TED2016
Riccardo Sabatini: How to read the genome and build a human being
ریکاردو ساباتینی: چگونگی خواندن نقشه ژنتیکی و تولید انسان
Filmed:
Readability: 3.6
1,834,677 views
رمز و رازها ، بیماری و زیبایی ، همگی روی نقشه ژنتیکی انسان نوشته شده اند، ساختاری کامل از ژنها که برای تولید انسان نیاز است.اکنون ، ریکاردو ساباتینی ، بعنوان یک دانشمند و کارآفرین با حدس زدن قد ، رنگ چشم ، سن و حتی چهره ، آن هم با یک شیشه کوچک خون ،به ما نشان می دهد که توانایی خواندن این ساختار پیچیده را داریم.
ساباتینی می گوید ، فهمِ تازه ی ما از ساختار ژنتیکی به ما این امکان را می دهد تا مرحله ی درمان بیماری هایی چون سرطان را شخصی تر کنیم. ما قدرت تغییر آنچه زندگی می نامیم را داریم ، از این قدرت چگونه استفاده خواهیم کرد ؟
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
در شانزده دقیقه ی آینده
شما را به سفری می برم
شما را به سفری می برم
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
که احتمالا بزرگترین رویای بشریت است :
00:18
to understand the code of life.
2
6508
2015
فهمیدن رمز زندگی.
همه چیز برای من
ازسالها پیش آغاز شد
ازسالها پیش آغاز شد
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
00:23
when I met the first 3D printer.
4
11839
2723
وقتی اولین چاپگر سه بُعدی را دیدم.
00:26
The concept was fascinating.
5
14586
1674
روش کار آن بسیار سحرآمیز بود
00:28
A 3D printer needs three elements:
6
16284
2022
هر چاپگر سه بعدی به سه عنصر نیاز دارد:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
مقداری اطلاعات ، مقداری ماده اولیه
مقداری انرژی ،
مقداری انرژی ،
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
و می‌تواند هر شیء که پیش از این
وجود نداشته را تولید کند.
وجود نداشته را تولید کند.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
فیزیک می خواندم و
در حال برگشت به خانه بودم
در حال برگشت به خانه بودم
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
و پی بردم که همیشه
یک چاپگر سه بعدی را می شناختم.
یک چاپگر سه بعدی را می شناختم.
00:44
And everyone does.
11
32140
1336
همه می شناسند.
00:45
It was my mom.
12
33500
1158
آن ، مادرم بود.
00:46
(Laughter)
13
34682
1001
(خنده حاضران)
00:47
My mom takes three elements:
14
35707
2414
مادرم سه عامل اصلی را دریافت می‌کند :
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
ذره‌ای اطلاعات ، که در این مورد
بین پدرم و مادرم است
بین پدرم و مادرم است
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
مواد خام و انرژی در همین رابطه
که مواد خواراکی است ،
که مواد خواراکی است ،
00:58
and after several months, produces me.
17
46323
2508
و بعد از چند ماه ، مرا بوجود می‌آورد.
01:00
And I was not existent before.
18
48855
1812
ضمنا پیش از این من وجود خارجی نداشتم.
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
اینکه مادرم شوکه شد وقتی فهمید
که یک چاپگر سه بُعدی است به کنار ،
که یک چاپگر سه بُعدی است به کنار ،
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
من بی درنگ مبهوت بخش اول شدم
اولین بخش ، اطلاعات .
01:11
the first one, the information.
21
59239
1717
01:12
What amount of information does it take
22
60980
2251
برای ساختنِ یک انسان چه
مقدار اطلاعات نیاز است ؟
مقدار اطلاعات نیاز است ؟
01:15
to build and assemble a human?
23
63255
1936
خیلی زیاد ؟ خیلی کم ؟
01:17
Is it much? Is it little?
24
65215
1574
01:18
How many thumb drives can you fill?
25
66813
2180
با آن ، چند فلش مموری را
می توانید پُر کنید ؟
می توانید پُر کنید ؟
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
خوب ، اوایل من فیزیک مطالعه می‌کردم
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
و من یک انسان را
بصورت یک لِگوی بزرگ فرض کردم
بصورت یک لِگوی بزرگ فرض کردم
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
بنابراین ، تصور کنید که
هر قطعه ، یک اتم است .
هر قطعه ، یک اتم است .
