TED2016
Riccardo Sabatini: How to read the genome and build a human being
Ρικάρντο Σαμπατίνι: Πώς διαβάζουμε το γονιδίωμα και οικοδομούμε το ανθρώπινο ον
Filmed:
Readability: 3.6
1,834,677 views
Μυστικά, ασθένεια και ομορφιά είναι όλα γραμμένα στο ανθρώπινο γονιδίωμα, το πλήρες σύνολο των γενετικών οδηγιών που απαιτούνται για την κατασκευή του ανθρώπινου όντος. Σήμερα, ο επιστήμονας και επιχειρηματίας Ρικάρντο Σαμπατίνι, μας δείχνει ότι έχουμε τη δύναμη να διαβάσουμε αυτόν τον πολύπλοκο κώδικα προβλέποντας πράγματα όπως το ύψος, το χρώμα των ματιών, την ηλικία, ακόμα και τη δομή του προσώπου - όλα από ένα φιαλίδιο αίματος. Σύντομα, ο Σαμπατίνι αναφέρει, η νέα αντίληψη του γονιδιώματος θα μας επιτρέψει να εξατομικεύσουμε θεραπείες για ασθένειες όπως τον καρκίνο. Έχουμε τη δύναμη να αλλάξουμε τη ζωή όπως την ξέρουμε. Πώς θα χρησιμοποιήσουμε αυτή τη δύναμη;
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Double-click the English transcript below to play the video.
Για τα επόμενα 16 λεπτά,
θα σας πάω ένα ταξίδι,
θα σας πάω ένα ταξίδι,
00:12
For the next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
το οποίο αποτελεί πιθανότατα
το μεγαλύτερο όνειρο της ανθρωπότητας:
το μεγαλύτερο όνειρο της ανθρωπότητας:
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
00:18
to understand the code of life.
2
6508
2015
στην κατανόηση του κώδικα της ζωής.
Όσον αφορά εμένα,
όλα ξεκίνησαν πριν πολλά χρόνια
όλα ξεκίνησαν πριν πολλά χρόνια
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
00:23
when I met the first 3D printer.
4
11839
2723
όταν είδα τον πρώτο τρισδιάστατο εκτυπωτή.
00:26
The concept was fascinating.
5
14586
1674
Η ιδεά ήταν συναρπαστική.
00:28
A 3D printer needs three elements:
6
16284
2022
Ένας 3D εκτυπωτής
χρειάζεται τρία στοιχεία:
χρειάζεται τρία στοιχεία:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
μερικές πληροφορίες,
κάποια πρώτη ύλη, λίγη ενέργεια
κάποια πρώτη ύλη, λίγη ενέργεια
και μπορεί να παράγει οποιοδήποτε
αντικείμενο που δεν υπήρχε πριν.
αντικείμενο που δεν υπήρχε πριν.
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Σπούδαζα φυσική, επέστρεφα στο σπίτι,
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
και αντιλήφθηκα πως στην πραγματικότητα
πάντα γνώριζα έναν 3D εκτυπωτή.
πάντα γνώριζα έναν 3D εκτυπωτή.
00:44
And everyone does.
11
32140
1336
Ο καθένας μας γνωρίζει.
00:45
It was my mom.
12
33500
1158
Ήταν η μαμά μου.
(Γέλια)
(Γέλια)
00:46
(Laughter)
13
34682
1001
Η μητέρα μου χρειάζεται τρία στοιχεία:
00:47
My mom takes three elements:
14
35707
2414
λίγες πληροφορίες,
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
που εν προκειμένω είναι θέμα
του πατέρα και της μητέρας μου,
του πατέρα και της μητέρας μου,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
πρώτες ύλες και ενέργεια
στο ίδιο το μέσο, που είναι το φαγητό,
στο ίδιο το μέσο, που είναι το φαγητό,
00:58
and after several months, produces me.
17
46323
2508
και μετά από αρκετούς μήνες παράγει εμένα.
01:00
And I was not existent before.
18
48855
1812
Εγώ δεν υπήρχα πριν.
Έτσι, πέρα από το σοκ της ανακάλυψης
ότι η μητέρα μου ήταν ένας 3D εκτυπωτής
ότι η μητέρα μου ήταν ένας 3D εκτυπωτής
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
γοητεύτηκα αμέσως από εκείνο το κομμάτι,
01:11
the first one, the information.
21
59239
1717
το πρώτο, τις πληροφορίες.
01:12
What amount of information does it take
22
60980
2251
Τι ποσότητα πληροφοριών χρειάζεται
για να κατασκευαστεί ένας άνθρωπος;
01:15
to build and assemble a human?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
Χρειάζεται πολλές; Λίγες;
01:18
How many thumb drives can you fill?
25
66813
2180
Πόσα στικάκια usb μπορείτε να γεμίσετε;
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Σπούδαζα φυσική και στην αρχή
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
προσέγγισα τον άνθρωπο
σαν ένα γιγάντιο τουβλάκι lego.
σαν ένα γιγάντιο τουβλάκι lego.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Φανταστείτε ότι τα δομικά στοιχεία
είναι μικρά άτομα
είναι μικρά άτομα
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
και υπάρχει ένα άτομο υδρογόνου εδώ,
ένα άνθρακα εδώ κι ένα αζώτου εδώ.
