TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Cómo leer el genoma y construir un ser humano
Filmed:
Readability: 3.6
1,834,677 views
Secretos, enfermedades y belleza están escritos en el genoma humano, el conjunto completo de instrucciones genéticas necesarias para construir un ser humano. Ahora, como científico y empresario Riccardo Sabatini nos muestra que tenemos el poder de leer este código complejo, prediciendo cosas como la altura, el color de los ojos, la edad e incluso la estructura facial, todo desde un tubo de sangre. Y pronto, dice Sabatini, nuestra nueva comprensión del genoma nos permitirá personalizar los tratamientos para enfermedades como el cáncer. Tenemos el poder de cambiar la vida tal como la conocemos. ¿Cómo vamos a usarlo?
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.
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
Durante los siguientes 16 minutos,
voy a hacer un viaje
voy a hacer un viaje
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
esto es, probablemente,
el mayor sueño de la humanidad:
el mayor sueño de la humanidad:
00:18
to understand the code of life.
2
6508
2015
entender el código de la vida.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Para mí, todo comenzó
hace muchos, muchos años
hace muchos, muchos años
00:23
when I met the first 3D printer.
4
11839
2723
cuando me encontré
con la primera impresora 3D.
con la primera impresora 3D.
00:26
The concept was fascinating.
5
14586
1674
El concepto era fascinante.
Una impresora 3D necesita tres elementos:
00:28
A 3D printer needs three elements:
6
16284
2022
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
un bit de información, un poco
de materia prima, algo de energía,
de materia prima, algo de energía,
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
y puede producir cualquier objeto
que no estaba allí antes.
que no estaba allí antes.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Estaba haciendo física, regresaba a casa
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
y me di cuenta de que en realidad
siempre conocí una impresora 3D.
siempre conocí una impresora 3D.
00:44
And everyone does.
11
32140
1336
Y todo el mundo.
00:45
It was my mom.
12
33500
1158
Fue mi madre.
00:46
(Laughter)
13
34682
1001
(Risas)
00:47
My mom takes three elements:
14
35707
2414
Mi mamá toma tres elementos:
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
un poco de información, que está entre
mi padre y mi madre, en este caso,
mi padre y mi madre, en este caso,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
materia prima y energía en el
mismo medio, que es la comida,
mismo medio, que es la comida,
00:58
and after several months, produces me.
17
46323
2508
y después de varios meses, me produce.
01:00
And I was not existent before.
18
48855
1812
Yo no existía antes.
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
Aparte de la conmoción de mi madre
al descubrir que era una impresora 3D,
al descubrir que era una impresora 3D,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
inmediatamente me quedé hipnotizado
por esa parte,
por esa parte,
01:11
the first one, the information.
21
59239
1717
la primera, la información.
01:12
What amount of information does it take
22
60980
2251
¿Qué cantidad de información se necesita
para construir y ensamblar un ser humano?
01:15
to build and assemble a human?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
¿Es mucha? ¿Es poca?
¿Cuántas memorias USB
se pueden llenar?
se pueden llenar?
01:18
How many thumb drives can you fill?
25
66813
2180
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Bueno, yo estaba estudiando
física en el inicio
física en el inicio
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
y adopté el enfoque de un ser humano
como una pieza gigantesca de Lego.
como una pieza gigantesca de Lego.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Imaginen que los bloques de construcción
son pequeños átomos
son pequeños átomos
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
y hay un hidrógeno aquí,
un carbono aquí, un nitrógeno aquí.
un carbono aquí, un nitrógeno aquí.
01:37
So in the first approximation,
30
85772
1571
Así, en una primera aproximación,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
si puedo enumerar el número de átomos
que componen un ser humano,
que componen un ser humano,
01:43
I can build it.
32
91734
1387
puedo construirlo.
01:45
Now, you can run some numbers
33
93145
2029
Se pueden correr algunos números
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
y resulta que es un número
bastante sorprendente.
bastante sorprendente.