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
و یک هیدروژن اینجاست ،
یک کربن اینجا ، یک نیتروژن اینجا .
یک کربن اینجا ، یک نیتروژن اینجا .
01:37
So in the first approximation,
30
85772
1571
در اولین تخمین زدن
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
اگر بتوانم تعداد اتمهایی که
یک انسان از آنها ساخته شده را لیست کنم
یک انسان از آنها ساخته شده را لیست کنم
01:43
I can build it.
32
91734
1387
می‌توانم آنرا بسازم.
01:45
Now, you can run some numbers
33
93145
2029
اکنون ، می توانید اعداد را ردیف کنید
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
و آن عدد بشدت شگفت آور است.
01:50
So the number of atoms,
35
98499
2757
تعداد اتمها
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
فایلی که تعداد اتمهای یک کودک را
روی فلش مموری بریزم ،
روی فلش مموری بریزم ،
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
در حقیقت ، یک کشتی تایتانیک را
از فلش مموری پر خواهد کرد
از فلش مموری پر خواهد کرد
02:02
multiplied 2,000 times.
38
110750
2718
ضرب در دو هزار
02:05
This is the miracle of life.
39
113957
3401
این است معجزه‌ی زندگی .
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
از الان ، هربار که زنی باردار دیدید ،
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
او در حال سر هم کردن عظیم ترین
میزانِ اطلاعاتی است
میزانِ اطلاعاتی است
02:14
that you will ever encounter.
42
122898
1556
که به عمرتان دیده اید.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
داده های بزرگ و هرچه شنیده اید
را فراموش کنید
را فراموش کنید
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
این عظیم ترین میزان اطلاعات موجود است.
02:22
(Applause)
45
130357
3833
(تشویق حاضران)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
اما خوشبختانه طبیعت از یک فیزیکدان جوان
بسیار با هوش تر است
بسیار با هوش تر است
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
و ظرف چهار میلیارد سال
این اطلاعات را بسته بندی کرده است
این اطلاعات را بسته بندی کرده است
02:34
in a small crystal we call DNA.
48
142482
2705
در کریستالی کوچک
که ما آنرا دی اِن اِی می‌نامیم.
که ما آنرا دی اِن اِی می‌نامیم.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
اولین بار در سال ۱۹۵۰ با آن برخورد داشتیم
وقتی که روزالیند فرنکلین
وقتی که روزالیند فرنکلین
02:41
an amazing scientist, a woman,
50
149941
1556
دانشمندی شگفت انگیز ، یک زن
02:43
took a picture of it.
51
151521
1389
از آن عکسبرداری کرد.
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
اما چهل سال طول کشید که بتوانیم
سلول انسان را بشکافیم
سلول انسان را بشکافیم
02:50
take out this crystal,
53
158146
1602
این کریستال را بیرون بیاوریم
02:51
unroll it, and read it for the first time.
54
159772
3080
بازش کنیم و برای اولین آنرا بار بخوانیم
الفبای این رمزها ، بسیار ساده از آب در آمد
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
02:58
four letters: A, T, C and G.
56
166880
3772
چهار حرف : A و T و C و G.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
و برای ساخت یک انسان
شما به سه میلیارد از آنها نیاز دارید.
شما به سه میلیارد از آنها نیاز دارید.
03:06
Three billion.
58
174933
1179
سه میلیارد .
03:08
How many are three billion?
59
176136
1579
سه میلیارد چقدر است ؟
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
بعنوان یک عدد ، زیاد قابل درک نیست
درست ؟
درست ؟
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
بنابراین به این موضوع می اندیشیدم
که چطور بهتر برای خودم تشریح کنم
که چطور بهتر برای خودم تشریح کنم
03:16
about how big and enormous this code is.
62
184634
3050
که این کُد ، تا چه اندازه بزرگ و عظیم است.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
راه حلی هم وجود دارد .
الان به کمک احتیاج خواهم داشت.
الان به کمک احتیاج خواهم داشت.
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
و بهترین کسی که برای معرفی این کد
به من کمک می کند
به من کمک می کند
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
در حقیقت همان کسی است که برای اولین بار
آنرا مرتب کرد ، دکتر کریگ ونتر
آنرا مرتب کرد ، دکتر کریگ ونتر
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
بسیار خوب ، دکتر کریگ ونتر تشویق بفرمایید.