ένα άνθρακα εδώ κι ένα αζώτου εδώ.
01:37
So in the first approximation,
30
85772
1571
Στην πρώτη προσέγγιση,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
αν μπορώ να απαριθμήσω
τον αριθμό των ατόμων
τον αριθμό των ατόμων
που συνθέτουν ένα ανθρώπινο ον,
μπορώ να το κατασκευάσω.
01:43
I can build it.
32
91734
1387
01:45
Now, you can run some numbers
33
93145
2029
Τώρα, μπορείτε να τρέξετε κάποια νούμερα
και αυτό που συμβαίνει είναι
ένας αρκετά εκπληκτικός αριθμός.
ένας αρκετά εκπληκτικός αριθμός.
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
01:50
So the number of atoms,
35
98499
2757
Ο αριθμός των ατόμων,
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
το αρχείο στο οποίο θα σώσω στο usb μου
για να συναρμολογήσω έναν μικρό μωρό,
για να συναρμολογήσω έναν μικρό μωρό,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
θα γεμίσει στην πραγματικότητα
έναν ολόκληρο Τιτανικό από στικάκια -
έναν ολόκληρο Τιτανικό από στικάκια -
πολλαπλασιαζόμενα 2.000 φορές.
02:02
multiplied 2,000 times.
38
110750
2718
02:05
This is the miracle of life.
39
113957
3401
Αυτό είναι το θαύμα της ζωής.
Κάθε φορά που από δω και στο εξής
θα βλέπετε μια έγκυο γυναίκα,
θα βλέπετε μια έγκυο γυναίκα,
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
αποτελεί τη μεγαλύτερη συγκέντρωση
ποσότητας πληροφοριών
ποσότητας πληροφοριών
02:14
that you will ever encounter.
42
122898
1556
που θα συναντήσετε ποτέ σας.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Ξεχάστε τα μεγάλα δεδομένα,
ξεχάστε ό,τι έχετε ακούσει.
ξεχάστε ό,τι έχετε ακούσει.
Αυτή είναι η μεγαλύτερη
ποσότητα πληροφορίων που υπάρχει.
ποσότητα πληροφορίων που υπάρχει.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
02:22
(Applause)
45
130357
3833
(Χειροκρότημα)
Όμως...
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
ευτυχώς, η φύση είναι πολύ
πιο έξυπνη από έναν νεαρό φυσικό,
πιο έξυπνη από έναν νεαρό φυσικό,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
και σε τέσσερα δις χρόνια κατάφερε
να συσκευάσει αυτές τις πληροφορίες
να συσκευάσει αυτές τις πληροφορίες
02:34
in a small crystal we call DNA.
48
142482
2705
σε έναν μικρό κρύσταλλο που καλούμε DNA.
Τον γνωρίσαμε για πρώτη φορά το 1950
όταν η Ρόζαλιντ Φράνκλιν,
όταν η Ρόζαλιντ Φράνκλιν,
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
μια εκπληκτική επιστήμων και γυναίκα,
τον φωτογράφισε.
τον φωτογράφισε.
02:41
an amazing scientist, a woman,
50
149941
1556
02:43
took a picture of it.
51
151521
1389
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
Αλλά μας πήρε περισσότερα από 40 χρόνια
για να εισέλθουμε τελικά
μέσα σε ένα ανθρώπινο κύτταρο,
μέσα σε ένα ανθρώπινο κύτταρο,
02:50
take out this crystal,
53
158146
1602
να εξάγουμε αυτόν τον κρύσταλλο,
02:51
unroll it, and read it for the first time.
54
159772
3080
να τον ξεδιπλώσουμε και
να τον διαβάσουμε για πρώτη φορά.
να τον διαβάσουμε για πρώτη φορά.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
Ο κώδικας αποδεικνύεται ότι είναι
ένα αρκετά απλό αλφάβητο
ένα αρκετά απλό αλφάβητο
τεσσάρων γραμμάτων:
A, T, C και G.
A, T, C και G.
02:58
four letters: A, T, C and G.
56
166880
3772
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Για να κατασκευάσετε έναν άνθρωπο
χρειάζεστε τρία δις από αυτά.
χρειάζεστε τρία δις από αυτά.
Τρία δισεκατομμύρια.
03:06
Three billion.
58
174933
1179
Πόσα είναι τρία δισεκατομμύρια;
03:08
How many are three billion?
59
176136
1579
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Δεν μας κάνει κάποια αίσθηση
ως αριθμός, σωστά;
ως αριθμός, σωστά;
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Έτσι, σκεφτόμουν πώς θα μπορούσα
να εξηγήσω στον εαυτό μου καλύτερα
να εξηγήσω στον εαυτό μου καλύτερα
03:16
about how big and enormous this code is.
62
184634
3050
σχετικά με το πόσο μεγάλος
και τεράστιος είναι αυτός ο κώδικας.
και τεράστιος είναι αυτός ο κώδικας.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Όμως υπάρχει - εννοώ
πρόκειται να έχω κάποια βοήθεια,
πρόκειται να έχω κάποια βοήθεια,
και το καλύτερο άτομο για να με βοηθήσει
να εισαγάγω τον κώδικα
να εισαγάγω τον κώδικα
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
ειναι ο πρώτος άνθρωπος
που το προσδιόρισε, ο Δρ. Κρεγκ Βέντερ.