01:50
So the number of atoms,
35
98499
2757
Así el número de átomos,
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
el archivo que voy a guardar en mi
memoria USB para montar un pequeño bebé,
memoria USB para montar un pequeño bebé,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
en realidad, llena todo un Titanic
de memorias USB...
de memorias USB...
02:02
multiplied 2,000 times.
38
110750
2718
multiplicado 2000 veces.
02:05
This is the miracle of life.
39
113957
3401
Este es el milagro de la vida.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Cada vez que vean a partir de ahora
una mujer embarazada,
una mujer embarazada,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
ella ensambla la mayor
cantidad de información
cantidad de información
02:14
that you will ever encounter.
42
122898
1556
que se puedan encontrar.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Olvídense de datos masivos,
olviden todo lo que han oído.
olviden todo lo que han oído.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Esta es la mayor cantidad
de información que existe.
de información que existe.
02:22
(Applause)
45
130357
3833
(Aplausos)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
Pero la naturaleza, afortunadamente, es
mucho más inteligente que un joven físico,
mucho más inteligente que un joven físico,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
y en cuatro mil millones de años,
logró meter esta información
logró meter esta información
02:34
in a small crystal we call DNA.
48
142482
2705
en un pequeño cristal que llamamos ADN.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Lo encontramos por primera vez en 1950,
cuando Rosalind Franklin,
cuando Rosalind Franklin,
02:41
an amazing scientist, a woman,
50
149941
1556
una científica increíble, una mujer,
02:43
took a picture of it.
51
151521
1389
tomó una foto.
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
Pero nos constó más de 40 años llegar
dentro de una célula humana,
dentro de una célula humana,
02:50
take out this crystal,
53
158146
1602
sacar este cristal,
02:51
unroll it, and read it for the first time.
54
159772
3080
desenrollarlo, y leerlo por primera vez.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
El código viene a ser
un alfabeto bastante simple,
un alfabeto bastante simple,
02:58
four letters: A, T, C and G.
56
166880
3772
cuatro letras: A, T, C y G.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Y para construir un ser humano,
necesitan tres mil millones de ellas.
necesitan tres mil millones de ellas.
03:06
Three billion.
58
174933
1179
Tres mil millones.
03:08
How many are three billion?
59
176136
1579
¿Cuánto son tres mil millones?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
En realidad, no tiene ningún sentido
como número, ¿verdad?
como número, ¿verdad?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Así que estaba pensando cómo podría
explicarme mejor
explicarme mejor
03:16
about how big and enormous this code is.
62
184634
3050
acerca de lo grande
y enorme que es este código.
y enorme que es este código.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Pero hay... quiero decir,
voy a tener un poco de ayuda,
voy a tener un poco de ayuda,
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
y la mejor persona para ayudar
a introducir el código
a introducir el código
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
en realidad, es el primer hombre
que lo secuenció, el Dr. Craig Venter.
que lo secuenció, el Dr. Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Así que demos la bienvenida
en el escenario, el Dr. Craig Venter.
en el escenario, el Dr. Craig Venter.
03:32
(Applause)
67
200997
6931
(Aplausos)
03:39
Not the man in the flesh,
68
207952
2256
No es el hombre en carne y hueso,
03:43
but for the first time in history,
69
211448
2345
pero por primera vez en la historia,
03:45
this is the genome of a specific human,
70
213817
3462
este es el genoma
de un ser humano específico,
de un ser humano específico,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
impreso página por página,
letra por letra:
letra por letra:
03:53
262,000 pages of information,
72
221087
3996
262 000 páginas de información,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 kg enviados desde EE. UU. a Canadá
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
gracias a Bruno Bowden,
Lulu.com, un start-up, lo hizo todo.
Lulu.com, un start-up, lo hizo todo.
04:06
It was an amazing feat.
75
234362
1463
Es una hazaña increíble.
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
Pero esta es la percepción visual
de lo que es el código de la vida.
de lo que es el código de la vida.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Ahora, por primera vez,
puedo hacer algo divertido.
puedo hacer algo divertido.
04:14
I can actually poke inside it and read.
