TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Entendiendo el cáncer a través de la proteómica
Filmed:
Readability: 3.6
465,363 views
Danny Hills argumenta a favor de la próxima frontera en la investigación del cáncer: la proteómica, el estudio de las proteínas en el cuerpo. En palabras de Hills, la genómica nos muestra una lista de los ingredientes del cuerpo, mientras que la proteómica nos muestra lo que esos ingredientes producen. Entender qué está sucediendo en nuestro cuerpo a nivel proteico puede llevar a un nuevo entendimiento de cómo sucede el cáncer.
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
Admito que estoy un poco nervioso
00:18
because I'm going to say some radical things,
1
3000
3000
porque voy a decir algunas cosas radicales
00:21
about how we should think about cancer differently,
2
6000
3000
sobre cómo deberíamos pensar diferente sobre el cáncer
00:24
to an audience that contains a lot of people
3
9000
2000
a una audiencia que contiene mucha gente
00:26
who know a lot more about cancer than I do.
4
11000
3000
que sabe mucho más del cáncer que yo.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Pero también argumentaré que no estoy tan nervioso como debería estarlo
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
porque estoy bastante seguro de tener razón sobre esto.
00:35
(Laughter)
7
20000
2000
(Risas)
00:37
And that this, in fact, will be
8
22000
2000
Y que ésta, en efecto, será
00:39
the way that we treat cancer in the future.
9
24000
3000
la forma en que trataremos el cáncer en el futuro.
00:43
In order to talk about cancer,
10
28000
2000
Para poder hablar del cáncer,
00:45
I'm going to actually have to --
11
30000
3000
en realidad tendré que --
00:48
let me get the big slide here.
12
33000
3000
déjenme poner estas diapositivas.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Primero, voy a tratar de darles una perspectiva diferente de la genómica.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Quiero ponerla en perspectiva de la imagen más grande,
00:58
of all the other things that are going on --
15
43000
3000
de todas las otras cosas que están sucediendo,
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
y luego hablar de algo de lo que que no han oído hablar demasiado, la proteómica.
01:04
Having explained those,
17
49000
2000
Habiendo explicado ambos,
01:06
that will set up for what I think will be a different idea
18
51000
3000
eso preparará para lo que creo será una idea diferente
01:09
about how to go about treating cancer.
19
54000
2000
sobre cómo ir tratando el cáncer.
01:11
So let me start with genomics.
20
56000
2000
Déjenme comenzar con la genómica.
01:13
It is the hot topic.
21
58000
2000
Es el tema del momento.
01:15
It is the place where we're learning the most.
22
60000
2000
Es el lugar donde más estamos aprendiendo.
01:17
This is the great frontier.
23
62000
2000
Esta es la gran frontera.
01:19
But it has its limitations.
24
64000
3000
Pero tiene sus limitaciones.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Y en particular, probablemente todos han oído la analogía
01:25
that the genome is like the blueprint of your body,
26
70000
3000
de que el genoma es como la copia del plano del cuerpo.
01:28
and if that were only true, it would be great,
27
73000
2000
Y si tan solo eso fuera cierto, sería grandioso
01:30
but it's not.
28
75000
2000
pero no lo es.
01:32
It's like the parts list of your body.
29
77000
2000
Es como el listado de partes de tu cuerpo.
01:34
It doesn't say how things are connected,
30
79000
2000
No dice cómo las cosas se conectan,
01:36
what causes what and so on.
31
81000
3000
qué causa qué, y demás.
01:39
So if I can make an analogy,
32
84000
2000
Si puedo hacer una analogía,
01:41
let's say that you were trying to tell the difference
33
86000
2000
digamos que estuvieran tratando de encontrar la diferencia
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
entre un buen restaurant, un restaurant saludable,
01:46
and a sick restaurant,
35
91000
2000
y un restaurant enfermo,
01:48
and all you had was the list of ingredients
36
93000
2000
y lo único que tuviesen fuera la lista de ingredientes
01:50
that they had in their larder.
37
95000
3000
que tienen en la alacena.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Así podría ser que, si fueran a un restaurant francés
01:56
and you looked through it and you found
39
101000
2000
y observaran entre sus cosas y encontrasen
01:58
they only had margarine and they didn't have butter,
40
103000
2000
que solamente tienen margarina y no manteca,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
podrían decir, "Ah, ya sé lo que tienen mal.
02:02
I can make them healthy."
42
107000
2000
Puedo hacerlos sanos."
02:04
And there probably are special cases of that.
43
109000
2000
Y probablemente haya casos especiales de eso.
02:06
You could certainly tell the difference
44
111000
2000
Definitivamente podrían saber la diferencia
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
entre un restaurant chino y un restaurant francés
02:10
by what they had in a larder.
46
115000
2000
por lo que tienen en la alacena.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Así que la lista de ingredientes sí te dice algo,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
y a veces te dice que algo está mal.
02:19
If they have tons of salt,
49
124000
2000
Si tienen montones de sal,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
podrías adivinar que están usando mucha sal, o algo por el estilo.
02:24
But it's limited,
51
129000
2000
Pero es limitado,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
porque para realmente saber si es un restaurant saludable,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
tienes que probar la comida, tienes que saber qué sucede en la cocina,
02:31
you need the product of all of those ingredients.