που το προσδιόρισε, ο Δρ. Κρεγκ Βέντερ.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Ας υποδεχτούμε στη σκηνή
τον Δρ. Κρεγκ Βέντερ.
τον Δρ. Κρεγκ Βέντερ.
(Χειροκρότημα)
03:32
(Applause)
67
200997
6931
03:39
Not the man in the flesh,
68
207952
2256
Δεν είναι ο ίδιος αυτοπροσώπως,
αλλά για πρώτη φορά στην ιστορία
03:43
but for the first time in history,
69
211448
2345
03:45
this is the genome of a specific human,
70
213817
3462
είναι το γονιδίωμα
ενός συγκεκριμένου ανθρώπου,
ενός συγκεκριμένου ανθρώπου,
εκτυπωμένο σελίδα προς σελίδα,
γράμμα προς γράμμα,
γράμμα προς γράμμα,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
03:53
262,000 pages of information,
72
221087
3996
262.000 χιλιάδες σελίδες πληροφοριών,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 κιλά απεστάλησαν
από τις ΗΠΑ στον Καναδά
από τις ΗΠΑ στον Καναδά
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
χάρη στον Μπρούνο Μπόουντεν
από την Lulu.com,
από την Lulu.com,
ένας νέος επιχειρηματίας τα έκανε όλα.
Ήταν ένα εκπληκτικό κατόρθωμα.
04:06
It was an amazing feat.
75
234362
1463
Όμως, αυτή είναι η οπτική αντίληψη
για το τι είναι ο κώδικας της ζωής.
για το τι είναι ο κώδικας της ζωής.
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Για πρώτη φορά
μπορώ να κάνω κάτι διασκεδαστικό.
μπορώ να κάνω κάτι διασκεδαστικό.
04:14
I can actually poke inside it and read.
78
242672
2547
Μπορώ πράγματι να εισέλθω σε αυτόν
και να τον διαβάσω.
και να τον διαβάσω.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Επιτρέψτε μου να πάρω
ένα ενδιαφέρον βιβλίο... όπως αυτό.
ένα ενδιαφέρον βιβλίο... όπως αυτό.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Έχω βάλει μια σημείωση·
είναι ένα αρκετά μεγάλο βιβλίο.
είναι ένα αρκετά μεγάλο βιβλίο.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Έτσι, απλά για να σας αφήσω να δείτε
τι είναι ο κώδικας της ζωής.
τι είναι ο κώδικας της ζωής.
Πάρα πολλές χιλιάδες
04:32
Thousands and thousands and thousands
82
260566
3391
04:35
and millions of letters.
83
263981
2670
και εκατομμύρια γράμματα.
04:38
And they apparently make sense.
84
266675
2396
Προφανώς έχουν νόημα.
04:41
Let's get to a specific part.
85
269095
1757
Ας πάμε σε ένα συγκεκριμένο μέρος.
04:43
Let me read it to you:
86
271571
1362
Επιτρέψτε μου να σας το διαβάσω:
04:44
(Laughter)
87
272957
1021
(Γέλια)
«AAG, AAT, ATA»
04:46
"AAG, AAT, ATA."
88
274002
4006
Σας ακούγονται σαν σιωπηλά γράμματα,
04:50
To you it sounds like mute letters,
89
278965
2067
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
αλλά αυτή η ακολουθία εκφράζει
το χρώμα των ματιών του Κρεγκ.
το χρώμα των ματιών του Κρεγκ.
Θα σας δείξω ένας άλλο μέρος του βιβλίου.
04:57
I'll show you another part of the book.
91
285633
1932
Αυτό είναι πράγματι λίγο πιο πολύπλοκο.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
05:02
Chromosome 14, book 132:
93
290983
2647
Χρωμόσωμα 14, βιβλίο 132:
(Γέλια)
(Γέλια)
05:05
(Laughter)
94
293654
2090
05:07
As you might expect.
95
295768
1277
Όπως μπορείτε να φανταστείτε.
05:09
(Laughter)
96
297069
3466
(Γέλια)
«ATT, CTT, GATT»
05:14
"ATT, CTT, GATT."
97
302857
4507
Αυτός ο άνθρωπος είναι τυχερός
05:20
This human is lucky,
98
308329
1687
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
επειδή εάν χάσετε μόλις
δύο γράμματα σε αυτή τη θέση
δύο γράμματα σε αυτή τη θέση
-δύο από τα τρία δισεκατομμύρια-
05:26
two letters of our three billion --
100
314581
1877
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
θα αποκτήσει μια τρομερή ασθένεια:
την κυστική ίνωση.
την κυστική ίνωση.
05:30
cystic fibrosis.
102
318525
1440
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
Δεν έχουμε θεραπεία γι' αυτήν,
δεν ξέρουμε πώς να τη διορθώσουμε,
δεν ξέρουμε πώς να τη διορθώσουμε,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
και είναι μόλις δύο γράμματα
διαφορά από αυτό που είμαστε.
διαφορά από αυτό που είμαστε.
Ένα θαυμάσιο βιβλίο, ένα ισχυρό βιβλίο,
05:39
A wonderful book, a mighty book,
105
327585
2705
05:43
a mighty book that helped me understand
106
331115
1998
ένα βιβλίο που με βοήθησε να καταλάβω
05:45
and show you something quite remarkable.
