktionen der Netzhäute
05:54
of these three groups of animals.
164
339000
2000
dieser Gruppen von Tieren.
05:56
Now just to orient you, each box is showing
165
341000
2000
Nur um Ihnen Orientierung zu geben, jeder Kasten
05:58
the firing patterns of several cells,
166
343000
2000
zeigt die Impulsmuster verschiedener Zellen,
06:00
and just as in the previous slides,
167
345000
2000
und genau wie auf den vorherigen Folien,
06:02
each row is a different cell,
168
347000
2000
ist jede Reihe eine andere Zelle,
06:04
and I just made the pulses a little bit smaller
169
349000
2000
und ich habe nur die Impulse ein wenig skaliert
06:06
and thinner so I could show you
170
351000
3000
und dünner gemacht, um Ihnen einen
06:09
a long stretch of data.
171
354000
2000
langen Datenstreifen zu zeigen.
06:11
So as you can see, the firing patterns
172
356000
2000
Wie Sie also sehen können, stimmen die
06:13
from the blind animal treated with
173
358000
2000
Impulsmuster der mit dem Encoder-Transducer
06:15
the encoder-transducer really do very
174
360000
2000
behandelten Tiere weitgehend mit den
06:17
closely match the normal firing patterns --
175
362000
2000
normalen Impulsmustern überein –
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
und sie sind nicht perfekt, aber ziemlich gut –
06:21
and the blind animal treated with
177
366000
2000
und bei dem blinden Tier, das mit der Standartprothese
06:23
the standard prosthetic,
178
368000
2000
behandelt wurde, tun das
06:25
the responses really don't.
179
370000
2000
die Antworten absolut nicht.
06:27
And so with the standard method,
180
372000
3000
Mit der Standardmethode also
06:30
the cells do fire, they just don't fire
181
375000
2000
feuern die Zellen, aber sie feuern nicht
06:32
in the normal firing patterns because
182
377000
2000
in den normalen Mustern, weil sie nicht
06:34
they don't have the right code.
183
379000
2000
den richtigen Code haben.
06:36
How important is this?
184
381000
2000
Wie wichtig ist das?
06:38
What's the potential impact
185
383000
2000
Was ist die mögliche Auswirkung
06:40
on a patient's ability to see?
186
385000
3000
auf das Sehvermögen des Patienten?
06:43
So I'm just going to show you one
187
388000
2000
Ich werde Ihnen jetzt ein Experiment zeigen,
06:45
bottom-line experiment that answers this,
188
390000
2000
das uns diese Frage beantwortet,
06:47
and of course I've got a lot of other data,
189
392000
2000
und natürlich habe ich noch viele andere Daten,
06:49
so if you're interested I'm happy
190
394000
2000
wenn Sie also interessiert sind, zeige ich
06:51
to show more. So the experiment
191
396000
2000
gerne mehr. Das Experiment
06:53
is called a reconstruction experiment.
192
398000
2000
ist ein Rekonstruktionsexperiment.
06:55
So what we did is we took a moment
193
400000
2000
Also, wir nahmen uns einen Zeitpunkt
06:57
in time from these recordings and asked,
194
402000
3000
während dieser Aufnahmen und fragten uns,
07:00
what was the retina seeing at that moment?
195
405000
2000
was die Netzhaut in diesem Moment sah.
07:02
Can we reconstruct what the retina
196
407000
2000
Können wir rekonstruieren, was die Netzhaut
07:04
was seeing from the responses
197
409000
2000
von den Antworten der
07:06
from the firing patterns?
198
411000
2000
Impulsmuster sah?
07:08
So, when we did this for responses
199
413000
3000
Das haben wir also mit den Antworten
07:11
from the standard method and from
200
416000
3000
der Standardmethode und unseres
07:14
our encoder and transducer.
201
419000
2000
Encoders und Transducers getan.