54
136000
3000
necesitas el producto de todos esos ingredientes.
02:34
So if I look at a person
55
139000
2000
Así, si miro a una persona
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
y miro el genoma de esa persona, es lo mismo.
02:39
The part of the genome that we can read
57
144000
2000
La parte del genoma que podemos leer
02:41
is the list of ingredients.
58
146000
2000
es la lista de ingredientes.
02:43
And so indeed,
59
148000
2000
Y de hecho,
02:45
there are times when we can find ingredients
60
150000
2000
hay veces que podemos encontrar ingredientes
02:47
that [are] bad.
61
152000
2000
que son malos.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
La fibrosis quística es un ejemplo de enfermedad
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
en la que tienes un mal ingrediente y tienes una enfermedad,
02:54
and we can actually make a direct correspondence
64
159000
3000
y realmente podemos establecer una relación directa
02:57
between the ingredient and the disease.
65
162000
3000
entre el ingrediente y la enfermedad.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Pero mayormente, tienes que saber qué está sucediendo en la cocina,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
porque, en su mayoría, la gente enferma solía ser gente sana;
03:05
they have the same genome.
68
170000
2000
tienen en mismo genoma.
03:07
So the genome really tells you much more
69
172000
2000
Así que el genoma realmente te dice mucho
03:09
about predisposition.
70
174000
2000
acerca de predisposición.
03:11
So what you can tell
71
176000
2000
Entonces lo que puedes decir
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
es que puedes decir la diferencia entre una persona asiática y una europea
03:15
by looking at their ingredients list.
73
180000
2000
mirando su lista de ingredientes.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Pero en realidad no puedes diferenciar mayormente
03:20
between a healthy person and a sick person --
75
185000
3000
entre una persona sana y una enferma,
03:23
except in some of these special cases.
76
188000
2000
excepto en alguno de estos casos especiales.
03:25
So why all the big deal
77
190000
2000
¿Entonces por qué todo el furor
03:27
about genetics?
78
192000
2000
con la genética?
03:29
Well first of all,
79
194000
2000
Bueno, primero que nada,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
es porque podemos leerla, lo que es fantástico.
03:34
It is very useful in certain circumstances.
81
199000
3000
Es muy útil en ciertas circunstancias.
03:37
It's also the great theoretical triumph
82
202000
3000
También es un gran triunfo teórico
03:40
of biology.
83
205000
2000
de la biología.
03:42
It's the one theory
84
207000
2000
Es la principal teoría
03:44
that the biologists ever really got right.
85
209000
2000
en la que los biólogos alguna vez acertaron.
03:46
It's fundamental to Darwin
86
211000
2000
Es fundamental para Darwin
03:48
and Mendel and so on.
87
213000
2000
y Mendel y varios más.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Así que es el caso por excelencia en el que predijeron un concepto teórico.
03:54
So Mendel had this idea of a gene
89
219000
2000
Es decir, Mendel tenía su idea sobre el gen
03:56
as an abstract thing,
90
221000
3000
como algo abstracto.
03:59
and Darwin built a whole theory
91
224000
2000
Y Darwin construyó una teoría entera
04:01
that depended on them existing,
92
226000
2000
que dependía de que ellos exsistieran.
04:03
and then Watson and Crick
93
228000
2000
Y luego Watson y Crick
04:05
actually looked and found one.
94
230000
2000
finalmente buscaron y encontraron uno.
04:07
So this happens in physics all the time.
95
232000
2000
Esto pasa en la física todo el tiempo.
04:09
You predict a black hole,
96
234000
2000
Predices un agujero negro,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
miras por el telescopio y ahí está, tal como habías dicho.
04:14
But it rarely happens in biology.
98
239000
2000
Pero rara vez sucede en biología.
04:16
So this great triumph -- it's so good,
99
241000
3000
Así que este gran triunfo -- es tan grande,
04:19
there's almost a religious experience
100
244000
2000
que es casi una experiencia religiosa
04:21
in biology.
101
246000
2000
en la biología.
04:23
And Darwinian evolution
102
248000
2000
Y la evolución darwiniana
04:25
is really the core theory.
103
250000
3000
es realmente la teoría base.
04:30
So the other reason it's been very popular
104
255000
2000
Y la otra razón por la que es tan popular
04:32
is because we can measure it, it's digital.
105
257000
3000
es porque podemos medirla, es digital.
04:35
And in fact,
106
260000
2000
Y de hecho,
04:37
thanks to Kary Mullis,
107
262000
2000
gracias a Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
puedes básicamente analizar tu genoma en la cocina
04:43
with a few extra ingredients.
109
268000
3000
con un par de ingredientes extra.
04:46
So for instance, by measuring the genome,
110
271000
3000
Por ejemplo, estudiando el genoma,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
hemos aprendido mucho sobre cómo estamos emparentados con otros animales
04:53
by the closeness of our genome,
112
278000
3000
por la cercanía de nuestro genoma,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
o cómo estamos relacionados entre nosotros; el árbol familiar,
04:59
or the tree of life.
114
284000
2000
o el árbol de la vida.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Hay una enorme cantidad de inforamción sobre genética
05:04
just by comparing the genetic similarity.