107
333137
2753
και να σας δείξω κάτι αρκετά αξιοσημείωτο.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Ο κάθε ένας από εσάς
-αυτό που μας κάνει ό,τι είμαστε-
-αυτό που μας κάνει ό,τι είμαστε-
είναι μόλις πέντε εκατομμύρια
από αυτά τα γράμματα,
από αυτά τα γράμματα,
05:52
is just about five million of these,
109
340939
2954
05:55
half a book.
110
343917
1228
το μισό βιβλίο.
Στα υπόλοιπα
05:58
For the rest,
111
346015
1663
είμαστε όλοι απολύτως όμοιοι.
05:59
we are all absolutely identical.
112
347702
2562
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Πεντακόσιες σελίδες είναι
το θαύμα της ζωής το οποίο είστε.
το θαύμα της ζωής το οποίο είστε.
06:07
The rest, we all share it.
114
355050
2531
Τα υπόλοιπα τα μοιραζόμαστε όλοι.
Σκεφτείτε το αυτό ξανά
όταν νομίζετε πώς είμαστε διαφορετικοί.
όταν νομίζετε πώς είμαστε διαφορετικοί.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
06:12
This is the amount that we share.
116
360538
2221
Αυτή είναι η ποσότητα που μοιραζόμαστε.
06:15
So now that I have your attention,
117
363441
3429
Λοιπόν...
τώρα που έχω την προσοχή σας
06:18
the next question is:
118
366894
1359
η επόμενη ερώτηση είναι:
Πώς μπορώ να το διαβάσω αυτό;
Πώς μπορώ να βγάλω νόημα από αυτό;
Πώς μπορώ να βγάλω νόημα από αυτό;
06:20
How do I read it?
119
368277
1151
06:21
How do I make sense out of it?
120
369452
1509
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Όσο καλά και να μπορείτε
να συναρμολογήσετε σουηδικά έπιπλα,
να συναρμολογήσετε σουηδικά έπιπλα,
αυτό το εγχειρίδιο οδηγιών
δεν θα το καταλάβετε ούτε σε μία ζωή.
δεν θα το καταλάβετε ούτε σε μία ζωή.
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
06:31
(Laughter)
123
379260
1603
(Γέλια)
Έτσι, το 2014, δύο διάσημα μέλη του TED
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
ο Πήτερ Διαμαντής
και ο ίδιος ο Κρεγκ Βέντερ
και ο ίδιος ο Κρεγκ Βέντερ
αποφάσισαν να δημιουργήσουν
μια νέα εταιρεία.
μια νέα εταιρεία.
06:38
decided to assemble a new company.
126
386587
1927
06:40
Human Longevity was born,
127
388538
1412
Η «Προσδόκιμο Ζωής» γεννήθηκε
με μια αποστολή:
με μια αποστολή:
06:41
with one mission:
128
389974
1370
06:43
trying everything we can try
129
391368
1861
να δοκιμάσουμε οτιδήποτε μπορούμε
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
και να μάθουμε οτιδήποτε μπορούμε
από αυτά τα βιβλία
από αυτά τα βιβλία
06:48
with one target --
131
396036
1705
με ένα στόχο -
να κάνουμε πραγματικότητα το όνειρο
της εξατομικευμένης ιατρικής,
της εξατομικευμένης ιατρικής,
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
να κατανοήσουμε ποια πράγματα
θα πρέπει να γίνουν για καλύτερη υγεία
θα πρέπει να γίνουν για καλύτερη υγεία
06:57
and what are the secrets in these books.
134
405478
2283
και ποια είναι τα μυστικά
σε αυτά τα βιβλία.
σε αυτά τα βιβλία.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Μια εκπληκτική ομάδα από 40 επιστήμονες
δεδομένων και πάρα πολλοί άνθρωποι,
δεδομένων και πάρα πολλοί άνθρωποι,
που χαίρεσαι να δουλεύεις μαζί τους.
07:04
a pleasure to work with.
136
412603
1350
07:05
The concept is actually very simple.
137
413977
2253
Η ιδέα είναι πραγματικά πολύ απλή.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Θα χρησιμοποιήσουμε μια τεχνολογία
που λέγεται «εκμάθηση μηχανών».
που λέγεται «εκμάθηση μηχανών».
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Από τη μια πλευρά έχουμε γονιδιώματα -
χιλιάδες από αυτά.
χιλιάδες από αυτά.
Από την άλλη πλευρά συλλέξαμε
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
τη μεγαλύτερη βάση δεδομένων
των ανθρώπινων όντων:
των ανθρώπινων όντων:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
φαινότυποι, 3D εκτυπωτής,
Φασματοσκοπία NMR -
Φασματοσκοπία NMR -
οτιδήποτε μπορείτε να σκεφτείτε.
07:24
Inside there, on these two opposite sides,
142
432340
2899
Τα εισάγουμε μέσα,
σε αυτές τις δύο αντικείμενες πλευρές,
σε αυτές τις δύο αντικείμενες πλευρές,
07:27
there is the secret of translation.
143
435263
2442
αυτό είναι το μυστικό της μετάφρασης.
07:29
And in the middle, we build a machine.
144
437729
2472
Στη μέση, κατασκευάζουμε ένα μηχάνημα.
