TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Sheila Nirenberg: Una prótesis ocular para tratar la ceguera
Filmed:
Readability: 4.3
470,530 views
En TEDMED, Sheila Nirenberg demuestra una manera ingeniosa para recuperar la vista en el caso de personas con cierto tipo de ceguera, conectandolas señales captadas por una cámara al nervio óptico y enviándolas directamente al cerebro.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
Me dedico a estudiar los procesos
00:17
information. That is, how it takes
1
2000
2000
de información en el cerebro. Osea,
00:19
information in from the outside world, and
2
4000
2000
cómo capta información externa y
00:21
converts it into patterns of electrical activity,
3
6000
2000
la convierte en patrones de actividad eléctrica,
00:23
and then how it uses those patterns
4
8000
2000
y cómo usa esos patrones
00:25
to allow you to do things --
5
10000
2000
para poder hacer cosas;
00:27
to see, hear, to reach for an object.
6
12000
2000
para ver, oír, alcanzar objetos.
00:29
So I'm really a basic scientist, not
7
14000
2000
En realidad soy básicamente investigadora y no
00:31
a clinician, but in the last year and a half
8
16000
2000
médica que trata a pacientes, pero en el último año y medio
00:33
I've started to switch over, to use what
9
18000
2000
comencé a cambiar, a usar lo que
00:35
we've been learning about these patterns
10
20000
2000
hemos aprendido sobre patrones
00:37
of activity to develop prosthetic devices,
11
22000
3000
de actividad para desarrollar prótesis.
00:40
and what I wanted to do today is show you
12
25000
2000
Lo que haré hoy es mostrarles
00:42
an example of this.
13
27000
2000
un ejemplo de esto.
00:44
It's really our first foray into this.
14
29000
2000
Es nuestra primera incursión.
00:46
It's the development of a prosthetic device
15
31000
2000
Es el desarrollo de una prótesis
00:48
for treating blindness.
16
33000
2000
para corregir la ceguera.
00:50
So let me start in on that problem.
17
35000
2000
Permítanme comenzar con el problema.
00:52
There are 10 million people in the U.S.
18
37000
2000
En EEUU hay 10 millones de personas
00:54
and many more worldwide who are blind
19
39000
2000
y muchos más en todo el mundo, ciegas,
00:56
or are facing blindness due to diseases
20
41000
2000
o que están a punto de quedar ciegas por
00:58
of the retina, diseases like
21
43000
2000
males de retina, como
01:00
macular degeneration, and there's little
22
45000
2000
la degeneración macular. Y no se
01:02
that can be done for them.
23
47000
2000
puede hacer mucho para ayudarles.
01:04
There are some drug treatments, but
24
49000
2000
Hay tratamientos farmacológicos pero
01:06
they're only effective on a small fraction
25
51000
2000
sólo son efectivos para una pequeña parte
01:08
of the population. And so, for the vast
26
53000
2000
de la población. Para la gran mayoría
01:10
majority of patients, their best hope for
27
55000
2000
de los pacientes, la mayor esperanza
01:12
regaining sight is through prosthetic devices.
28
57000
2000
de recuperar la vista es mediante prótesis.
01:14
The problem is that current prosthetics
29
59000
2000
El problema es que las prótesis actuales
01:16
don't work very well. They're still very
30
61000
2000
no funcionan muy bien. Son muy limitadas
01:18
limited in the vision that they can provide.
31
63000
2000
en la visión que pueden proporcionar.
01:20
And so, you know, for example, with these
32
65000
2000
Por ejemplo, en el caso de esos aparatos,
01:22
devices, patients can see simple things
33
67000
2000
los pacientes ven cosas sencillas como
01:24
like bright lights and high contrast edges,
34
69000
2000
luces brillantes y bordes de alto contraste
01:26
not very much more, so nothing close
35
71000
2000
y no mucho más. No se ha logrado nada parecido
01:28
to normal vision has been possible.
36
73000
3000
a la visión normal.
01:31
So what I'm going to tell you about today
37
76000
2000
Pero hoy quiero contarles algo sobre
01:33
is a device that we've been working on
38
78000
2000
una prótesis en la que estamos trabajando
01:35
that I think has the potential to make
39
80000
2000
que pienso, tiene el potencial para
01:37
a difference, to be much more effective,
40
82000
2000
marcar una diferencia mucho más efectiva.