03:32
(Applause)
67
200997
6931
(تشویق حاضران)
03:39
Not the man in the flesh,
68
207952
2256
البته نه بصورت جسمانی
03:43
but for the first time in history,
69
211448
2345
اما برای اولین بار در تاریخ
03:45
this is the genome of a specific human,
70
213817
3462
این نقشه ژنتیکیِ یک انسان ویژه است
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
که صفحه به صفحه و حرف به حرف
چاپ شده است
چاپ شده است
03:53
262,000 pages of information,
72
221087
3996
دویست و شصت و دو هزار صفحه اطلاعات
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
چهارصد و پنجاه کیلوگرم
با کشتی از آمریکا به کانادا حمل شده است
با کشتی از آمریکا به کانادا حمل شده است
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
ضمن تشکر از برونو بودِن
lulu.com ، یک استارتاپ همه کار کرد.
lulu.com ، یک استارتاپ همه کار کرد.
04:06
It was an amazing feat.
75
234362
1463
شاهکار شگفت انگیزی بود
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
کُدِ زندگی ، بصورت بصری به این شکل
نمایان می شود.
نمایان می شود.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
و حالا برای اولین بار
می توانم کاری بامزه انجام دهم.
می توانم کاری بامزه انجام دهم.
04:14
I can actually poke inside it and read.
78
242672
2547
در حقیقت می توانم یکی انتخاب کنم و بخوانم.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
اجازه بدهید یک کتاب جالب توجه انتخاب کنم
مثل این یکی.
مثل این یکی.
من حاشیه نویسی کردم ؛ کتاب خیلی بزرگی است.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
فقط برای اینکه شما ببینید
کُد زندگی چگونه است
کُد زندگی چگونه است
04:32
Thousands and thousands and thousands
82
260566
3391
هزاران و هزاران و هزاران
04:35
and millions of letters.
83
263981
2670
و میلیونها حرف
04:38
And they apparently make sense.
84
266675
2396
که ظاهرا بی معنا هستند
04:41
Let's get to a specific part.
85
269095
1757
اجازه بدهید به قسمت خاصی برویم
04:43
Let me read it to you:
86
271571
1362
اجازه دهید برایتان بخوانم :
04:44
(Laughter)
87
272957
1021
(خنده‌ی حاضران)
04:46
"AAG, AAT, ATA."
88
274002
4006
«AAG , AAT ,ATA»
04:50
To you it sounds like mute letters,
89
278965
2067
برای شما این حروف بی معنا هستند
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
اما این توالیِ حروف ، رنگ چشم را
برای کریگ مشخص می کنند
برای کریگ مشخص می کنند
04:57
I'll show you another part of the book.
91
285633
1932
بخش دیگری از کتاب را نشانتان خواهم داد.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
درحقیقت این قسمت اندکی پیچیده است.
05:02
Chromosome 14, book 132:
93
290983
2647
کروموزوم ۱۴، کتاب ۱۳۲
05:05
(Laughter)
94
293654
2090
(خنده‌ی حاضران)
05:07
As you might expect.
95
295768
1277
همانطور که انتظار دارید.
05:09
(Laughter)
96
297069
3466
(خنده ی حاضران)
05:14
"ATT, CTT, GATT."
97
302857
4507
«ATT, CTT, GATT»
05:20
This human is lucky,
98
308329
1687
این انسان خوش شانسی است
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
برای اینکه اگر کسی دو حرف
در این موقعیت کم داشته باشد
در این موقعیت کم داشته باشد
05:26
two letters of our three billion --
100
314581
1877
دو حرف از سه میلیارد
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
محکوم به تحمل بیماری وحشتناکی خواهد شد
05:30
cystic fibrosis.
102
318525
1440
سیستیک فایبروسیس
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
ما درمان و راه حلی برای آن نمی دانیم.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
و با آنچه که هستیم فقط دو حرف فرق دارد.
05:39
A wonderful book, a mighty book,
105
327585
2705
یک کتاب عجیب ، کتابِ اعظم
05:43
a mighty book that helped me understand
106
331115
1998
کتاب اعظمی که به من کمک کرد تا بفهمم
05:45
and show you something quite remarkable.
107
333137
2753
و به شما یک نکته جالب توجه را نشان دهم.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
هرکدام از شما
آنچه مرا من و شما را شما می کند
آنچه مرا من و شما را شما می کند
05:52
is just about five million of these,
109
340939
2954
فقط پنج میلیون از این حروف هستند
05:55
half a book.