78
242672
2547
De hecho, me puedo meter
en su interior y leer.
en su interior y leer.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Déjenme tomar un libro interesante...
como éste.
como éste.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Tengo una anotación;
es un libro bastante grande.
es un libro bastante grande.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Solo para que puedan ver
lo que es el código de la vida.
lo que es el código de la vida.
Miles y miles y miles
04:32
Thousands and thousands and thousands
82
260566
3391
04:35
and millions of letters.
83
263981
2670
y millones de letras.
04:38
And they apparently make sense.
84
266675
2396
Y al parecer tienen sentido.
04:41
Let's get to a specific part.
85
269095
1757
Vamos a una parte específica.
04:43
Let me read it to you:
86
271571
1362
Permítanme leerles:
04:44
(Laughter)
87
272957
1021
(Risas)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA".
04:50
To you it sounds like mute letters,
89
278965
2067
Para Uds. suena como letras mudas,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
pero esta secuencia
da el color de los ojos a Craig.
da el color de los ojos a Craig.
04:57
I'll show you another part of the book.
91
285633
1932
Les voy a mostrar otra parte del libro.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Esta en realidad es
un poco más complicada.
un poco más complicada.
05:02
Chromosome 14, book 132:
93
290983
2647
Cromosoma 14, libro 132:
05:05
(Laughter)
94
293654
2090
(Risas)
05:07
As you might expect.
95
295768
1277
Como podrían esperar.
05:09
(Laughter)
96
297069
3466
(Risas)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT".
05:20
This human is lucky,
98
308329
1687
Esto hombre tiene suerte,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
porque si se pierden
solo dos letras en esta posición
solo dos letras en esta posición
--2 letras de nuestros
tres mil millones--
tres mil millones--
05:26
two letters of our three billion --
100
314581
1877
estarán condenados
a una terrible enfermedad:
a una terrible enfermedad:
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
05:30
cystic fibrosis.
102
318525
1440
fibrosis quística.
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
No tenemos ninguna cura para ella,
no sabemos cómo resolverlo,
no sabemos cómo resolverlo,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
y está a solo dos letras de diferencia
con respecto a lo que somos.
con respecto a lo que somos.
05:39
A wonderful book, a mighty book,
105
327585
2705
Un libro maravilloso, un libro poderoso,
05:43
a mighty book that helped me understand
106
331115
1998
un poderoso libro que me ayudó a entender
05:45
and show you something quite remarkable.
107
333137
2753
y mostrarles algo bastante notable.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Cada uno de Uds....
lo que me hace ser yo, y Uds., Uds.
lo que me hace ser yo, y Uds., Uds.
05:52
is just about five million of these,
109
340939
2954
es solo cerca de cinco millones de estas,
05:55
half a book.
110
343917
1228
medio libro.
05:58
For the rest,
111
346015
1663
Para el resto,
05:59
we are all absolutely identical.
112
347702
2562
somos absolutamente idénticos.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Quinientas páginas es el milagro
de la vida que los hace ser Uds.
de la vida que los hace ser Uds.
06:07
The rest, we all share it.
114
355050
2531
El resto, todo lo comparten.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Pensar en eso de nuevo cuando
pensamos que somos diferentes.
pensamos que somos diferentes.
06:12
This is the amount that we share.
116
360538
2221
Esta es la cantidad que compartimos.
06:15
So now that I have your attention,
117
363441
3429
Así que ahora que tengo su atención,
06:18
the next question is:
118
366894
1359
la siguiente pregunta es:
06:20
How do I read it?
119
368277
1151
¿Cómo lo leo?
06:21
How do I make sense out of it?
120
369452
1509
¿Cómo puedo darle sentido?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Por buenos que sean armando muebles suecos
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
este manual de instrucciones es algo que
no podrán descifrar en su vida.
no podrán descifrar en su vida.
06:31
(Laughter)
123
379260
1603
(Risas)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
Y así, en 2014, dos TEDsters famosos,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis y el propio Craig Venter,
06:38
decided to assemble a new company.
126
386587
1927
decidieron crear una nueva empresa.