01:39
and what I wanted to do is show you
41
84000
2000
Lo que haré es mostrarles
01:41
how it works. Okay, so let me back up a
42
86000
2000
cómo funciona. Permítanme retroceder
01:43
little bit and show you how a normal retina
43
88000
2000
un tanto y mostrarles primero como funciona
01:45
works first so you can see the problem
44
90000
2000
una retina normal, para que vean el problema
01:47
that we were trying to solve.
45
92000
2000
que tratamos de resolver.
01:49
Here you have a retina.
46
94000
2000
Aquí tenemos una retina.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Tenemos una imagen, una retina y un cerebro.
01:53
So when you look at something, like this image
48
98000
2000
Al mirar algo, como esta imagen
01:55
of this baby's face, it goes into your eye
49
100000
2000
de la cara de un bebé, llega al ojo
01:57
and it lands on your retina, on the front-end
50
102000
2000
y se coloca en la retina, en las células de
01:59
cells here, the photoreceptors.
51
104000
2000
la parte delantera, los fotoreceptores.
02:01
Then what happens is the retinal circuitry,
52
106000
2000
Entonces los circuitos de la retina,
02:03
the middle part, goes to work on it,
53
108000
2000
en la zona intermedia, empiezan a trabajar
02:05
and what it does is it performs operations
54
110000
2000
y llevan a cabo algunas operaciones,
02:07
on it, it extracts information from it, and it
55
112000
2000
extraen la información y
02:09
converts that information into a code.
56
114000
2000
la convierten en un código.
02:11
And the code is in the form of these patterns
57
116000
2000
Ese código tiene la forma de patrones
02:13
of electrical pulses that get sent
58
118000
2000
de pulsos eléctricos que se envían
02:15
up to the brain, and so the key thing is
59
120000
2000
hacia el cerebro. Lo importante es que
02:17
that the image ultimately gets converted
60
122000
2000
la imagen finalmente se convierte
02:19
into a code. And when I say code,
61
124000
2000
en un código. Digo código
02:21
I do literally mean code.
62
126000
2000
en sentido literal.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Este patrón de pulsos aquí, se traduce en "cara de bebé".
02:26
and so when the brain gets this pattern
64
131000
2000
Así, cuando el cerebro recibe este patrón
02:28
of pulses, it knows that what was out there
65
133000
2000
de pulsos, sabe que lo que había allá afuera
02:30
was a baby's face, and if it
66
135000
2000
era una cara de bebé. Si recibe
02:32
got a different pattern it would know
67
137000
2000
un patrón diferente, sabrá que
02:34
that what was out there was, say, a dog,
68
139000
2000
lo que había era, por ejemplo, un perro,
02:36
or another pattern would be a house.
69
141000
2000
u otro patrón, podría ser una casa.
02:38
Anyway, you get the idea.
70
143000
2000
Creo que entienden la idea.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
Claro, en la vida real todo es muy dinámico,
02:42
meaning that it's changing all the time,
72
147000
2000
o sea que cambia todo el tiempo.
02:44
so the patterns of pulses are changing
73
149000
2000
Los patrones de pulsos cambian
02:46
all the time because the world you're
74
151000
2000
porque el mundo que
02:48
looking at is changing all the time too.
75
153000
3000
miramos también cambia.
02:51
So, you know, it's sort of a complicated
76
156000
2000
Es algo bastante complicado.
02:53
thing. You have these patterns of pulses
77
158000
2000
Tenemos patrones de pulsos
02:55
coming out of your eye every millisecond
78
160000
2000
provenientes de los ojos cada milisegundo
02:57
telling your brain what it is that you're seeing.
79
162000
2000
que dicen al cerebro lo que ven.
02:59
So what happens when a person
80
164000
2000
¿Qué le ocurre a una persona con una
03:01
gets a retinal degenerative disease like
81
166000
2000
enfermedad de la retina como
03:03
macular degeneration? What happens is
82
168000
2000
la degeneración macular? Lo que sucede es
03:05
is that, the front-end cells die,
83
170000
2000
que mueren las células frontales,
03:07
the photoreceptors die, and over time,
84
172000
2000
los fotoreceptores, y con el tiempo,
03:09
all the cells and the circuits that are
85
174000
2000
todas las células y los circuitos
03:11
connected to them, they die too.