110
343917
1228
نیمی از کتاب
05:58
For the rest,
111
346015
1663
بقیه
05:59
we are all absolutely identical.
112
347702
2562
همگی ما کاملا یکسان هستیم
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
پانصد صفحه ، معجزه ی زندگی
که شما هستید.
که شما هستید.
06:07
The rest, we all share it.
114
355050
2531
در بقیه موارد همگی مشترک هستیم.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
دوباره بیاندیشید وقتی که
ما فکر میکنیم با هم متفاوتیم
ما فکر میکنیم با هم متفاوتیم
06:12
This is the amount that we share.
116
360538
2221
ما تا این اندازه با هم مشترکیم.
06:15
So now that I have your attention,
117
363441
3429
حال که توجه شما را به خود جلب کرده ام
06:18
the next question is:
118
366894
1359
پرسش بعدی این است :
06:20
How do I read it?
119
368277
1151
چگونه رمزها را بخوانم؟
06:21
How do I make sense out of it?
120
369452
1509
چگونه معنی آنرا متوجه شوم ؟
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
خوب ، به همان خوبی که می توانید
اثاثه سوئدی را بپینید
اثاثه سوئدی را بپینید
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
این کتاب راهنما ، چیزی نیست
که بتوانید در عمر خود، راز آنرا بشکافید
که بتوانید در عمر خود، راز آنرا بشکافید
06:31
(Laughter)
123
379260
1603
(خنده ی حاضران)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
و اینگونه ، در سال ۲۰۱۴
دو نفر از سخنرانانِ مشهورِ TED
دو نفر از سخنرانانِ مشهورِ TED
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
پیتر دیاماندیس وخودِ کریگ ونتر
06:38
decided to assemble a new company.
126
386587
1927
تصمیم به تاسیس یک شرکت جدید گرفتند.
06:40
Human Longevity was born,
127
388538
1412
« عمرِ انسان » متولد شد.
06:41
with one mission:
128
389974
1370
با یک ماموریت :
06:43
trying everything we can try
129
391368
1861
که تمام سعی مان را بکنیم
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
و تا آنجا که می توانیم
از این کتابها بیاموزیم
از این کتابها بیاموزیم
06:48
with one target --
131
396036
1705
با یک هدف
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
جامه واقعیت پوشاندن به رویای
طب شخصی
طب شخصی
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
فهمیدنِ اینکه چه چیزی
باعث سلامتی و بهبود می شود.
باعث سلامتی و بهبود می شود.
06:57
and what are the secrets in these books.
134
405478
2283
و رازِ این کتابها چیست .
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
یک تیم فوق العاده ، شامل چهل دانشمند
متخصص پردازش داده ها و خیلی افراد دیگر
متخصص پردازش داده ها و خیلی افراد دیگر
07:04
a pleasure to work with.
136
412603
1350
که کار با آنها لذت بخش است
07:05
The concept is actually very simple.
137
413977
2253
ایده ی اصلی در حقیقت بسیار ساده است
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
ما از تکنولوژی بنام « فراگیری ماشین»
استفاده خواهیم کرد.
استفاده خواهیم کرد.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
از یک سو ، هزاران نقشه ژنتیکی
در دست داریم.
در دست داریم.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
از سوی دیگر، بزرگترین اطلاعات
مربوط به انسان را جمع آوری می کنیم
مربوط به انسان را جمع آوری می کنیم
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
رُخ نمودها ، اسکن های سه بُعدی، NMR
هرچه که فکرش را بکنید.
هرچه که فکرش را بکنید.
07:24
Inside there, on these two opposite sides,
142
432340
2899
و در میان این دو
07:27
there is the secret of translation.
143
435263
2442
راز ترجمه نهفته است
07:29
And in the middle, we build a machine.
144
437729
2472
و در میان ، ما یک دستگاه ساختیم
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
ما یک دستگاه ساختیم
و به آن آموختیم
و به آن آموختیم
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
خوب البته نه یک دستگاه
دستگاههای زیادی ساختیم
دستگاههای زیادی ساختیم
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
که نقشه ی ژنتیکی را بفهمد و
به رُخ نمود ترجمه کند.