06:40
Human Longevity was born,
127
388538
1412
Human Longevity nació,
06:41
with one mission:
128
389974
1370
con una misión:
06:43
trying everything we can try
129
391368
1861
Intentar todo lo que se puede intentar
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
y aprender todo lo que se puede aprender
de estos libros,
de estos libros,
06:48
with one target --
131
396036
1705
con un objetivo...
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
hacer realidad el sueño
de la medicina personalizada,
de la medicina personalizada,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
comprender que cosas deben hacerse
para tener una mejor salud
para tener una mejor salud
06:57
and what are the secrets in these books.
134
405478
2283
y cuáles son los secretos de estos libros.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Un equipo increíble, 40 científicos
de datos y muchas, muchas más personas,
de datos y muchas, muchas más personas,
07:04
a pleasure to work with.
136
412603
1350
un placer trabajar con ellos.
07:05
The concept is actually very simple.
137
413977
2253
El concepto es muy simple.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Vamos a utilizar una tecnología
llamada de aprendizaje automático.
llamada de aprendizaje automático.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Por un lado, tenemos genomas...
miles de ellos.
miles de ellos.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
Por otro lado, hemos recogido la mayor
base de datos de seres humanos:
base de datos de seres humanos:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
fenotipos, escaneo 3D, RMN...
todo lo que se puedan imaginar.
todo lo que se puedan imaginar.
07:24
Inside there, on these two opposite sides,
142
432340
2899
En el interior está,
en estos dos lados opuestos,
en estos dos lados opuestos,
07:27
there is the secret of translation.
143
435263
2442
está el secreto de la traducción.
07:29
And in the middle, we build a machine.
144
437729
2472
Y en el medio, construimos una máquina.
Construimos una máquina
y entrenamos a una máquina
y entrenamos a una máquina
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
--bueno, no exactamente una máquina,
muchas, muchas máquinas---
muchas, muchas máquinas---
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
para tratar de comprender y traducir
el genoma en un fenotipo.
el genoma en un fenotipo.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
¿Qué son esas letras,
y qué es lo que hacen?
y qué es lo que hacen?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
Es un enfoque que puede
ser utilizado para todo,
ser utilizado para todo,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
pero usarlo en genómica
es particularmente complicado.
es particularmente complicado.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Poco a poco fuimos creciendo
y queríamos construir diferentes retos.
y queríamos construir diferentes retos.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Empezamos por el principio,
desde los rasgos comunes.
desde los rasgos comunes.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
Los rasgos comunes son cómodos
porque son comunes,
porque son comunes,
08:01
everyone has them.
154
469197
1184
todo el mundo los tiene.
08:02
So we started to ask our questions:
155
470405
2494
Así que empezamos a hacer
nuestras preguntas:
nuestras preguntas:
08:04
Can we predict height?
156
472923
1380
¿Podemos predecir la altura?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Podemos leer los libros
y predecir su altura?
y predecir su altura?
Bueno, en realidad se puede,
08:09
Well, we actually can,
158
477186
1151
08:10
with five centimeters of precision.
159
478361
1793
con cinco cm de precisión.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
IMC está bastante conectado
a su estilo de vida,
a su estilo de vida,
pero todavía podemos, podemos conseguir
un estimado, 8 kg de precisión.
un estimado, 8 kg de precisión.
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
¿Podemos predecir el color de ojos?
08:19
Can we predict eye color?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Sí, podemos.
08:21
Eighty percent accuracy.
164
489662
1324
80 % de precisión.
08:23
Can we predict skin color?
165
491466
1858
¿Podemos predecir el color de la piel?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Sí podemos, 80 % de exactitud.
08:27
Can we predict age?
167
495813
1340
¿Podemos predecir la edad?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Podemos, pues al parecer,
el código cambia durante a vida.
el código cambia durante a vida.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Se vuelve más corto,
se pierden piezas, se agregan.
se pierden piezas, se agregan.
08:37
We read the signals, and we make a model.
170
505190
2555
Leemos las señales,
y hacemos un modelo.
y hacemos un modelo.