Κατασκευάζουμε ένα μηχάνημα
και το εκπαιδεύουμε
και το εκπαιδεύουμε
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
-καλά, όχι ακριβώς ένα μηχάνημα,
αλλά παρά πολλά-
αλλά παρά πολλά-
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
και προσπαθούμε να καταλάβουμε
και να μεταφράσουμε
και να μεταφράσουμε
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
το γονιδίωμα σε ένα φαινότυπο.
Τι είναι αυτά τα γράμματα
και τι κάνουν;
και τι κάνουν;
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Είναι μια προσέγγιση που μπορεί
να χρησιμοποιηθεί για οτιδήποτε
να χρησιμοποιηθεί για οτιδήποτε
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
αλλά χρησιμοποιούμενη στη γονιδιωματική
είναι ιδιαίτερα περίπλοκη.
είναι ιδιαίτερα περίπλοκη.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Σιγά σιγά αναπτυχθήκαμε
θέτοντας διαφορετικές προκλήσεις.
θέτοντας διαφορετικές προκλήσεις.
Ξεκινήσαμε από την αρχή,
από κοινά γνωρίσματα.
από κοινά γνωρίσματα.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Τα κοινά γνωρίσματα είναι βολικά
επειδή είναι κοινά,
επειδή είναι κοινά,
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
08:01
everyone has them.
154
469197
1184
ο καθένας μας τα έχει.
08:02
So we started to ask our questions:
155
470405
2494
Έτσι, ξεκινήσαμε τις ερωτήσεις:
08:04
Can we predict height?
156
472923
1380
Μπορούμε να προβλέψουμε το ύψος;
Μπορούμε να διαβάσουμε τα βιβλία
και το ύψος σας;
και το ύψος σας;
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Μπορούμε πράγματι να το κάνουμε
με ακρίβεια πέντε εκατοστών;
με ακρίβεια πέντε εκατοστών;
08:09
Well, we actually can,
158
477186
1151
08:10
with five centimeters of precision.
159
478361
1793
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
Ο Δείκτης Μάζας Σώματος
συνδέεται αρκετά με τον τρόπο ζωής σας,
συνδέεται αρκετά με τον τρόπο ζωής σας,
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
όμως μπορούμε να έχουμε χονδρικά
ακρίβεια οκτώ κιλών.
ακρίβεια οκτώ κιλών.
08:19
Can we predict eye color?
162
487225
1231
Να προβλέψουμε το χρώμα
των ματιών;
των ματιών;
08:20
Yeah, we can.
163
488480
1158
Ναι μπορούμε, με 80% ακρίβεια.
08:21
Eighty percent accuracy.
164
489662
1324
08:23
Can we predict skin color?
165
491466
1858
Να προβλέψουμε το χρώμα του δέρματος;
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Ναι μπορούμε, με 80% ακρίβεια.
08:27
Can we predict age?
167
495813
1340
Να προβλέψουμε την ηλικία;
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Μπορούμε, διότι προφανώς ο κώδικας
αλλάζει κατά τη διάρκεια της ζωής σας.
αλλάζει κατά τη διάρκεια της ζωής σας.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Γίνεται συντομότερος, χάνετε κομμάτια
γίνονται προσθήκες.
γίνονται προσθήκες.
08:37
We read the signals, and we make a model.
170
505190
2555
Διαβάζουμε τα σήματα
και κάνουμε ένα μοντέλο.
και κάνουμε ένα μοντέλο.
Τώρα, μια ενδιαφέρουσα πρόκληση:
08:40
Now, an interesting challenge:
171
508438
1475
08:41
Can we predict a human face?
172
509937
1729
Μπορούμε να προβλέψουμε
ένα ανθρώπινο πρόσωπο;
ένα ανθρώπινο πρόσωπο;
Είναι λίγο περίπλοκο
επειδή ένα ανθρώπινο πρόσωπο
επειδή ένα ανθρώπινο πρόσωπο
08:45
It's a little complicated,
173
513014
1278
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
είναι διάσπαρτο σε εκατομμύρια
από τα γράμματα,
από τα γράμματα,
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
και δεν είναι ένα
καλά καθορισμένο αντικείμενο.
καλά καθορισμένο αντικείμενο.
08:52
So, we had to build an entire tier of it
176
520184
2051
Έπρεπε να χτίσουμε μια ολόκληρη σειρά,
να μάθουμε και να διδάξουμε
στο μηχάνημα τι είναι πρόσωπο,
στο μηχάνημα τι είναι πρόσωπο,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
08:56
and embed and compress it.
178
524993
2037
να το ενσωματώσουμε και να το συμπιέσουμε.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Εάν είστε άνετοι με μια μηχανή εκμάθησης
καταλαβαίνετε τι πρόκληση υπάρχει εδώ.
καταλαβαίνετε τι πρόκληση υπάρχει εδώ.
09:01
you understand what the challenge is here.
180
529326
2284
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Μετά από 15 χρόνια
διαβάσαμε την πρώτη ακολουθία,
διαβάσαμε την πρώτη ακολουθία,
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
αυτόν τον Οκτώβριο
αρχίσαμε να βλέπουμε κάποιες λήψεις.
αρχίσαμε να βλέπουμε κάποιες λήψεις.
09:13
And it was a very emotional moment.