به رُخ نمود ترجمه کند.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
این حروف چه هستند ،
و چه کاری انجام می دهند؟
و چه کاری انجام می دهند؟
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
این رویکردی است که
موارد استفاده ی بیشماری دارد.
موارد استفاده ی بیشماری دارد.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
اما استفاده از آن مخصوصا در علم ژنتیک
پیچیده است
پیچیده است
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
کم کم رشد کردیم و خواستیم
تا چالش های مختلف بیافرینیم
تا چالش های مختلف بیافرینیم
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
از نقطه ی آغاز شروع کردیم
از شاخصه های مشترک
از شاخصه های مشترک
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
شاخصه های مشترک آسان هستند
چون مشترک هستند
چون مشترک هستند
08:01
everyone has them.
154
469197
1184
همه ، آنها را دارند
08:02
So we started to ask our questions:
155
470405
2494
بنابراین شروع به پرسش کردیم :
08:04
Can we predict height?
156
472923
1380
آیا می توانیم قد را حدس بزنیم ؟
با خواندن کتابها می‌توان
قدتان را حدس زد ؟
قدتان را حدس زد ؟
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
08:09
Well, we actually can,
158
477186
1151
در حقیقت می توانیم
08:10
with five centimeters of precision.
159
478361
1793
با پنج ساتی متر اختلاف
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
وزنتان بشدت به شیوه‌ی زندگیتان مربوط است
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
اما می توانیم با اختلاف هشت کیلوگرم
آنرا حدس بزنیم
آنرا حدس بزنیم
08:19
Can we predict eye color?
162
487225
1231
رنگ چشم چطور ؟
08:20
Yeah, we can.
163
488480
1158
بله ، می توانیم.
08:21
Eighty percent accuracy.
164
489662
1324
با هشتاد درصد دقت.
08:23
Can we predict skin color?
165
491466
1858
رنگ پوست را می توان حدس زد؟
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
بله می توانیم ، با ۸۰ درصد دقت
رنگ پوست را حدس زد.
رنگ پوست را حدس زد.
08:27
Can we predict age?
167
495813
1340
سن را می توان حدس زد ؟
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
می توانیم ، چون ظاهرا
کد در طول زندگی تغییر می کنند
کد در طول زندگی تغییر می کنند
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
کوتاهتر می شود ،تکه هایی را از دست می دهید
تکه های جدید بوجود می آیند
تکه های جدید بوجود می آیند
08:37
We read the signals, and we make a model.
170
505190
2555
ما علامتها را می خوانیم و
نمونه را می سازیم
نمونه را می سازیم
08:40
Now, an interesting challenge:
171
508438
1475
و حالا یک چالش جالب :
08:41
Can we predict a human face?
172
509937
1729
چهره یک فرد را می‌توان حدس زد؟
تا حدودی پیچیده است
08:45
It's a little complicated,
173
513014
1278
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
چون اطلاعات مربوط به چهره
مابین میلیونها حرف پخش شده است
مابین میلیونها حرف پخش شده است
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
و چهره ی انسان یک شیء
تعریف شده مشخصی نیست
تعریف شده مشخصی نیست
08:52
So, we had to build an entire tier of it
176
520184
2051
ما مجبور شدیم
که حلال این مشکل را بسازیم
که حلال این مشکل را بسازیم
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
که به دستگاه بیاموزیم
که یک چهره چیست
که یک چهره چیست
08:56
and embed and compress it.
178
524993
2037
و اطلاعات آنرا متراکم و جاسازی کند.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
و اگر شما با فراگیری ماشین
آشنایی داشته باشید
آشنایی داشته باشید
09:01
you understand what the challenge is here.
180
529326
2284
درک میکنید که چه چالشی در میان است
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
بعد از ۱۵ سال که
ما اولین توالیِ کدها را خواندیم
ما اولین توالیِ کدها را خواندیم
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
اکتبر امسال ، نشانه هایی را دریافت کردیم.
09:13
And it was a very emotional moment.
183
541049
2455
و آن ، لحظه ی بسیار هیجان انگیزی بود.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
آنچه که اینجا می بینید سوژه‌ای بود
که وارد آزمایشگاه ما شد
که وارد آزمایشگاه ما شد
09:19
This is a face for us.