116
289000
3000
simplemente por comparar la similitud genética.
05:07
Now of course, in medical application,
117
292000
2000
Ahora, por supuesto, su aplicación médica
05:09
that is very useful
118
294000
2000
es muy útil
05:11
because it's the same kind of information
119
296000
3000
porque es el mismo tipo de información
05:14
that the doctor gets from your family medical history --
120
299000
3000
que la que el médico obtine de tu historial médico familiar,
05:17
except probably,
121
302000
2000
excepto probablemente,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
que tu genoma sabe mucho más de tu historial médico que tú.
05:22
And so by reading the genome,
123
307000
2000
Y así leyendo el genoma,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
podemos descubrir mucho más sobre tu familia que lo que tú probablemente sepas.
05:27
And so we can discover things
125
312000
2000
Y así podemos descubrir cosas
05:29
that probably you could have found
126
314000
2000
que probablemente podrías haber descubierto
05:31
by looking at enough of your relatives,
127
316000
2000
observando a suficientes de tus parientes,
05:33
but they may be surprising.
128
318000
3000
pero éstas pueden ser sorprendentes.
05:36
I did the 23andMe thing
129
321000
2000
Hice esa cosa de 23andMe
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
y me sorprendió descubrir que soy gordo y calvo.
05:41
(Laughter)
131
326000
7000
(Risas)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Pero a veces puedes aprender cosas mucho más útiles sobre eso.
05:51
But mostly
133
336000
3000
Pero más que nada,
05:54
what you need to know, to find out if you're sick,
134
339000
2000
lo que necesitas saber para descubrir si estás enfermo
05:56
is not your predispositions,
135
341000
2000
no son tus predisposiciones,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
sino lo que está sucediendo en tu cuerpo ahora mismo.
06:01
So to do that, what you really need to do,
137
346000
2000
Entonces para ello, lo que tienes que hacer,
06:03
you need to look at the things
138
348000
2000
es observar las cosas
06:05
that the genes are producing
139
350000
2000
que los genes están produciendo
06:07
and what's happening after the genetics,
140
352000
2000
y lo que está sucediendo después de la genética.
06:09
and that's what proteomics is about.
141
354000
2000
Y de eso se trata la proteómica.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Así como el genoma mezcla el estudio de todos los genes,
06:14
proteomics is the study of all the proteins.
143
359000
3000
la proteómica es el estudio de todas las proteínas.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Y las proteínas son todas esas cosas pequeñas en tu cuerpo
06:19
that are signaling between the cells --
145
364000
3000
que emiten señales entre las células;
06:22
actually, the machines that are operating --
146
367000
2000
en realidad las máquinas que están operando.
06:24
that's where the action is.
147
369000
2000
Ahí es donde está la acción.
06:26
Basically, a human body
148
371000
3000
Básicamente, un cuerpo humano
06:29
is a conversation going on,
149
374000
3000
es una conversación en transcurso,
06:32
both within the cells and between the cells,
150
377000
3000
tanto dentro de las células como entre las células,
06:35
and they're telling each other to grow and to die,
151
380000
3000
y se están ordenando las unas a las otras crecer y morir.
06:38
and when you're sick,
152
383000
2000
Y cuando estás enfermo,
06:40
something's gone wrong with that conversation.
153
385000
2000
algo ha ido mal con esa conversación.
06:42
And so the trick is --
154
387000
2000
Entonces el problema es que,
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
lamentablemente, no tenemos una manera fácil de analizarlas
06:47
like we can measure the genome.
156
392000
2000
como podemos analizar el genoma.
06:49
So the problem is that measuring --
157
394000
3000
El problema es ese análisis,
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
si tratas de evaluar todas las proteínas, es un proceso muy elaborado.
06:55
It requires hundreds of steps,
159
400000
2000
Requiere cientos de pasos,
06:57
and it takes a long, long time.
160
402000
2000
y toma un largo, largo tiempo.
06:59
And it matters how much of the protein it is.
161
404000
2000
También importa cuánto de la proteína es.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Podría ser muy significativo que una proteína cambie en un 10%,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
así que no es una bella cosa digital como el ADN.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Y básicamente nuestro problema es que si alguien en el medio
07:09
of this very long stage,
165
414000
2000
de este tan largo proceso,
07:11
they pause for just a moment,
166
416000
2000
se pausa por sólo un momento,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
y deja ingresar algo, una enzima, por un segundo,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
de repente todas las mediciones de ahí en adelante
07:17
don't work.
169
422000
2000
no sirven.
07:19
And so then people get very inconsistent results
170
424000
2000
Y así, la gente obtiene resultados muy incosistentes
07:21
when they do it this way.
171
426000
2000
cuando lo hacen de esta manera.
07:23
People have tried very hard to do this.
172
428000
2000
La gente ha tratado muy duramente de hacer esto.
07:25
I tried this a couple of times
173
430000
2000
Yo lo intenté varias veces
07:27
and looked at this problem and gave up on it.
174
432000
2000
y ví este problema y lo dejé de intentar.
07:29
I kept getting this call from this oncologist
175
434000
2000
Recibía constantemente llamadas de este oncólogo
07:31
named David Agus.