183
541049
2455
Ήταν μια πολύ συναισθηματική στιγμή.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Εδώ βλέπετε ένα αντικείμενο
που ήρθε στο εργαστήριό μας.
που ήρθε στο εργαστήριό μας.
09:19
This is a face for us.
185
547619
1928
Αυτό είναι ένα πρόσωπο για εμάς.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Παίρνουμε το πραγματικό πρόσωπο
και μειώνουμε την πολυπλοκότητα
και μειώνουμε την πολυπλοκότητα
επειδή δεν είναι όλα τέλεια
στο πρόσωπό σας -
στο πρόσωπό σας -
09:25
because not everything is in your face --
187
553226
1970
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
πολλά χαρακτηριστικά, ατέλειες και
ασυμμετρίες προέρχονται από το πώς ζείτε.
ασυμμετρίες προέρχονται από το πώς ζείτε.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Κάνουμε συμμετρικό το πρόσωπο
και τρέχουμε τον αλγόριθμό μας.
και τρέχουμε τον αλγόριθμό μας.
09:35
The results that I show you right now,
190
563245
1898
Τα αποτελέσματα, που θα σας δείξω,
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
αποτελούν την πρόβλεψη
που κάναμε από το αίμα.
που κάναμε από το αίμα.
09:41
(Applause)
192
569596
1524
(Χειροκρότημα)
Περιμένετε λίγο.
09:43
Wait a second.
193
571144
1435
Σε αυτά τα δευτερόλεπτα τα μάτια σας
κοιτούν αριστερά και δεξιά συνεχώς
κοιτούν αριστερά και δεξιά συνεχώς
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
και ο εγκέφαλός σας επιθυμεί
αυτές οι εικόνες να είναι πανομοιότυπες.
αυτές οι εικόνες να είναι πανομοιότυπες.
Θα σας ζητήσω να κάνετε ακόμα μια άσκηση,
για να είμαι ειλικρινής.
για να είμαι ειλικρινής.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
09:55
Please search for the differences,
197
583743
2287
Παρακαλώ αναζητήστε τις διαφορές,
09:58
which are many.
198
586054
1361
οι οποίες είναι πολλές.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
Η μεγαλύτερη ποσότητα σήματος
προέρχεται από το φύλο,
προέρχεται από το φύλο,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
ύστερα πάει η ηλικία, ο Δ.Μ.Σ.
και η εθνικότητα ενός ανθρώπου.
και η εθνικότητα ενός ανθρώπου.
Η μεγέθυνση κατά τη διάρκεια του σήματος
είναι πολύ πιο περίπλοκη.
είναι πολύ πιο περίπλοκη.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Όμως, αυτό που βλέπετε εδώ,
ακόμα και στις διαφορές,
ακόμα και στις διαφορές,
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
σας επιτρέπει να καταλάβετε
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
ότι είμαστε χονδρικά στους σωστούς
υπολογισμούς και τους πλησιάζουμε συνεχώς.
υπολογισμούς και τους πλησιάζουμε συνεχώς.
10:17
that we are getting closer.
204
605919
1348
10:19
And it's already giving you some emotions.
205
607291
2349
Ήδη σας ενθουσιάζει.
Αυτό είναι ένα άλλο αντικείμενο
που έρχεται στο προσκήνιο
που έρχεται στο προσκήνιο
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
και αυτό είναι μια πρόβλεψη.
10:24
and this is a prediction.
207
612391
1409
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Ένα λίγο μικρότερο πρόσωπο του οποίου
δεν πήραμε πλήρη κρανιακή δομή,
δεν πήραμε πλήρη κρανιακή δομή,
10:30
but still, it's in the ballpark.
209
618444
2651
αλλά μπορεί ακόμα να υπολογιστεί χονδρικά.
Αυτό είναι ένα αντικείμενο,
που ήρθε στο εργαστήριό μας
που ήρθε στο εργαστήριό μας
10:33
This is a subject that comes in our lab,
210
621634
2224
10:35
and this is the prediction.
211
623882
1443
και αυτή είναι η πρόβλεψή του.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Αυτοί οι άνθρωποι
δεν έχουν χρησιμοποιηθεί ποτέ
δεν έχουν χρησιμοποιηθεί ποτέ
στην εκπαίδευση του μηχανήματος.
10:42
These are the so-called "held-out" set.
213
630756
2837
Είναι τα επονομαζόμενα σύνολα επαλήθευσης.
Αλλά είναι άνθρωποι που εσείς πιθανώς
ποτέ δεν θα πιστέψετε.
ποτέ δεν θα πιστέψετε.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Μπορείτε να διαβάσετε τις δημοσιεύσεις μας
σε επιστημονικά περιοδικά.
σε επιστημονικά περιοδικά.
10:52
you can read it.
216
640081
1151
Όμως, εφόσον είμαστε επί σκηνής,
ο Κρις με προκαλεί.
ο Κρις με προκαλεί.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Έχω πιθανώς εκτεθεί
και προσπάθησα να προβλέψω
και προσπάθησα να προβλέψω
κάποιον που μπορεί να αναγνωρίζετε.
10:59
someone that you might recognize.