185
547619
1928
این چهره ای است که در اختیار داریم
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
بنابراین ما چهره ی سوژه را دریافت می کنیم
از پیچیدگیهای آن می کاهیم
از پیچیدگیهای آن می کاهیم
09:25
because not everything is in your face --
187
553226
1970
چون هرچیزی درچهره ی شما نیست
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
بسیاری از شاخصه ها و نارسایی
و عدم تقارن در چهره از زندگیِ شما می آیند.
و عدم تقارن در چهره از زندگیِ شما می آیند.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
ما چهره را متقارن می کنیم
سپس الگوریتم مان را راه میاندازیم.
سپس الگوریتم مان را راه میاندازیم.
09:35
The results that I show you right now,
190
563245
1898
نتایجی که من اکنون به شما نشان می دهم
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
پیشگویی است که ما
از روی نمونه خون انجام دادیم
از روی نمونه خون انجام دادیم
09:41
(Applause)
192
569596
1524
(تشویق حاضران)
09:43
Wait a second.
193
571144
1435
یک لحظه صبر کنید.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
در این لحظات ، چشمان شما به چپ و راست
نگاه می کنند
نگاه می کنند
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
و مغز شما می خواهد که تصاویر
شبیه به هم باشند
شبیه به هم باشند
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
بنابراین من از شما می خواهم
که صادقانه طور دیگر عمل کنید.
که صادقانه طور دیگر عمل کنید.
09:55
Please search for the differences,
197
583743
2287
خواهش می کنم در جستجوی تفاوتها باشید
09:58
which are many.
198
586054
1361
که زیاد هم هستند.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
بیشترین مقدار نشانه ها
مربوط به جنسیت هستند ،
مربوط به جنسیت هستند ،
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
بعد از آن ، سن ، وزن
مولفه های نژادی یک فرد
مولفه های نژادی یک فرد
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
وافزایش یک نشانه
کار را بسیار پیچیده تر می کند.
کار را بسیار پیچیده تر می کند.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
اما با وجود اختلافها
آنچه که شما می بینید
آنچه که شما می بینید
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
به شما می فهماند
که درست تخمین زده شده است،
که درست تخمین زده شده است،
10:17
that we are getting closer.
204
605919
1348
که ما نزدیکتر شده ایم.
10:19
And it's already giving you some emotions.
205
607291
2349
و همین حالا هم شما را هیجانزده کرده است.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
این سوژه ی دیگری است
10:24
and this is a prediction.
207
612391
1409
و این هم پیشگویی.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
چهره کوچکتر شده ،
ما تمام ساختار جمجمه را درست حدس نزدیم
ما تمام ساختار جمجمه را درست حدس نزدیم
10:30
but still, it's in the ballpark.
209
618444
2651
اما همچنان ، درست حدس زده شده است
10:33
This is a subject that comes in our lab,
210
621634
2224
این سوژه ای است که به آزمایشگاه ما آمد
10:35
and this is the prediction.
211
623882
1443
و این هم چهره ی تخمین زده شده.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
این افراد در زمان تمرینِ ماشین
هرگز حضور نداشتند.
هرگز حضور نداشتند.
10:42
These are the so-called "held-out" set.
213
630756
2837
اینها دسته ی «ذخیره» نام دارند.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
اما همچنین اینها کسانی هستند که
شما احتمالا باور نخواهید کرد.
شما احتمالا باور نخواهید کرد.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
ما همه ی جزئیات را در
یک نشریه علمی منتشر می کنیم،
یک نشریه علمی منتشر می کنیم،
10:52
you can read it.
216
640081
1151
می توانید آنرا مطالعه کنید.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
اما از آنجائیکه ما روی صحنه هستیم
کریس مرا به چالش کشید.
کریس مرا به چالش کشید.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
که شاید خودم را به خطر بیاندازم
و کسی را همینجا حدس بزنم
و کسی را همینجا حدس بزنم
10:59
someone that you might recognize.
219
647274
2831
کسی که شما بتوانید او را تشخیص دهید.
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
در این شیشه محتوی خون--
باور کنید، فکرش را هم نمی کنید
باور کنید، فکرش را هم نمی کنید
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
که الان برای بدست آوردن این،
مجبور به انجام چه کاری شدیم.
مجبور به انجام چه کاری شدیم.
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
در این شیشه محتوی خون
بقدری اطلاعات بیولوژیکی داریم
بقدری اطلاعات بیولوژیکی داریم
11:13
that we need to do a full genome sequence.