176
436000
2000
llamado David Agus.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Y Applied Minds recibe montones de llamadas
07:36
from people who want help with their problems,
178
441000
2000
de gente que quiere ayuda con sus problemas,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
y no pensaba que ésta fuera una con probabilidades de ser contestada,
07:41
so I kept on giving him to the delay list.
180
446000
3000
así que continuaba poniéndolo en la lista de espera.
07:44
And then one day,
181
449000
2000
Y luego un día,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
recibo una llamada de John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
y Al Gore en el mismo día
07:50
saying return David Agus's phone call.
184
455000
2000
diciendo "devuélvele la llamada a David Agus".
07:52
(Laughter)
185
457000
2000
(Risas)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Así que pensé, "Okey, este tipo por lo menos tiene recursos".
07:56
(Laughter)
187
461000
4000
(Risas)
08:00
So we started talking,
188
465000
2000
Así que empezamos a hablar,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
y dijo, "Realmente necesito una mejor manera de evaluar las proteínas."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Le dije, "Ya me fijé en eso. Estuve ahí.
08:07
Not going to be easy."
191
472000
2000
No va a ser fácil."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Y él dice, "No, no. Lo nececito de verdad.
08:11
I mean, I see patients dying every day
193
476000
4000
Quiero decir, veo pacientes muriendo todos los días
08:15
because we don't know what's going on inside of them.
194
480000
3000
porque no sabemos qué está sucediendo dentro de ellos.
08:18
We have to have a window into this."
195
483000
2000
Necesitamos tener una ventana hacia adentro de esto."
08:20
And he took me through
196
485000
2000
Y me llevó a través de
08:22
specific examples of when he really needed it.
197
487000
3000
ejemplos específicos de cuándo realmente lo necesitaba.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Y me di cuenta, wau, esto realmente haría una gran diferencia,
08:27
if we could do it,
199
492000
2000
si pudiéramos hacerlo.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Entonces dije, "Bien, echémosle un vistazo."
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds tiene suficiente dinero
08:33
that we can go and just work on something
202
498000
2000
como para simplemente ir y trabajar en algo
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
sin recibir fondos ni permiso de nadie ni nada por el estilo.
08:38
So we started playing around with this.
204
503000
2000
Así que empezamos a jugar con esto.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Y así nos dimos cuenta de que éste era básicamente el problema,
08:43
that taking the sip of coffee --
206
508000
2000
el tomar ese sorbo de café;
08:45
that there were humans doing this complicated process
207
510000
2000
que había humanos haciendo este complicado proceso
08:47
and that what really needed to be done
208
512000
2000
y que, lo que en realidad necesitaba hacerse,
08:49
was to automate this process like an assembly line
209
514000
3000
era automatizar el proceso como una línea de montaje
08:52
and build robots
210
517000
2000
y construir robots
08:54
that would measure proteomics.
211
519000
2000
que midieran la proteómica.
08:56
And so we did that,
212
521000
2000
Y eso hicimos.
08:58
and working with David,
213
523000
2000
Y trabajando con David,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
finalmente hicimos una pequeña compañía llamada Applied Proteomics ("Proteómica Aplicada" N. del T.)
09:03
which makes this robotic assembly line,
215
528000
3000
que hace esta línea de montaje robótica,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
la que, en una manera muy consistente, evalúa las proteínas.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Y les mostraré cómo se ve la medición de proteínas.
09:13
Basically, what we do
218
538000
2000
Básicamente, lo que hacemos
09:15
is we take a drop of blood
219
540000
2000
es tomar una gota de sangre
09:17
out of a patient,
220
542000
2000
de un paciente,
09:19
and we sort out the proteins
221
544000
2000
y ordenamos las proteínas
09:21
in the drop of blood
222
546000
2000
en la gota de sangre
09:23
according to how much they weigh,
223
548000
2000
de acuerdo a cuánto pesan,
09:25
how slippery they are,
224
550000
2000
qué tan resbalosas son,
09:27
and we arrange them in an image.
225
552000
3000
y las ordenamos en una imagen.
09:30
And so we can look at literally
226
555000
2000
Y así podemos observar literalmente
09:32
hundreds of thousands of features at once
227
557000
2000
cientos de miles de funciones de una vez
09:34
out of that drop of blood.
228
559000
2000
a partir de esa gota de sangre.
09:36
And we can take a different one tomorrow,
229
561000
2000
Y podemos tomar una distinta mañana,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
y verás que tus proteínas serán diferentes mañana,
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
serán diferentes luego de que comas o que duermas.
09:43
They really tell us what's going on there.
232
568000
3000
Realmente nos muestran qué está sucediendo.
09:46
And so this picture,
233
571000
2000
Así que esta imagen,
09:48
which looks like a big smudge to you,
234
573000
2000
que se ve como un gran manchón para ustedes,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
es en realidad lo que me entusiasmó tanto sobre esto
09:54
and made me feel like we were on the right track.
236
579000
2000
y me hizo sentir que estábamos en el camino correcto.
09:56
So if I zoom into that picture,
237
581000
2000
Y si hago zoom en esa imagen,
09:58
I can just show you what it means.