08:40
Now, an interesting challenge:
171
508438
1475
Ahora, un reto interesante:
08:41
Can we predict a human face?
172
509937
1729
¿Podemos predecir un rostro humano?
08:45
It's a little complicated,
173
513014
1278
Es un poco complicado,
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
porque un rostro se encuentra
disperso entre millones de letras.
disperso entre millones de letras.
Y una cara humana no es
un objeto muy bien definido.
un objeto muy bien definido.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Tuvimos que construir
todo un nivel de esto
todo un nivel de esto
08:52
So, we had to build an entire tier of it
176
520184
2051
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
para aprender y enseñar
a una máquina lo que es una cara,
a una máquina lo que es una cara,
08:56
and embed and compress it.
178
524993
2037
e incrustar y comprimirlo.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Si se sienten cómodo
con el aprendizaje de máquina,
con el aprendizaje de máquina,
09:01
you understand what the challenge is here.
180
529326
2284
entenderán el desafío aquí.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Hoy, tras 15 años , 15 años después
de haber leído la primera secuencia,
de haber leído la primera secuencia,
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
este mes de octubre,
empezamos a ver algunas señales.
empezamos a ver algunas señales.
09:13
And it was a very emotional moment.
183
541049
2455
Y fue un momento muy emotivo.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Lo que se ve aquí es un sujeto
que entró a nuestro laboratorio.
que entró a nuestro laboratorio.
09:19
This is a face for us.
185
547619
1928
Esta es una cara para nosotros.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Así que tomamos la verdadera cara de
un sujeto, redujimos la complejidad,
un sujeto, redujimos la complejidad,
09:25
because not everything is in your face --
187
553226
1970
porque no todo está en su cara,
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
un montón de características y defectos
y asimetrías provienen de su vida.
y asimetrías provienen de su vida.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Hicimos simétrica la cara,
y corrimos nuestro algoritmo.
y corrimos nuestro algoritmo.
09:35
The results that I show you right now,
190
563245
1898
Los resultados que les muestro ahora,
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
son la predicción
que tenemos de la sangre.
que tenemos de la sangre.
09:41
(Applause)
192
569596
1524
(Aplausos)
09:43
Wait a second.
193
571144
1435
Esperen un segundo.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
En estos segundos, sus ojos están viendo,
izquierda y derecha, izquierda y derecha,
izquierda y derecha, izquierda y derecha,
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
y su cerebro quiere que esas imágenes
sean idénticas.
sean idénticas.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Les pido que hacer otro ejercicio.
Para ser honestos,
Para ser honestos,
09:55
Please search for the differences,
197
583743
2287
por favor, busquen las diferencias,
09:58
which are many.
198
586054
1361
que son muchas.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
La mayor cantidad
de señales vienen del género,
de señales vienen del género,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
luego la edad, el IMC,
el componente étnico de un ser humano.
el componente étnico de un ser humano.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Y la ampliación de más de esa señal
es mucho más complicado.
es mucho más complicado.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Pero lo que se ve aquí,
incluso en las diferencias,
incluso en las diferencias,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
les permite entender que estamos
en el camino correcto,
en el camino correcto,
10:17
that we are getting closer.
204
605919
1348
que nos estamos acercando.
10:19
And it's already giving you some emotions.
205
607291
2349
Y ya les están dando algunas emociones.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
Este es otro tema que viene,
10:24
and this is a prediction.
207
612391
1409
y esto es una predicción.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Una pequeña cara más pequeña,
no tuvo la estructura craneal completa,
no tuvo la estructura craneal completa,
10:30
but still, it's in the ballpark.
209
618444
2651
pero aun así, es una aproximación.
10:33
This is a subject that comes in our lab,
210
621634
2224
Este es un sujeto que llega
a nuestro laboratorio,
a nuestro laboratorio,
10:35
and this is the prediction.
211
623882
1443
y esta es la predicción.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Estas personas nunca se han visto
en el entrenamiento de la máquina.
en el entrenamiento de la máquina.
10:42
These are the so-called "held-out" set.