219
647274
2831
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
Λοιπόν, μέσα σε αυτό το φιαλίδιο αίματος
-και πιστέψτε με,
-και πιστέψτε με,
δεν έχετε ιδέα τι έπρεπε να κάνουμε
για να έχουμε αυτό το αίμα τώρα, εδώ-
για να έχουμε αυτό το αίμα τώρα, εδώ-
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
σε αυτό το φιαλίδιο αίματος βρίσκεται
η ποσότητα βιολογικών πληροφοριών
η ποσότητα βιολογικών πληροφοριών
που χρειαζόμαστε
για μια πλήρη γονιδιακή αλληλουχία.
για μια πλήρη γονιδιακή αλληλουχία.
11:13
that we need to do a full genome sequence.
223
661748
2277
11:16
We just need this amount.
224
664049
2070
Απλά χρειαζόμαστε αυτήν την ποσότητα.
Τρέχουμε αυτήν την αλληλουχία
και θα το κάνω μαζί σας.
και θα το κάνω μαζί σας.
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Ξεκινάμε να στρωματοποιούμε
τη γνώση που έχουμε από αυτό.
τη γνώση που έχουμε από αυτό.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
Στο φιαλίδιο με το αίμα
προβλέψαμε πως είναι άντρας.
προβλέψαμε πως είναι άντρας.
Και το αντικείμενο είναι ένας άνδρας.
11:29
And the subject is a male.
228
677134
1364
Προβλέπουμε πώς έχει ύψος 1,76μ.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
11:33
The subject is a meter and 77 cm.
230
681458
2392
Το αντικείμενό μας είναι ένα 1,77μ.
Προβλέψαμε ότι ζυγίζει 76 κιλά·
το αντικείμενο ζυγίζει 82.
το αντικείμενο ζυγίζει 82.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Προβλέψαμε την ηλικία του, 38.
11:40
We predict his age, 38.
232
688701
2632
11:43
The subject is 35.
233
691357
1904
Το αντικείμενο είναι 35.
Προβλέψαμε το χρώμα των ματιών του.
11:45
We predict his eye color.
234
693851
2124
Πολύ σκοτεινά.
11:48
Too dark.
235
696824
1211
Προβλέψαμε το χρώμα του δέρματος του.
11:50
We predict his skin color.
236
698059
1555
Έχουμε σχεδόν τελειώσει.
11:52
We are almost there.
237
700026
1410
11:53
That's his face.
238
701899
1373
Αυτό είναι το πρόσωπό του.
Τώρα, η στιγμή της αποκάλυψης:
11:57
Now, the reveal moment:
239
705172
3269
το αντικείμενο είναι αυτό το άτομο.
12:00
the subject is this person.
240
708465
1770
12:02
(Laughter)
241
710259
1935
(Γέλια)
Το έκανα σκόπιμα.
12:04
And I did it intentionally.
242
712218
2058
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Ανήκω σε μια ιδιαίτερη
και ιδιόμορφη εθνικότητα.
και ιδιόμορφη εθνικότητα.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Οι νοτιοευρωπαίοι -οι Ιταλοί-
ποτέ δεν ταιριάζουν στα πρότυπα.
ποτέ δεν ταιριάζουν στα πρότυπα.
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
Και ιδίως, αυτή η εθνικότητα είναι μια
σύνθετη περίπτωση για το μοντέλο μας.
σύνθετη περίπτωση για το μοντέλο μας.
12:18
But there is another point.
246
726144
1509
Αλλά υπάρχει και ένα άλλο σημείο.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Ένα από αυτά που χρησιμοποιούμε
για να αναγνωρίσουμε ανθρώπους
για να αναγνωρίσουμε ανθρώπους
12:23
will never be written in the genome.
248
731178
1722
δεν θα γραφόταν ποτέ σε ένα γονιδίωμα.
12:24
It's our free will, it's how I look.
249
732924
2317
Είναι η ελεύθερη θέλησή μας,
το πώς φαίνομαι.
το πώς φαίνομαι.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Όχι το κούρεμά μου, σε αυτή την περίπτωση,
αλλά το μούσι μου.
αλλά το μούσι μου.
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
Θα σας δείξω σε αυτήν την περίπτωση,
τη μεταφορά του
τη μεταφορά του
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
-και δεν είναι τίποτα περισσότερο
από Photoshop, όχι μοντελοποίηση-
από Photoshop, όχι μοντελοποίηση-
12:36
the beard on the subject.
253
744884
1713
το μούσι του αντικειμένου.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Αμέσως η ομοιότητα είναι πολύ μεγαλύτερη.
12:42
So, why do we do this?
255
750955
2709
Λοιπόν, γιατί το κάναμε αυτό;
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Σίγουρα δεν το κάναμε
για να προβλέψουμε το ύψος
για να προβλέψουμε το ύψος
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
ή να βγάλουμε μια όμορφη εικόνα
από το αίμα σας.
από το αίμα σας.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Το κάνουμε γιατί η ίδια τεχνολογία
και η ίδια προσέγγιση,
και η ίδια προσέγγιση,
13:00
the machine learning of this code,
259
768432
2520
ότι η μηχανή μαθαίνει αυτόν τον κώδικα,
13:02
is helping us to understand how we work,
260
770976
3137
μας βοηθά να καταλάβουμε πώς λειτουργούμε,
πώς λειτουργεί το σώμα μας,
13:06
how your body works,
261
774137
1486
13:07
how your body ages,
262
775647
1665
πώς γερνάει το σώμα σας,
πώς δημιουργείται η νόσος στο σώμα σας,
13:09
how disease generates in your body,
263
777336
2769
πώς μεγαλώνει και αναπτύσσεται ο καρκίνος,
13:12
how your cancer grows and develops,
264
780129
2972
13:15
how drugs work
265
783125
1783
πώς λειτουργούν τα φάρμακα
13:16
and if they work on your body.