86
176000
2000
conectados a ellas mueren también,
03:13
Until the only things that you have left
87
178000
2000
hasta quedar únicamente
03:15
are these cells here, the output cells,
88
180000
2000
estas células, las células de salida,
03:17
the ones that send the signals to the brain,
89
182000
2000
las que mandan las señales al cerebro.
03:19
but because of all that degeneration
90
184000
2000
Pero debido a toda esa degeneración
03:21
they aren't sending any signals anymore.
91
186000
2000
ya no pueden enviar ninguna señal.
03:23
They aren't getting any input, so
92
188000
2000
No tienen ninguna entrada,
03:25
the person's brain no longer gets
93
190000
2000
por tanto el cerebro de la persona ya no
03:27
any visual information --
94
192000
2000
recibe ninguna información;
03:29
that is, he or she is blind.
95
194000
3000
es decir, está ciega.
03:32
So, a solution to the problem, then,
96
197000
2000
Una solución al problema sería entonces
03:34
would be to build a device that could mimic
97
199000
2000
construir un aparato que imitara
03:36
the actions of that front-end circuitry
98
201000
2000
las acciones de los circuitos frontales
03:38
and send signals to the retina's output cells,
99
203000
2000
y enviara señales a las células de salida de la retina,
03:40
and they can go back to doing their
100
205000
2000
de modo que éstas retomaran su
03:42
normal job of sending signals to the brain.
101
207000
2000
función normal de mandar señales al cerebro.
03:44
So this is what we've been working on,
102
209000
2000
Es en esto en lo que trabajamos
03:46
and this is what our prosthetic does.
103
211000
2000
y esto es lo que hace nuestra prótesis.
03:48
So it consists of two parts, what we call
104
213000
2000
Consta de dos partes llamadas
03:50
an encoder and a transducer.
105
215000
2000
codificador y transductor.
03:52
And so the encoder does just
106
217000
2000
Lo que hace el codificador es simplemente
03:54
what I was saying: it mimics the actions
107
219000
2000
lo que dije: imita las acciones
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
de los circuitos frontales capta imágenes
03:58
in and converts them into the retina's code.
109
223000
2000
y las convierte en códigos de retina.
04:00
And then the transducer then makes the
110
225000
2000
Luego el transductor hace que
04:02
output cells send the code on up
111
227000
2000
las células de salida envíen el código
04:04
to the brain, and the result is
112
229000
2000
al cerebro. El resultado es una
04:06
a retinal prosthetic that can produce
113
231000
3000
prótesis de retina que puede producir
04:09
normal retinal output.
114
234000
2000
salida de retina normal.
04:11
So a completely blind retina,
115
236000
2000
Así, una retina completamente ciega,
04:13
even one with no front-end circuitry at all,
116
238000
2000
aunque no tenga ningún circuito frontal,
04:15
no photoreceptors,
117
240000
2000
sin fotoreceptores,
04:17
can now send out normal signals,
118
242000
2000
ahora puede enviar señales normales
04:19
signals that the brain can understand.
119
244000
3000
que el cerebro puede interpretar.
04:22
So no other device has been able
120
247000
2000
Ningún otro aparato ha podido
04:24
to do this.
121
249000
2000
hacer esto.
04:26
Okay, so I just want to take
122
251000
2000
Sólo quiero decir
04:28
a sentence or two to say something about
123
253000
2000
una o dos frases sobre lo que es
04:30
the encoder and what it's doing, because
124
255000
2000
el codificador y lo que hace, porque
04:32
it's really the key part and it's
125
257000
2000
en realidad es la parte central.
04:34
sort of interesting and kind of cool.
126
259000
2000
Es interesante, es genial.
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
No estoy segura si la palabra "genial" es la correcta,
04:38
you know what I mean.
128
263000
2000
pero Uds. me entienden.
04:40
So what it's doing is, it's replacing
129
265000
2000
Lo que hace es que reemplaza
04:42
the retinal circuitry, really the guts of
130
267000
2000
los circuitos de la retina, osea la esencia
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
de esos circuitos, con un conjunto de ecuaciones
04:46
a set of equations that we can implement
132
271000
2000
que podemos implementar en un chip.
04:48
on a chip. So it's just math.
133
273000
2000
Puras matemáticas.
04:50
In other words, we're not literally replacing
134
275000
3000
En otras palabras, no reemplazamos
04:53
the components of the retina.
135
278000
2000
los componentes de la retina.