238
583000
2000
puedo mostrarles lo que significa.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Ordenamos las proteínas; de izquierda a derecha
10:03
is the weight of the fragments that we're getting,
240
588000
3000
está el peso de los fragmentos que estamos viendo.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
Y de arriba hacia abajo cuán resbalosos son.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Estamos haciendo zoom sólo para mostrarles un poquito de eso.
10:12
And so each of these lines
243
597000
2000
Y cada una de estas líneas
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
representa una señal que estamos obteniendo de un trozo de una proteína.
10:17
And you can see how the lines occur
245
602000
2000
Y pueden ver cómo las líneas se presentan
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
en estos pequeños grupos de baches, baches, baches, baches, baches.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Y eso es porque estamos midiendo su peso tan precisamente que --
10:26
carbon comes in different isotopes,
248
611000
2000
el carbono viene en diferentes isótopos,
10:28
so if it has an extra neutron on it,
249
613000
3000
entonces si uno tiene un neutrón extra,
10:31
we actually measure it as a different chemical.
250
616000
4000
podemos identificarlo como un químico diferente.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Así, estamos identificando cada isótopo como uno diferente.
10:38
And so that gives you an idea
252
623000
3000
Así que eso les da una idea
10:41
of how exquisitely sensitive this is.
253
626000
2000
de qué tan exquisitamente sensible es.
10:43
So seeing this picture
254
628000
2000
Así que ver esta imagen
10:45
is sort of like getting to be Galileo
255
630000
2000
es como imagimarte ser Galileo
10:47
and looking at the stars
256
632000
2000
mirando a las estrellas
10:49
and looking through the telescope for the first time,
257
634000
2000
y mirar por el telescopio por primera vez,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
y de pronto dices: "Wau, es mucho más complicado de lo que pensamos que era."
10:54
But we can see that stuff out there
259
639000
2000
Pero podemos ver esa cosa de ahí
10:56
and actually see features of it.
260
641000
2000
y realmente ver características de ella.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Así que éste es el distintivo del cual estamos intentando obtener patrones.
11:01
So what we do with this
262
646000
2000
Así que lo que hacemos con esto
11:03
is, for example, we can look at two patients,
263
648000
2000
es, por ejemplo observar a dos pacientes,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
uno que respondió a una droga y uno que no respondió a una droga,
11:08
and ask, "What's going on differently
265
653000
2000
y preguntar, "¿Qué sucede de manera diferente
11:10
inside of them?"
266
655000
2000
dentro de ellos?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Y así podemos hacer estas mediciones de manera tan precisa
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
que podemos superponer dos pacientes y observar sus diferencias.
11:18
So here we have Alice in green
269
663000
2000
Entonces aquí tenemos a Alice en verde
11:20
and Bob in red.
270
665000
2000
y a Bob en rojo.
11:22
We overlay them. This is actual data.
271
667000
3000
Los superponemos. Estos son datos reales.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Como pueden ver, mayormente se superpone y es amarillo,
11:28
but there's some things that just Alice has
273
673000
2000
pero hay algunas cosas que sólo Alice tiene
11:30
and some things that just Bob has.
274
675000
2000
y algunas otras que sólo Bob tiene.
11:32
And if we find a pattern of things
275
677000
3000
Y si encontramos el patrón de cosas
11:35
of the responders to the drug,
276
680000
3000
de los que responden a la droga,
11:38
we see that in the blood,
277
683000
2000
vemos que en la sangre,
11:40
they have the condition
278
685000
2000
ellos tienen la condición
11:42
that allows them to respond to this drug.
279
687000
2000
que los habilita a responder a esta droga.
11:44
We might not even know what this protein is,
280
689000
2000
Tal vez ni siquiera sepamos qué proteína es ésta,
11:46
but we can see it's a marker
281
691000
2000
pero podemos ver que es un condicionante
11:48
for the response to the disease.
282
693000
2000
para la respuesta a la enfermedad.
11:53
So this already, I think,
283
698000
2000
Así que esto ya es, creo,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
tremendamente útil en todas las ramas de la medicina.
11:58
But I think this is actually
285
703000
2000
Pero creo que esto es en realidad
12:00
just the beginning
286
705000
2000
sólo el comienzo
12:02
of how we're going to treat cancer.
287
707000
2000
de cómo vamos a tratar el cáncer.
12:04
So let me move to cancer.
288
709000
2000
Así que déjenme pasar al cáncer.
12:06
The thing about cancer --
289
711000
2000
El tema con el cáncer --
12:08
when I got into this,
290
713000
2000
cuando me metí en esto,
12:10
I really knew nothing about it,
291
715000
2000
realmente no sabía nada sobre el tema,
12:12
but working with David Agus,
292
717000
2000
pero trabajando con David Agus,
12:14
I started watching how cancer was actually being treated
293
719000
3000
empecé a ver cómo el cáncer estaba siendo tratado
12:17
and went to operations where it was being cut out.
294
722000
3000
y fui a operaciones en las que se lo extirpaba.
12:20
And as I looked at it,
295
725000
2000
Y a mi manera de ver,
12:22
to me it didn't make sense
296
727000
2000
no tenía sentido
12:24
how we were approaching cancer,
297
729000
2000
cómo estábamos encarando el cáncer.