223
661748
2277
که برای درست کردن
رشته کامل ژنها نیاز است
رشته کامل ژنها نیاز است
11:16
We just need this amount.
224
664049
2070
فقط به همین اندازه نیاز داریم.
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
اطلاعات را ردیف کردیم
و من الان با شما آنرا انجام خواهم داد.
و من الان با شما آنرا انجام خواهم داد.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
و ما لایه به لایه
به درک خود اضافه می کنیم.
به درک خود اضافه می کنیم.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
از این خون ، ما حدس زدیم که او یک مرد است
11:29
And the subject is a male.
228
677134
1364
و سوژه هم یک مرد است.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
حدس زدیم که قد او یک متر و ۷۶ سانتیمتر است.
11:33
The subject is a meter and 77 cm.
230
681458
2392
قد سوژه یک متر و ۷۷ سانتیمتر است.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
وزن او را ۷۶ کیلوگرم حدس زدیم
سوژه ۸۲ کیلوگرم وزن دارد.
سوژه ۸۲ کیلوگرم وزن دارد.
11:40
We predict his age, 38.
232
688701
2632
سن او را ۳۸ سال تخمین زدیم
11:43
The subject is 35.
233
691357
1904
سوژه ۳۵ سال سن دارد.
11:45
We predict his eye color.
234
693851
2124
رنگ چشمش را حدس زدیم.
11:48
Too dark.
235
696824
1211
زیادی تیره شد.
11:50
We predict his skin color.
236
698059
1555
رنگ پوست او را حدس زدیم.
11:52
We are almost there.
237
700026
1410
تقریبا درست حدس زدیم.
11:53
That's his face.
238
701899
1373
این چهره ی اوست.
11:57
Now, the reveal moment:
239
705172
3269
و حالا ، لحظه ی فاش شدن :
12:00
the subject is this person.
240
708465
1770
سوژه ، این فرد است.
12:02
(Laughter)
241
710259
1935
(خنده ی حاضران)
12:04
And I did it intentionally.
242
712218
2058
و من عمدا این کار را کردم.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
من از یک نژاد خاص و عجیب هستم
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
اروپایی جنوبی، ایتالیایی
هرگز نمونه ی خوبی نیستند.
هرگز نمونه ی خوبی نیستند.
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
و این خیلی خاص است ، نژادی که
گوشه ی پیچیده ی پرونده ی نمونه های ماست
گوشه ی پیچیده ی پرونده ی نمونه های ماست
12:18
But there is another point.
246
726144
1509
اما یک موضوع دیگر هم وجود دارد.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
یکی از کارهایی که ما برای
تشخیص افراد انجام می دهیم
تشخیص افراد انجام می دهیم
12:23
will never be written in the genome.
248
731178
1722
هرگز روی نقشه ژنتیکی ثبت نمی شود.
12:24
It's our free will, it's how I look.
249
732924
2317
این اراده ی آزاد ماست
که من این شکلی هستم.
که من این شکلی هستم.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
نه مدل موهای من در این مورد خاص،
بلکه مدل ریش من.
بلکه مدل ریش من.
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
بنابراین الان نشانتان خواهم داد
انرا جابجا خواهم کرد.
انرا جابجا خواهم کرد.
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
و این چیزی نیست جز فتوشاپ،
نمونه برداری نشده است
نمونه برداری نشده است
12:36
the beard on the subject.
253
744884
1713
ریش از روی سوژه جابجا می شود
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
و بلافاصله ،حس بهتری به ما دست می دهد.
12:42
So, why do we do this?
255
750955
2709
چرا ما این کار را انجام می دهیم؟
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
مطمئنا ما اینکار را برای حدس اندازه قد
انجام نمی دهیم
انجام نمی دهیم
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
یا اینکه چهره ای زیبا
از خونِ شما استخراج کنیم
از خونِ شما استخراج کنیم
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
اینکار را میکنیم چون همین تکنولوژی
و همین رویکرد
و همین رویکرد
13:00
the machine learning of this code,
259
768432
2520
فراگیریِ ماشین از این کُد
13:02
is helping us to understand how we work,
260
770976
3137
ما را در فهمیدنِ اینکه چگونه کار می کنیم
کمک می کند.
کمک می کند.