04:55
It's not like we're making a little mini-device
136
280000
2000
No hacemos un aparato en miniatura
04:57
for each of the different cell types.
137
282000
2000
para cada uno de los diversos tipos de células.
04:59
We've just abstracted what the
138
284000
2000
Simplemente hemos abstraído el
05:01
retina's doing with a set of equations.
139
286000
2000
funcionamiento de la retina con unas ecuaciones.
05:03
And so, in a way, the equations are serving
140
288000
2000
Las ecuaciones, en cierta forma, sirven
05:05
as sort of a codebook. An image comes in,
141
290000
2000
como diccionario. Llega una imagen,
05:07
goes through the set of equations,
142
292000
3000
pasa por las ecuaciones
05:10
and out comes streams of electrical pulses,
143
295000
2000
y sale una secuencia de pulsos eléctricos,
05:12
just like a normal retina would produce.
144
297000
4000
como los de una retina normal.
05:16
Now let me put my money
145
301000
2000
Ahora permítanme mostrar
05:18
where my mouth is and show you that
146
303000
2000
en la práctica, cómo
05:20
we can actually produce normal output,
147
305000
2000
podemos producir una visión normal.
05:22
and what the implications of this are.
148
307000
2000
Veremos las implicaciones.
05:24
Here are three sets of
149
309000
2000
Aquí hay tres conjuntos de
05:26
firing patterns. The top one is from
150
311000
2000
patrones de señales. La de arriba es de
05:28
a normal animal, the middle one is from
151
313000
2000
un animal normal. La del medio es de
05:30
a blind animal that's been treated with
152
315000
2000
un animal ciego que ha sido tratado con
05:32
this encoder-transducer device, and the
153
317000
2000
el mecanismo codificador-transductor y la
05:34
bottom one is from a blind animal treated
154
319000
2000
inferior es de un animal tratado
05:36
with a standard prosthetic.
155
321000
2000
con una prótesis corriente.
05:38
So the bottom one is the state-of-the-art
156
323000
2000
La última es el sistema más moderno
05:40
device that's out there right now, which is
157
325000
2000
de los existentes en la actualidad,
05:42
basically made up of light detectors,
158
327000
2000
básicamente hecho con detectores de luz,
05:44
but no encoder. So what we did was we
159
329000
2000
sin codificador. Lo que hicimos fue
05:46
presented movies of everyday things --
160
331000
2000
presentar una película sobre cosas corrientes;
05:48
people, babies, park benches,
161
333000
2000
gente, bebés, bancos de parque,
05:50
you know, regular things happening -- and
162
335000
2000
osea, cosas normales que suceden, y
05:52
we recorded the responses from the retinas
163
337000
2000
grabamos las respuestas de las retinas
05:54
of these three groups of animals.
164
339000
2000
de estos tres grupos de animales.
05:56
Now just to orient you, each box is showing
165
341000
2000
Simplemente como orientación, cada cuadro
05:58
the firing patterns of several cells,
166
343000
2000
muestra los patrones de varias células,
06:00
and just as in the previous slides,
167
345000
2000
y, como en las gráficas anteriores,
06:02
each row is a different cell,
168
347000
2000
cada fila es una célula diferente.
06:04
and I just made the pulses a little bit smaller
169
349000
2000
Sólo que aquí reduje un tanto los pulsos
06:06
and thinner so I could show you
170
351000
3000
y los hice más delgados para mostrar
06:09
a long stretch of data.
171
354000
2000
una larga cadena de datos.
06:11
So as you can see, the firing patterns
172
356000
2000
Como pueden ver, los patrones de señales
06:13
from the blind animal treated with
173
358000
2000
de los animales ciegos tratados con
06:15
the encoder-transducer really do very
174
360000
2000
el codificador-transductor,
06:17
closely match the normal firing patterns --
175
362000
2000
realmente se ajustan a los normales;
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
no es perfecto, pero sí bastante bueno.
06:21
and the blind animal treated with
177
366000
2000
Y en el caso del animal ciego tratado
06:23
the standard prosthetic,
178
368000
2000
con la prótesis corriente,
06:25
the responses really don't.
179
370000
2000
las respuestas no se parecen.
06:27
And so with the standard method,
180
372000
3000
Con el método corriente
06:30
the cells do fire, they just don't fire
181
375000
2000
las células sí emiten señales, pero
06:32
in the normal firing patterns because
182
377000
2000
no con los patrones normales, porque
06:34
they don't have the right code.