12:26
and in order to make sense of it,
298
731000
3000
Y para ver el sentido de ello,
12:29
I had to learn where did this come from.
299
734000
3000
tuve que aprender de dónde venía esto.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Estamos tratando el cáncer casi como si fuera una enfermedad infecciosa.
12:36
We're treating it as something that got inside of you
301
741000
2000
Lo estamos tratando como algo que se metió adentro tuyo
12:38
that we have to kill.
302
743000
2000
y tenemos que matar.
12:40
So this is the great paradigm.
303
745000
2000
Así que éste es el gran paradigma.
12:42
This is another case
304
747000
2000
Éste es otro caso
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
en el que un paradigma teórico en biología realmente funcionó --
12:46
was the germ theory of disease.
306
751000
3000
fue la Teoría microbiana de la enfermedad.
12:49
So what doctors are mostly trained to do
307
754000
2000
Para lo que los médicos están principalmente entrenados
12:51
is diagnose --
308
756000
2000
es diagnosticar;
12:53
that is, put you into a category
309
758000
2000
eso es ponerte dentro de una categoría,
12:55
and apply a scientifically proven treatment
310
760000
2000
y aplicar un tratamiento probado científicamente
12:57
for that diagnosis --
311
762000
2000
para ese diagnóstico.
12:59
and that works great for infectious diseases.
312
764000
3000
Y eso funciona estupendamente para enfermedades infecciosas.
13:02
So if we put you in the category
313
767000
2000
Así que si te ponenos en la categoría
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
de "tú tienes sífilis", podemos darte penicilina.
13:07
We know that that works.
315
772000
2000
Sabemos que eso funciona.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Si tienes malaria, podemos darte quinina,
13:11
or some derivative of it.
317
776000
2000
o algún derivado de ella.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Y eso es lo básico que los médicos están entrenados para hacer.
13:16
and it's miraculous
319
781000
2000
Y es milagroso,
13:18
in the case of infectious disease --
320
783000
3000
en el caso de las enfermedades infecciosas,
13:21
how well it works.
321
786000
2000
lo bien que funciona.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Y mucha gente de esta audiencia pobablemente no estaría viva
13:26
if doctors didn't do this.
323
791000
2000
si los médicos no hicieran esto.
13:28
But now let's apply that
324
793000
2000
Pero ahora apliquemos eso
13:30
to systems diseases like cancer.
325
795000
2000
a enfermedades sistémicas como el cáncer.
13:32
The problem is that, in cancer,
326
797000
2000
El problema es que, en el cáncer,
13:34
there isn't something else
327
799000
2000
no es algo de más
13:36
that's inside of you.
328
801000
2000
que está dentro tuyo.
13:38
It's you; you're broken.
329
803000
2000
Eres tú, tú te has roto.
13:40
That conversation inside of you
330
805000
4000
Esa conversación adentro tuyo
13:44
got mixed up in some way.
331
809000
2000
se ha desordenado de alguna manera.
13:46
So how do we diagnose that conversation?
332
811000
2000
¿Así que cómo diagnosticamos esa conversación?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Ahora lo que estamos haciendo es dividirla por parte del cuerpo,
13:51
you know, where did it appear? --
334
816000
3000
ya saben, dónde apareció,
13:54
and we put you in different categories
335
819000
2000
y te ponemos en diferentes categorías
13:56
according to the part of the body.
336
821000
2000
de acuerdo con la parte del cuerpo.
13:58
And then we do a clinical trial
337
823000
2000
Y luego hacemos un ensayo clínico
14:00
for a drug for lung cancer
338
825000
2000
para una droga para el cáncer de pulmón
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
y una para el cáncer de próstata y una para el cáncer de mama,
14:05
and we treat these as if they're separate diseases
340
830000
3000
y los tratamos como si fuesen enfermedades diferentes
14:08
and that this way of dividing them
341
833000
2000
y como si esta forma de dividirlas
14:10
had something to do with what actually went wrong.
342
835000
2000
tuviese algo que ver con lo que en realidad salió mal.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Y por supuesto, en realidad no tiene tanto que ver
14:14
with what went wrong
344
839000
2000
con lo que salió mal.
14:16
because cancer is a failure of the system.
345
841000
3000
Porque el cáncer es una falla del sistema.
14:19
And in fact, I think we're even wrong
346
844000
2000
Y de hecho, creo que estamos incluso equivocados
14:21
when we talk about cancer as a thing.
347
846000
3000
cuando hablamos del cáncer como una cosa.
14:24
I think this is the big mistake.
348
849000
2000
Creo que éste es el gran error.
14:26
I think cancer should not be a noun.
349
851000
4000
Creo que el cáncer no debería ser un sustantivo.
14:30
We should talk about cancering
350
855000
2000
Deberíamos hablar de "cancerar"
14:32
as something we do, not something we have.
351
857000
3000
como algo que hacemos, no algo que tenemos.
14:35
And so those tumors,
352
860000
2000
Y entonces los tumores,
14:37
those are symptoms of cancer.
353
862000
2000
ésos son síntomas del cáncer.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Y tu cuerpo probablemente esté cancerando todo el tiempo.