13:06
how your body works,
261
774137
1486
اینکه بدنِ شما چگونه کار می کند
13:07
how your body ages,
262
775647
1665
چگونه بدن شما پیر می شود
13:09
how disease generates in your body,
263
777336
2769
چگونه بیماری در جسم شما بوجود می آید.
13:12
how your cancer grows and develops,
264
780129
2972
سرطانِ شما چگونه پیشرفت می کند.
13:15
how drugs work
265
783125
1783
داروها چگونه کار می کنند.
13:16
and if they work on your body.
266
784932
2314
و آیا اصلا در بدن شما کارآیی دارند .
13:19
This is a huge challenge.
267
787713
1667
این چالش بسیار بزرگی است.
13:21
This is a challenge that we share
268
789894
1638
این چالشی است مشترک بین ما
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
و هزاران محقق در سراسر جهان.
13:26
It's called personalized medicine.
270
794159
2222
نامش طب شخصی است.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
توانایی حرکت از
رویکرد آماری
رویکرد آماری
13:32
where you're a dot in the ocean,
272
800609
2032
جائیکه شما قطره‌ای هستید از دریا
13:34
to a personalized approach,
273
802665
1813
به رویکرد شخصی است ،
13:36
where we read all these books
274
804502
2185
جائیکه ما تمام این کتابها را می‌خوانیم
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
و بطور کامل از آنچه شما هستید
آگاه می شویم.
آگاه می شویم.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
اما این چالش بسیار پیچیده است
13:45
because of all these books, as of today,
277
813646
3998
چون تا به امروز
فقط حدود دو درصد از این کتابها را می‌فهمیم.
فقط حدود دو درصد از این کتابها را می‌فهمیم.
13:49
we just know probably two percent:
278
817668
2642
13:53
four books of more than 175.
279
821027
3653
چهار کتاب از بیش از ۱۷۵ کتاب.
13:58
And this is not the topic of my talk,
280
826021
3206
و این موضوع بحث امروز من نیست ،
14:02
because we will learn more.
281
830145
2598
چون ما باز هم خواهیم آموخت.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
بهترین مغزهای جهان
مشغول مطالعه روی این موضوع هستند.
مشغول مطالعه روی این موضوع هستند.
14:09
The prediction will get better,
283
837048
1834
بهتر تخمین خواهیم زد.
14:10
the model will get more precise.
284
838906
2253
نمونه ها دقیق تر خواهند شد.
14:13
And the more we learn,
285
841183
1858
و هرچه بیشتر بیاموزیم،
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
بیشتر با این تصمیم‌ها روبرو خواهیم شد
14:19
that we never had to face before
287
847919
3021
که تا پیش از این مجبور نبودیم
با آنها روبرو شویم
با آنها روبرو شویم
14:22
about life,
288
850964
1435
درباره زندگی
14:24
about death,
289
852423
1674
درباره مرگ
14:26
about parenting.
290
854121
1603
درباره پدر و مادر شدن
ما در حال لمس درونی ترین
جزئیات زندگی هستیم.
جزئیات زندگی هستیم.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
و این انقلابی است که
نمی تواند محدود شود
نمی تواند محدود شود
14:41
in the domain of science or technology.
293
869300
2659
در محدوده ی علم و تکنولوژی.
14:44
This must be a global conversation.
294
872960
2244
باید گفتگوی جهانی شکل بگیرد.
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
ما باید به آینده ای که بعنوان انسان
در حال ساخت آن هستیم بیاندیشیم.
در حال ساخت آن هستیم بیاندیشیم.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
باید با نوابغ ، هنرمندان و فلاسفه
و با سیاستمدارن داد و ستد داشته باشیم.
و با سیاستمدارن داد و ستد داشته باشیم.
14:57
with politicians.
297
885127
1510
14:58
Everyone is involved,
298
886661
1158
همه درگیر هستند.
14:59
because it's the future of our species.
299
887843
2825
چون این ، آینده ی گونه ی ماست.
15:03
Without fear, but with the understanding
300
891273
3968
بدون ترس اما همراه با فهم و درک
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
که تصمیماتی که ما در سال آینده می گیریم
15:11
will change the course of history forever.
302
899160
3789
مسیر تاریخ را برای همیشه تغییر خواهد داد.
15:15
Thank you.
303
903732
1160
سپاسگزارم.
15:16
(Applause)
304
904916
10159
(تشویق حاضران)
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