183
379000
2000
no tienen el código correcto.
06:36
How important is this?
184
381000
2000
¿Qué es lo importante de esto?
06:38
What's the potential impact
185
383000
2000
¿Cuál es el impacto potencial
06:40
on a patient's ability to see?
186
385000
3000
en la capacidad de ver de un paciente?
06:43
So I'm just going to show you one
187
388000
2000
Sólo les mostraré los resultados
06:45
bottom-line experiment that answers this,
188
390000
2000
de un experimento que responde a esto.
06:47
and of course I've got a lot of other data,
189
392000
2000
Claro que tengo muchos más datos;
06:49
so if you're interested I'm happy
190
394000
2000
si tienen interés, me encantaría
06:51
to show more. So the experiment
191
396000
2000
mostrarles más. Éste se llama
06:53
is called a reconstruction experiment.
192
398000
2000
experimento de reconstrucción.
06:55
So what we did is we took a moment
193
400000
2000
Lo que hicimos fue tomar un momento
06:57
in time from these recordings and asked,
194
402000
3000
de esas grabaciones y preguntarnos,
07:00
what was the retina seeing at that moment?
195
405000
2000
¿qué veía la retina en ese momento?
07:02
Can we reconstruct what the retina
196
407000
2000
¿Podríamos reconstruir lo que la retina
07:04
was seeing from the responses
197
409000
2000
veía, a partir de las respuestas
07:06
from the firing patterns?
198
411000
2000
de los patrones de señales?
07:08
So, when we did this for responses
199
413000
3000
Esto lo hicimos con las respuestas
07:11
from the standard method and from
200
416000
3000
del método corriente y con las del
07:14
our encoder and transducer.
201
419000
2000
codificador y transductor.
07:16
So let me show you, and I'm going to
202
421000
2000
Aquí están. Comienzo con
07:18
start with the standard method first.
203
423000
2000
el método corriente, primero.
07:20
So you can see that it's pretty limited,
204
425000
2000
Como pueden ver, es muy imperfecto.
07:22
and because the firing patterns aren't
205
427000
2000
Como los patrones de señales no están
07:24
in the right code, they're very limited in
206
429000
2000
en el código correcto, son muy inadecuados
07:26
what they can tell you about
207
431000
2000
sobre lo que pueden mostrar
07:28
what's out there. So you can see that
208
433000
2000
de lo que había. Se puede ver que
07:30
there's something there, but it's not so clear
209
435000
2000
hay algo ahí, pero no está muy claro
07:32
what that something is, and this just sort of
210
437000
2000
qué es. De esto
07:34
circles back to what I was saying in the
211
439000
2000
hablaba al
07:36
beginning, that with the standard method,
212
441000
2000
principio sobre el método corriente.
07:38
patients can see high-contrast edges, they
213
443000
2000
Los pacientes pueden ver bordes de alto contraste,
07:40
can see light, but it doesn't easily go
214
445000
2000
pueden ver la luz, pero no mucho más
07:42
further than that. So what was
215
447000
2000
que eso. Entonces, ¿Cuál era
07:44
the image? It was a baby's face.
216
449000
3000
la imagen? La cara del bebé.
07:47
So what about with our approach,
217
452000
2000
Y ¿cómo es con nuestro método,
07:49
adding the code? And you can see
218
454000
2000
si se añade el código? Como pueden ver
07:51
that it's much better. Not only can you
219
456000
2000
es mucho mejor. No sólo se puede decir
07:53
tell that it's a baby's face, but you can
220
458000
2000
que es la cara de un bebé, sino que es
07:55
tell that it's this baby's face, which is a
221
460000
2000
la cara de ese bebé, lo cual es ya un reto
07:57
really challenging task.
222
462000
2000
bastante exigente.
07:59
So on the left is the encoder
223
464000
2000
A la izquierda está el del codificador
08:01
alone, and on the right is from an actual
224
466000
2000
solo, y a la derecha, el de una retina
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
ciega, con el codificador y el transductor
08:05
But the key one really is the encoder alone,
226
470000
2000
El elemento clave es el codificador solo,
08:07
because we can team up the encoder with
227
472000
2000
porque se puede conectar con
08:09
the different transducer.
228
474000
2000
un transductor diferente.
08:11
This is just actually the first one that we tried.
229
476000
2000
Este es el primero que ensayamos.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Quisiera decir algo sobre el método corriente.