14:42
but there are lots of systems in your body
355
867000
3000
Pero hay muchos sistemas en tu cuerpo
14:45
that keep it under control.
356
870000
2000
que lo mantienen bajo control.
14:47
And so to give you an idea
357
872000
2000
Para darles una idea
14:49
of an analogy of what I mean
358
874000
2000
de una analogía de lo que quiero decir
14:51
by thinking of cancering as a verb,
359
876000
3000
al pensar el cancerar como un verbo,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
imaginen que no supiéramos nada sobre plomería,
14:57
and the way that we talked about it,
361
882000
2000
y la manera en que hablamos de ella;
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
llegaríamos a casa y encontraríamos una gotera en la cocina
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
y diríamos, "Oh, mi casa tiene agua."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Podríamos dividirlo; el plomero diría, "Bien, ¿dónde está el agua"?
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Bien, está en la cocina." "Oh, debes tener agua de cocina."
15:12
That's kind of the level at which it is.
366
897000
3000
Ese es más o menos el nivel al que está.
15:15
"Kitchen water,
367
900000
2000
"¿Agua de cocina?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Bien, primero que nada, iremos y trapearemos un montón de ella.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Y luego nos enteramos que si rociamos un producto químico en la cocina,
15:22
that helps.
370
907000
3000
eso ayuda.
15:25
Whereas living room water,
371
910000
2000
Mientras que para el agua de living,
15:27
it's better to do tar on the roof."
372
912000
2000
es mejor el alquitrán en el techo.
15:29
And it sounds silly,
373
914000
2000
Y suena tonto,
15:31
but that's basically what we do.
374
916000
2000
pero eso es básicamente lo que hacemos.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Y no estoy diciendo que no deberían trapear el agua si tuvieran cáncer.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Pero estoy diciendo que ése no es el problema,
15:39
that's the symptom of the problem.
377
924000
2000
ése es el síntoma del problema.
15:41
What we really need to get at
378
926000
2000
A donde realmente debemos llegar
15:43
is the process that's going on,
379
928000
2000
es al proceso que está sucediendo,
15:45
and that's happening at the level
380
930000
2000
y eso está sucediendo al nivel
15:47
of the proteonomic actions,
381
932000
2000
de las acciones proteonómicas,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
sucediendo al nivel de por qué tu cuerpo no se está curando a sí mismo
15:52
in the way that it normally does?
383
937000
2000
en la manera en que normalmente lo hace.
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Porque normalmente tu cuerpo está lidiando con este problema todo el tiempo.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
O sea que tu casa está lidiando con las goteras todo el tiempo.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Pero las está reparando. Las está drenando una y otra vez.
16:04
So what we need
387
949000
3000
Lo que necesitamos
16:07
is to have a causative model
388
952000
4000
es tener un modelo causativo
16:11
of what's actually going on,
389
956000
2000
de lo que en realidad está sucediendo.
16:13
and proteomics actually gives us
390
958000
3000
Y la proteómica realmente nos brinda
16:16
the ability to build a model like that.
391
961000
3000
la posibilidad de construir un modelo como ese.
16:19
David got me invited
392
964000
2000
David consiguió que me invitaran
16:21
to give a talk at National Cancer Institute
393
966000
2000
a dar una charla al Instituto Nacional del Cáncer
16:23
and Anna Barker was there.
394
968000
3000
y Anna Barker estaba allí.
16:27
And so I gave this talk
395
972000
2000
Así que di esta charla
16:29
and said, "Why don't you guys do this?"
396
974000
3000
y pregunté, "¿Por qué no hacen esto?"
16:32
And Anna said,
397
977000
2000
Y Anna me dijo,
16:34
"Because nobody within cancer
398
979000
3000
"Porque nadie involucrado con el cáncer
16:37
would look at it this way.
399
982000
2000
lo miraría de esta manera.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Pero lo que haremos, es crear un programa
16:42
for people outside the field of cancer
401
987000
2000
para que gente fuera del ámbito del cáncer
16:44
to get together with doctors
402
989000
2000
se junte con médicos
16:46
who really know about cancer
403
991000
3000
que realmente sepan del cáncer
16:49
and work out different programs of research."
404
994000
4000
y trabajen en diferentes programas de investigación."
16:53
So David and I applied to this program
405
998000
2000
Así que David y yo nos aplicamos a este programa
16:55
and created a consortium
406
1000000
2000
y creamos un consorcio
16:57
at USC
407
1002000
2000
en la Universidad del Sur de California
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
donde tenemos algunos de los mejores oncólogos del mundo
17:02
and some of the best biologists in the world,
409
1007000
3000
y algunos de los mejores biólogos del mundo,
17:05
from Cold Spring Harbor,
410
1010000
2000
de Cold Spring Harbour,
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
no procederé a nombrar todos los lugares --
17:12
to have a research project
413
1017000
3000
para tener un proyecto de investigación
17:15
that will last for five years
414
1020000
2000
que durará cinco años
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
en el que efectivamente intentaremos construir un modelo de cáncer como éste.
17:20
We're doing it in mice first,
416
1025000
2000
Lo estamos haciendo en ratones primero.