07:16
So let me show you, and I'm going to
202
421000
2000
Lassen Sie mich Ihnen das zeigen,
07:18
start with the standard method first.
203
423000
2000
ich werde mit der Standardmethode beginnen.
07:20
So you can see that it's pretty limited,
204
425000
2000
Sie können sehen, dass sie recht eingeschränkt ist,
07:22
and because the firing patterns aren't
205
427000
2000
und weil diese Impulsmuster nicht im
07:24
in the right code, they're very limited in
206
429000
2000
richtigen Code sind, sind sie sehr
07:26
what they can tell you about
207
431000
2000
eingeschränkt darin uns zu sagen,
07:28
what's out there. So you can see that
208
433000
2000
was da draußen ist. Sie sehen also, dass
07:30
there's something there, but it's not so clear
209
435000
2000
da etwas ist, aber es ist nicht wirklich klar,
07:32
what that something is, and this just sort of
210
437000
2000
was dieses Etwas ist, und damit kommen wir
07:34
circles back to what I was saying in the
211
439000
2000
wieder zu dem, was ich am Anfang sagte:
07:36
beginning, that with the standard method,
212
441000
2000
dass Patienten mit der Standardmethode
07:38
patients can see high-contrast edges, they
213
443000
2000
hochkontrastige Umrisse erkennen können,
07:40
can see light, but it doesn't easily go
214
445000
2000
Licht sehen können, aber es geht nicht
07:42
further than that. So what was
215
447000
2000
weiter als das. Was war das also
07:44
the image? It was a baby's face.
216
449000
3000
für ein Bild? Es war ein Babygesicht.
07:47
So what about with our approach,
217
452000
2000
Wie sieht es also mit unserem Ansatz aus,
07:49
adding the code? And you can see
218
454000
2000
den Code zu addieren? Sie können sehen,
07:51
that it's much better. Not only can you
219
456000
2000
dass es so viel besser ist. Nicht nur können Sie
07:53
tell that it's a baby's face, but you can
220
458000
2000
das Babygesicht erkennen, Sie können sogar
07:55
tell that it's this baby's face, which is a
221
460000
2000
erkennen, dass es das Gesicht dieses Babies ist,
07:57
really challenging task.
222
462000
2000
eine wirkliche Herausforderung.
07:59
So on the left is the encoder
223
464000
2000
Links ist also der Encoder alleine,
08:01
alone, and on the right is from an actual
224
466000
2000
und rechts sehen sie eine blinde Netzhaut,
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
also Encoder und Transducer.
08:05
But the key one really is the encoder alone,
226
470000
2000
Aber der entscheidende Faktor ist wirklich der Encoder,
08:07
because we can team up the encoder with
227
472000
2000
weil wir den Encoder mit dem anderen Transducer
08:09
the different transducer.
228
474000
2000
zusammenbringen können.
08:11
This is just actually the first one that we tried.
229
476000
2000
Dieser hier ist der erste, den wir ausprobiert haben.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Ich wollte nur etwas zur Standardmethode sagen
08:15
When this first came out, it was just a really
231
480000
2000
Als sie zunächst rauskam, war es eine
08:17
exciting thing, the idea that you
232
482000
2000
wirklich aufregende Sache, die Idee, dass
08:19
even make a blind retina respond at all.
233
484000
3000
man eine blinde Retina überhaupt anregen konnte.
08:22
But there was this limiting factor,
234
487000
3000
Aber es gab den limitierenden Faktor,
08:25
the issue of the code, and how to make
235
490000
2000
das Problem mit dem Code, und wie man
08:27
the cells respond better,
236
492000
2000
Zellen besser antworten lassen konnte,
08:29
produce normal responses,
237
494000
2000
um normale Reaktionen zu bewirken,
08:31
and so this was our contribution.
238
496000
2000
und das war also unser Beitrag.