08:15
When this first came out, it was just a really
231
480000
2000
Cuando salió por primera vez, fue algo muy
08:17
exciting thing, the idea that you
232
482000
2000
emocionante; era la idea de
08:19
even make a blind retina respond at all.
233
484000
3000
poder hacer que una retina ciega respondiera.
08:22
But there was this limiting factor,
234
487000
3000
Pero existía este factor limitador,
08:25
the issue of the code, and how to make
235
490000
2000
el del código y cómo hacer que
08:27
the cells respond better,
236
492000
2000
las células respondieran mejor,
08:29
produce normal responses,
237
494000
2000
que produjeran respuestas normales,
08:31
and so this was our contribution.
238
496000
2000
y ésta es nuestra contribución.
08:33
Now I just want to wrap up,
239
498000
2000
Ahora quiero terminar.
08:35
and as I was mentioning earlier
240
500000
2000
Como dije antes,
08:37
of course I have a lot of other data
241
502000
2000
tengo muchos datos más,
08:39
if you're interested, but I just wanted to give
242
504000
2000
si tienen interés. Todo lo que quería mostrar
08:41
this sort of basic idea
243
506000
2000
era la idea básica
08:43
of being able to communicate
244
508000
3000
de que podemos comunicarnos
08:46
with the brain in its language, and
245
511000
2000
con el cerebro en su lenguaje, y la
08:48
the potential power of being able to do that.
246
513000
3000
capacidad potencial de poder hacerlo.
08:51
So it's different from the motor prosthetics
247
516000
2000
Esto es diferente de las prótesis de movimiento
08:53
where you're communicating from the brain
248
518000
2000
donde la comunicación va del cerebro
08:55
to a device. Here we have to communicate
249
520000
2000
al aparato. Aquí tenemos que comunicarnos
08:57
from the outside world
250
522000
2000
desde el mundo exterior
08:59
into the brain and be understood,
251
524000
2000
hacia el cerebro y lograr que
09:01
and be understood by the brain.
252
526000
2000
éste nos entienda.
09:03
And then the last thing I wanted
253
528000
2000
Lo último que quiero
09:05
to say, really, is to emphasize
254
530000
2000
destacar es que
09:07
that the idea generalizes.
255
532000
2000
la idea se puede generalizar.
09:09
So the same strategy that we used
256
534000
2000
La misma estrategia que usamos
09:11
to find the code for the retina we can also
257
536000
2000
para hallar el código de la retina, también
09:13
use to find the code for other areas,
258
538000
2000
puede usarse para encontrar otros códigos,
09:15
for example, the auditory system and
259
540000
2000
por ejemplo, del sistema auditivo y
09:17
the motor system, so for treating deafness
260
542000
2000
del sistema motriz, para tratar la sordera
09:19
and for motor disorders.
261
544000
2000
y los trastornos de movimiento.
09:21
So just the same way that we were able to
262
546000
2000
De la misma manera que hemos
09:23
jump over the damaged
263
548000
2000
evitado los circuitos
09:25
circuitry in the retina to get to the retina's
264
550000
2000
deteriorados de la retina para llegar a las células
09:27
output cells, we can jump over the
265
552000
2000
de salida, así mismo podremos evitar los
09:29
damaged circuitry in the cochlea
266
554000
2000
circuitos defectuosos de la cóclea
09:31
to get the auditory nerve,
267
556000
2000
para llegar al nervio auditivo,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
o evitar las áreas defectuosas del área motriz de
09:35
in the motor cortex, to bridge the gap
269
560000
3000
la corteza cerebral, para evitar el vacío
09:38
produced by a stroke.
270
563000
2000
dejado por una apoplejía.
09:40
I just want to end with a simple
271
565000
2000
Terminaré con un sencillo
09:42
message that understanding the code
272
567000
2000
mensaje diciendo que entender el código
09:44
is really, really important, and if we
273
569000
2000
es algo realmente muy importante, y si
09:46
can understand the code,
274
571000
2000
podemos entender
09:48
the language of the brain, things become
275
573000
2000
el lenguaje del cerebro, las cosas que
09:50
possible that didn't seem obviously
276
575000
2000
antes no parecían factibles, ahora
09:52
possible before. Thank you.
277
577000
2000
serán posibles. Gracias.
09:54
(Applause)
278
579000
5000
(Aplausos)
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com