213
630756
2837
Son los llamados grupo "externos".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Pero son personas que Uds.
probable nunca creerían que existieran.
probable nunca creerían que existieran.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Estamos publicando todo
en una revista científica,
en una revista científica,
10:52
you can read it.
216
640081
1151
que pueden leer.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Pero ya que estamos aquí,
Chris me desafió.
Chris me desafió.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Probablemente me expongo
y trata de predecir
y trata de predecir
10:59
someone that you might recognize.
219
647274
2831
alguien que puedan reconocer.
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
Por lo tanto, en este frasco de sangre
--y créanme, no tienen ni idea
--y créanme, no tienen ni idea
lo que tuvimos que hacer para tener
esta sangre aquí, ahora--
esta sangre aquí, ahora--
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
en este vial de sangre está la cantidad
de información biológica
de información biológica
que necesitamos para hacer
una secuencia completa del genoma.
una secuencia completa del genoma.
11:13
that we need to do a full genome sequence.
223
661748
2277
11:16
We just need this amount.
224
664049
2070
Solo necesitamos esta cantidad.
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
Nos encontramos con esta secuencia,
y voy a hacerlo con Uds.
y voy a hacerlo con Uds.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Y empezamos a exponer
toda la comprensión que tenemos.
toda la comprensión que tenemos.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
En el frasco de sangre,
predijimos que es masculino.
predijimos que es masculino.
11:29
And the subject is a male.
228
677134
1364
Y el sujeto es un varón.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Nuestra predicción
es que él es de 1 m y 76 cm.
es que él es de 1 m y 76 cm.
11:33
The subject is a meter and 77 cm.
230
681458
2392
El sujeto es de 1 m y 77 cm.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Predijimos que él es 76;
el sujeto es de 82.
el sujeto es de 82.
11:40
We predict his age, 38.
232
688701
2632
Predecimos su edad, 38 años.
11:43
The subject is 35.
233
691357
1904
El sujeto es de 35.
11:45
We predict his eye color.
234
693851
2124
Predecimos su color de ojos.
11:48
Too dark.
235
696824
1211
Demasiado oscuro.
11:50
We predict his skin color.
236
698059
1555
Predecimos su color de piel.
11:52
We are almost there.
237
700026
1410
Estamos casi allí.
11:53
That's his face.
238
701899
1373
Esa es la cara.
11:57
Now, the reveal moment:
239
705172
3269
Ahora, el momento de revelación:
12:00
the subject is this person.
240
708465
1770
el sujeto es esta persona.
12:02
(Laughter)
241
710259
1935
(Risas)
12:04
And I did it intentionally.
242
712218
2058
Lo hice intencionalmente.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Soy de una etnia
muy particular y peculiar.
muy particular y peculiar.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Sur de Europa, italianos,
que nunca encajan en los modelos.
que nunca encajan en los modelos.
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
Este en particular, que la etnicidad es
un caso complejo para nuestro modelo.
un caso complejo para nuestro modelo.
12:18
But there is another point.
246
726144
1509
Pero hay otro punto.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Una de las cosas que usamos mucho
para reconocer a las personas
para reconocer a las personas
12:23
will never be written in the genome.
248
731178
1722
nunca será escrita en el genoma.
12:24
It's our free will, it's how I look.
249
732924
2317
Es nuestro libre albedrío,
que es como luzco.
que es como luzco.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
No es mi corte de pelo en este caso,
sino mi corte de barba.
sino mi corte de barba.
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
Voy a mostrarles,
en este caso, transfiero
en este caso, transfiero
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
--no es más que Photoshop, no modelado--
12:36
the beard on the subject.
253
744884
1713
la barba sobre el sujeto.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Y de inmediato, tenemos mucha,
mucha mejor sensación.
mucha mejor sensación.
12:42
So, why do we do this?