08:33
Now I just want to wrap up,
239
498000
2000
Jetzt möchte ich nur zusammenfassen,
08:35
and as I was mentioning earlier
240
500000
2000
und wie ich früher schon erwähnte,
08:37
of course I have a lot of other data
241
502000
2000
habe ich natürlich noch viele Daten,
08:39
if you're interested, but I just wanted to give
242
504000
2000
falls Sie interessiert sind, aber ich wollte nur
08:41
this sort of basic idea
243
506000
2000
diese grundlegenden Daten geben,
08:43
of being able to communicate
244
508000
3000
in der Lage zu sein, mit dem Gehirn
08:46
with the brain in its language, and
245
511000
2000
in seiner Sprache zu kommunizieren,
08:48
the potential power of being able to do that.
246
513000
3000
und den potentiellen Möglichkeiten, die sich daraus ergeben.
08:51
So it's different from the motor prosthetics
247
516000
2000
Es ist hier anders als mit Bewegungsprothesen,
08:53
where you're communicating from the brain
248
518000
2000
wenn wir vom Gehirn aus mit einem Gerät
08:55
to a device. Here we have to communicate
249
520000
2000
kommunizieren. Hier müssen wir von
08:57
from the outside world
250
522000
2000
der Außenwelt aus in das Gehirn
08:59
into the brain and be understood,
251
524000
2000
kommunizieren und vom Gehirn
09:01
and be understood by the brain.
252
526000
2000
verstanden werden.
09:03
And then the last thing I wanted
253
528000
2000
Und zuletzt wollte ich
09:05
to say, really, is to emphasize
254
530000
2000
betonen, wirklich hervorheben,
09:07
that the idea generalizes.
255
532000
2000
dass die Idee Grundlagen schafft.
09:09
So the same strategy that we used
256
534000
2000
Also dieselbe Strategie, die wir benutzten,
09:11
to find the code for the retina we can also
257
536000
2000
um den Code der Netzhaut zu finden, können wir auch
09:13
use to find the code for other areas,
258
538000
2000
nutzen, um den Code für andere Bereiche zu finden,
09:15
for example, the auditory system and
259
540000
2000
wie zum Beispiel das auditive System und
09:17
the motor system, so for treating deafness
260
542000
2000
das motorische System, also um Taubheit
09:19
and for motor disorders.
261
544000
2000
und motorische Schäden zu heilen.
09:21
So just the same way that we were able to
262
546000
2000
Genauso wie wir in der Lage waren, die
09:23
jump over the damaged
263
548000
2000
beschädigten Areale zu umgehen,
09:25
circuitry in the retina to get to the retina's
264
550000
2000
um zu den Ausgangszellen der Netzhaut zu gelangen,
09:27
output cells, we can jump over the
265
552000
2000
können wir über beschädigte Verschaltungen
09:29
damaged circuitry in the cochlea
266
554000
2000
im Innenohr springen,
09:31
to get the auditory nerve,
267
556000
2000
um zum Hörnerv zu gelangen,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
oder wir springen über beschädigte Areale des Kortex,
09:35
in the motor cortex, to bridge the gap
269
560000
3000
um im motorischen Kortex um eine Lücke zu schließen,
09:38
produced by a stroke.
270
563000
2000
die ein Schlaganfall verursacht hat.
09:40
I just want to end with a simple
271
565000
2000
Ich möchte gern abschließen mit der einfachen
09:42
message that understanding the code
272
567000
2000
Nachricht, dass den Code zu verstehen
09:44
is really, really important, and if we
273
569000
2000
wirklich sehr sehr wichtig ist, und wenn wir
09:46
can understand the code,
274
571000
2000
den Code verstehen können,
09:48
the language of the brain, things become
275
573000
2000
die Sprache des Gehirns, werden Dinge
09:50
possible that didn't seem obviously
276
575000
2000
möglich, die bisher offenbar nicht
09:52
possible before. Thank you.
277
577000
2000
möglich waren. Danke.
09:54
(Applause)
278
579000
5000
(Beifall)
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com