17:22
and we will kill a lot of mice
417
1027000
2000
Y vamos a matar un montón de ratones
17:24
in the process of doing this,
418
1029000
2000
en el proceso de hacerlo,
17:26
but they will die for a good cause.
419
1031000
2000
pero morirán por una buena causa.
17:28
And we will actually try to get to the point
420
1033000
3000
Y en efecto trataremos de llegar al punto
17:31
where we have a predictive model
421
1036000
2000
en el que tengamos un modelo predictivo
17:33
where we can understand,
422
1038000
2000
en el que podamos entender
17:35
when cancer happens,
423
1040000
2000
cuándo sucede el cáncer,
17:37
what's actually happening in there
424
1042000
2000
qué está pasando realmente ahí dentro
17:39
and which treatment will treat that cancer.
425
1044000
3000
y qué tratamiento actuará en ese cáncer.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Así que déjenme terminar dándoles una pequeña visión
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
de cómo creo que será el tratamiento del cáncer en el futuro.
17:48
So I think eventually,
428
1053000
2000
Pienso que eventualmente,
17:50
once we have one of these models for people,
429
1055000
2000
una vez que tengamos uno de estos modelos para personas,
17:52
which we'll get eventually --
430
1057000
2000
el que eventualmente tendremos;
17:54
I mean, our group won't get all the way there --
431
1059000
2000
quiero decir, nuestro grupo no recorrerá todo el camino hasta allí,
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
pero eventualmente tendremos un muy buen modelo computarizado,
17:59
sort of like a global climate model for weather.
433
1064000
3000
algo como un modelo climático global en el caso del clima.
18:02
It has lots of different information
434
1067000
3000
Tiene muchísima información diferente
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
sobre cuál es el proceso en curso en esta conversación proteómica
18:08
on many different scales.
436
1073000
2000
en muchas escalas diferentes.
18:10
And so we will simulate
437
1075000
2000
Y así vamos a simular
18:12
in that model
438
1077000
2000
en ese modelo
18:14
for your particular cancer --
439
1079000
3000
para tu cáncer en particular --
18:17
and this also will be for ALS,
440
1082000
2000
y esto también servirá para la ELA (Esclerosis Lateral Amitrófica),
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
o cualquier tipo de enfermedades neurodegenerativas,
18:22
things like that --
442
1087000
2000
cosas por el estilo --
18:24
we will simulate
443
1089000
2000
te simularemos
18:26
specifically you,
444
1091000
2000
específicamente a ti,
18:28
not just a generic person,
445
1093000
2000
no una persona genérica,
18:30
but what's actually going on inside you.
446
1095000
2000
sino lo que realmente está sucediendo dentro tuyo.
18:32
And in that simulation, what we could do
447
1097000
2000
Y en esa simulacion, lo que podríamos hacer
18:34
is design for you specifically
448
1099000
2000
es diseñar específicamente para ti
18:36
a sequence of treatments,
449
1101000
2000
una secuencia de tratamientos,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
y podrían ser tratamientos muy suaves, cantidades de droga muy pequeñas.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Podrían ser cosas como no comer ese día,
18:44
or give them a little chemotherapy,
452
1109000
2000
o darles un poco de quimioterapia,
18:46
maybe a little radiation.
453
1111000
2000
tal vez un poco de radiación.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Por supuesto, haremos cirugía a veces, y cosas por el estilo.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Pero diseñar un programa de tratamientos específicamente para ti
18:54
and help your body
456
1119000
3000
y ayudar a tu cuerpo
18:57
guide back to health --
457
1122000
3000
a guiarse de regreso a la salud;
19:00
guide your body back to health.
458
1125000
2000
guiar a tu cuerpo de regreso a la salud.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Porque tu cuerpo hará la mayor parte del arreglo
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
si tan solo le brindamos un poco de apoyo en los procesos que están mal.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Ponemos el equivalente de una férula.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Tu cuerpo básicamente tiene montones y montones de mecanismos
19:13
for fixing cancer,
463
1138000
2000
para arreglar el cáncer,
19:15
and we just have to prop those up in the right way
464
1140000
3000
y nosotros simplemente tenemos que encaminarlos en la forma correcta
19:18
and get them to do the job.
465
1143000
2000
y lograr que ellos hagan el trabajo.
19:20
And so I believe that this will be the way
466
1145000
2000
Así que creo que ésta será la forma
19:22
that cancer will be treated in the future.
467
1147000
2000
en que el cáncer será tratado en el futuro.
19:24
It's going to require a lot of work,
468
1149000
2000
Va a requerir mucho trabajo,
19:26
a lot of research.
469
1151000
2000
mucha investigación.
19:28
There will be many teams like our team
470
1153000
3000
Habrá muchos equipos como nuestro equipo
19:31
that work on this.
471
1156000
2000
que trabajen en esto.
19:33
But I think eventually,
472
1158000
2000
Creo que alguna vez,
19:35
we will design for everybody
473
1160000
2000
diseñaremos para todo el mundo
19:37
a custom treatment for cancer.
474
1162000
4000
un tratamiento personalizado del cáncer.
19:41
So thank you very much.
475
1166000
2000
Así que muchas gracias.
19:43
(Applause)
476
1168000
6000
(Aplausos)
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