255
750955
2709
¿Por qué hacemos esto?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Desde luego, no lo hacemos
para predecir la altura
para predecir la altura
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
o tomar una foto hermosa de su sangre.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Lo hacemos porque la misma tecnología
y el mismo enfoque,
y el mismo enfoque,
13:00
the machine learning of this code,
259
768432
2520
el aprendizaje de las máquinas
de este código,
de este código,
13:02
is helping us to understand how we work,
260
770976
3137
nos ayudará a entender cómo funcionamos,
13:06
how your body works,
261
774137
1486
cómo funciona nuestro cuerpo,
13:07
how your body ages,
262
775647
1665
cómo envejece nuestro cuerpo,
13:09
how disease generates in your body,
263
777336
2769
cómo se genera la enfermedad
en nuestro cuerpo,
en nuestro cuerpo,
13:12
how your cancer grows and develops,
264
780129
2972
cómo crece y se desarrolla nuestro cáncer,
13:15
how drugs work
265
783125
1783
cómo funcionan los medicamentos
13:16
and if they work on your body.
266
784932
2314
y si funcionan en nuestro cuerpo.
13:19
This is a huge challenge.
267
787713
1667
Este es un desafío enorme.
13:21
This is a challenge that we share
268
789894
1638
Este es un reto que compartimos
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
con miles de otros investigadores
de todo el mundo.
de todo el mundo.
13:26
It's called personalized medicine.
270
794159
2222
Se llama la medicina personalizada.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
Es la capacidad de pasar
de un enfoque estadístico
de un enfoque estadístico
13:32
where you're a dot in the ocean,
272
800609
2032
donde eres un punto en el océano,
13:34
to a personalized approach,
273
802665
1813
a un enfoque personalizado,
13:36
where we read all these books
274
804502
2185
donde leemos todos estos libros
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
y logramos una comprensión
de exactamente cómo somos.
de exactamente cómo somos.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Pero se trata de un reto muy complicado,
13:45
because of all these books, as of today,
277
813646
3998
debido a que de todos estos libros, a hoy,
13:49
we just know probably two percent:
278
817668
2642
solo sabemos probablemente el 2 %:
13:53
four books of more than 175.
279
821027
3653
4 libros de más de 175.
13:58
And this is not the topic of my talk,
280
826021
3206
Este no es el tema de mi charla,
14:02
because we will learn more.
281
830145
2598
porque vamos a aprender más.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Están las mejores mentes del mundo
en este tema.
en este tema.
14:09
The prediction will get better,
283
837048
1834
La predicción va a mejorar,
14:10
the model will get more precise.
284
838906
2253
el modelo se hará más preciso.
14:13
And the more we learn,
285
841183
1858
Y cuanto más aprendemos,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
más nos confrontamos con decisiones
14:19
that we never had to face before
287
847919
3021
que nunca tuvimos que enfrentar antes
14:22
about life,
288
850964
1435
acerca de la vida,
14:24
about death,
289
852423
1674
acerca de la muerte,
14:26
about parenting.
290
854121
1603
acerca de la paternidad.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Por lo tanto, estamos tocando el detalle
muy interno de cómo funciona la vida.
muy interno de cómo funciona la vida.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
Y es una revolución
que no puede ser confinada
que no puede ser confinada
14:41
in the domain of science or technology.
293
869300
2659
en el dominio de la ciencia
o la tecnología.
o la tecnología.
14:44
This must be a global conversation.
294
872960
2244
Debe ser una conversación global.
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
Hay que empezar a pensar en el futuro que
estamos construyendo como humanidad.
estamos construyendo como humanidad.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Tenemos que interactuar con creativos,
con artistas, con los filósofos,
con artistas, con los filósofos,
14:57
with politicians.
297
885127
1510
con los políticos.
14:58
Everyone is involved,
298
886661
1158
Todo el mundo está implicado,
14:59
because it's the future of our species.
299
887843
2825
porque es el futuro de nuestra especie.
15:03
Without fear, but with the understanding
300
891273
3968
Sin miedo, pero con el entendimiento
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
de que las decisiones que tomamos
en el próximo año
en el próximo año
15:11
will change the course of history forever.
302
899160
3789
cambiarán el curso
de la historia para siempre.
de la historia para siempre.
15:15
Thank you.
303
903732
1160
Gracias.
15:16
(Applause)
304
904916
10159
(Aplausos)
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