266
784932
2314
και αν αυτά έχουν αποτέλεσμα στο σώμα σας.
13:19
This is a huge challenge.
267
787713
1667
Αυτή είναι μια τεράστια πρόκληση.
Αυτή είναι μια πρόκληση που μοιραζόμαστε
13:21
This is a challenge that we share
268
789894
1638
με χιλιάδες άλλους ερευνητές
σε όλο τον κόσμο.
σε όλο τον κόσμο.
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
13:26
It's called personalized medicine.
270
794159
2222
Λέγεται εξατομικευμένη ιατρική.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
Είναι μια ικανότητα να κινούμαστε
από μια στατιστική προσέγγιση,
από μια στατιστική προσέγγιση,
που είναι μια σταγόνα στον ωκεανό,
13:32
where you're a dot in the ocean,
272
800609
2032
σε μια εξατομικευμένη προσέγγιση,
13:34
to a personalized approach,
273
802665
1813
13:36
where we read all these books
274
804502
2185
όπου διαβάζουμε όλα αυτά τα βιβλία
και κατανοούμε το πώς ακριβώς είστε.
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Όμως είναι μια
ιδιαίτερα πολύπλοκη πρόκληση
ιδιαίτερα πολύπλοκη πρόκληση
13:45
because of all these books, as of today,
277
813646
3998
επειδή σε όλα αυτά τα βιβλία
που έχουμε σήμερα
που έχουμε σήμερα
γνωρίζουμε απλά ίσως το 2%:
13:49
we just know probably two percent:
278
817668
2642
4 βιβλία από περισσότερα από 175.
13:53
four books of more than 175.
279
821027
3653
Αυτό δεν είναι το θέμα της ομιλίας μου
13:58
And this is not the topic of my talk,
280
826021
3206
επειδή θα μάθουμε περισσότερα.
14:02
because we will learn more.
281
830145
2598
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Τα καλύτερα μυαλά στον κόσμο
επιλαμβάνονται αυτού του θέματος.
επιλαμβάνονται αυτού του θέματος.
Η πρόγνωση θα γίνει καλύτερη,
14:09
The prediction will get better,
283
837048
1834
14:10
the model will get more precise.
284
838906
2253
το μοντέλο θα γίνει πιο ακριβές.
14:13
And the more we learn,
285
841183
1858
Και όσο περισσότερο μαθαίνουμε,
τόσο πιο πολύ θα βρεθούμε
αντιμέτωποι με αποφάσεις
αντιμέτωποι με αποφάσεις
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
14:19
that we never had to face before
287
847919
3021
τις οποίες δεν είχαμε
ποτέ αντιμετωπίσει στο παρελθόν,
ποτέ αντιμετωπίσει στο παρελθόν,
σχετικά με τη ζωή,
14:22
about life,
288
850964
1435
14:24
about death,
289
852423
1674
το θάνατο,
14:26
about parenting.
290
854121
1603
την ανατροφή παιδιών.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Είμαστε πολύ κοντά στο να γνωρίσουμε
λεπτομέρειες για το πώς λειτουργεί η ζωή.
λεπτομέρειες για το πώς λειτουργεί η ζωή.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
Είναι μια επανάσταση
που δεν μπορεί να περιοριστεί
που δεν μπορεί να περιοριστεί
στο πεδίο της επιστήμης ή της τεχνολογίας.
14:41
in the domain of science or technology.
293
869300
2659
14:44
This must be a global conversation.
294
872960
2244
Πρέπει να γίνει μια παγκόσμια συζήτηση.
Πρέπει να αρχίσουμε να σκεφτόμαστε
το μέλλον που οικοδομούμε ως ανθρωπότητα.
το μέλλον που οικοδομούμε ως ανθρωπότητα.
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Χρειάζεται να αλληλεπιδράσουμε
με δημιουργούς, καλλιτέχνες, φιλόσοφους,
με δημιουργούς, καλλιτέχνες, φιλόσοφους,
14:57
with politicians.
297
885127
1510
με πολιτικούς.
14:58
Everyone is involved,
298
886661
1158
Ο καθένας εμπλέκεται
14:59
because it's the future of our species.
299
887843
2825
γιατί είναι το μέλλον του είδους μας.
15:03
Without fear, but with the understanding
300
891273
3968
Χωρίς φόβο, αλλά με την κατανόηση
ότι οι αποφάσεις που θα πάρουμε
τον επόμενο χρόνο
τον επόμενο χρόνο
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
15:11
will change the course of history forever.
302
899160
3789
θα αλλάξουν το ρου της ιστορίας για πάντα.
15:15
Thank you.
303
903732
1160
Σας ευχαριστώ.
15:16
(Applause)
304
904916
10159
(Χειροκρότημα)
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.
Why you should listen
Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.
In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.
Riccardo Sabatini | Speaker | TED.com