TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis : Comprendre le cancer par la protéomique
Filmed:
Readability: 3.6
465,363 views
Danny Hillis présente les arguments pour la prochaine étape dans la recherche contre le cancer : la protéomique, l'étude des protéines dans le corps. Comme Hillis l'explique, la génomique nous montre une liste des ingrédients du corps -- alors que la protéomique nous montre ce que ces ingrédients produisent. Comprendre ce qui se passe dans votre corps au niveau des protéines peut conduire à comprendre différemment comment un cancer se produit.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
J'admets que je suis un peu nerveux ici
00:18
because I'm going to say some radical things,
1
3000
3000
parce que je vais dire des choses radicales
00:21
about how we should think about cancer differently,
2
6000
3000
sur la façon différente dont nous devrions considérer le cancer
00:24
to an audience that contains a lot of people
3
9000
2000
à un public qui comporte beaucoup de gens
00:26
who know a lot more about cancer than I do.
4
11000
3000
qui en savent bien plus que moi sur le cancer.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Mais je dirais aussi que je ne suis pas aussi nerveux que je devrais l'être
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
parce que je suis assez sûr d'avoir raison là-dessus.
00:35
(Laughter)
7
20000
2000
(Rires)
00:37
And that this, in fact, will be
8
22000
2000
Et que ça, en fait, ce sera
00:39
the way that we treat cancer in the future.
9
24000
3000
la manière dont nous traiterons le cancer dans l'avenir.
00:43
In order to talk about cancer,
10
28000
2000
Pour parler du cancer,
00:45
I'm going to actually have to --
11
30000
3000
je vais devoir en fait --
00:48
let me get the big slide here.
12
33000
3000
laissez moi afficher la grande diapo ici.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
D'abord, je vais essayer de vous donner une perspective différente de la génomique.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Je veux la mettre dans la perspective d'un plan plus grand
00:58
of all the other things that are going on --
15
43000
3000
de tout ce qui se passe --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
et ensuite parler de quelque chose dont vous n'avez pas beaucoup entendu parler,
01:04
Having explained those,
17
49000
2000
la protéomique. Une fois cela expliqué,
01:06
that will set up for what I think will be a different idea
18
51000
3000
tout sera prêt pour ce qui je pense sera une idée différente
01:09
about how to go about treating cancer.
19
54000
2000
de l'approche du traitement du cancer.
01:11
So let me start with genomics.
20
56000
2000
Alors permettez moi de commencer à parler de génomique.
01:13
It is the hot topic.
21
58000
2000
C'est le sujet à la mode.
01:15
It is the place where we're learning the most.
22
60000
2000
C'est là que nous apprenons le plus.
01:17
This is the great frontier.
23
62000
2000
C'est la grande frontière.
01:19
But it has its limitations.
24
64000
3000
Mais elle a ses limites.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Et en particulier, vous avez probablement tous entendu parler de l'analogie
01:25
that the genome is like the blueprint of your body,
26
70000
3000
entre le génome et le plan de votre corps.
01:28
and if that were only true, it would be great,
27
73000
2000
Et si c'était vrai, ce serait génial,
01:30
but it's not.
28
75000
2000
mais c'est faux.
01:32
It's like the parts list of your body.
29
77000
2000
C'est comme la liste des parties de votre corps.
01:34
It doesn't say how things are connected,
30
79000
2000
Elle ne dit pas comment les choses sont reliées,
01:36
what causes what and so on.
31
81000
3000
ce qui provoque quoi etc.
01:39
So if I can make an analogy,
32
84000
2000
Alors si je peux faire une analogie,
01:41
let's say that you were trying to tell the difference
33
86000
2000
disons que si vous essayez de faire la différence
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
entre un bon restaurant, un restaurant sain,
01:46
and a sick restaurant,
35
91000
2000
et un restaurant malsain,
01:48
and all you had was the list of ingredients
36
93000
2000
et tout ce que vous aviez ce soit la liste des ingrédients
01:50
that they had in their larder.
37
95000
3000
qu'ils mettent dans leur tambouille.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Alors par exemple, si vous alliez dans un restaurant français
01:56
and you looked through it and you found
39
101000
2000
que vous l'inspectiez et que vous trouviez
01:58
they only had margarine and they didn't have butter,
40
103000
2000
qu'ils n'ont que de la margarine et pas de beurre,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
vous pourriez dire, "Ah, je vois ce qui ne va pas chez eux,
02:02
I can make them healthy."
42
107000
2000
je peux les rendre plus sain."
02:04
And there probably are special cases of that.
43
109000
2000
Et il y a probablement des cas particuliers de ce type.
02:06
You could certainly tell the difference
44
111000
2000
vous pourriez certainement faire la différence
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
entre un restaurant chinois et un restaurant français
02:10
by what they had in a larder.
46
115000
2000
d'après ce qu'ils mettent dans leur tambouille.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Alors la liste des ingrédients vous dit bien quelque chose,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
et parfois elle vous dit quelque chose qui est faux.
02:19
If they have tons of salt,
49
124000
2000
Si ils mettent des tonnes de sel,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
vous pourriez deviner qu'ils utilisent trop de sel ou quelque chose comme ça.
02:24
But it's limited,
51
129000
2000
Mais c'est limité,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
parce que pour savoir vraiment si c'est un restaurant sain,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
vous devez goûter la nourriture, vous devez savoir ce qui se passe en cuisine,
02:31
you need the product of all of those ingredients.
54
136000
3000
vous avez besoin du produit de tous les ingrédients.
02:34
So if I look at a person
55
139000
2000
Donc si je regarde quelqu'un
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
et que je regarde son génome, c'est pareil.
02:39
The part of the genome that we can read
57
144000
2000
La partie du génome que nous pouvons lire
02:41
is the list of ingredients.
58
146000
2000
est la liste des ingrédients.
02:43
And so indeed,
59
148000
2000
Et donc en effet,
02:45
there are times when we can find ingredients
60
150000
2000
il y a des fois où nous pouvons trouver les ingrédients
02:47
that [are] bad.
61
152000
2000
qui ne vont pas.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
La mucoviscidose est un exemple de maladie
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
où vous avez un mauvais ingrédient et vous avez une maladie,
02:54
and we can actually make a direct correspondence
64
159000
3000
et nous pouvons en fait établir une correspondance directe
02:57
between the ingredient and the disease.
65
162000
3000
entre l'ingrédient et la maladie.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Mais dans la plupart des cas, il faut vraiment savoir ce qui se passe en cuisine,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
parce qu'essentiellement, les gens malades étaient en bonne santé avant --
03:05
they have the same genome.
68
170000
2000
ils avaient le même génome.
03:07
So the genome really tells you much more
69
172000
2000
Le génome vous en dit donc bien plus
03:09
about predisposition.
70
174000
2000
sur la prédiposition.
03:11
So what you can tell
71
176000
2000
Ce que vous pouvez donc dire
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
c'est que vous pouvez faire la différence entre un asiatique et un européen
03:15
by looking at their ingredients list.
73
180000
2000
en regardant la liste de leurs ingrédients.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Mais la plupart du temps vous ne pouvez pas faire la différence
03:20
between a healthy person and a sick person --
75
185000
3000
entre une personne saine et une personne malade --
03:23
except in some of these special cases.
76
188000
2000
sauf dans certains de ces cas particuliers.
03:25
So why all the big deal
77
190000
2000
Alors pourquoi tant de bruit
03:27
about genetics?
78
192000
2000
autour de la génétique?
03:29
Well first of all,
79
194000
2000
Et bien tout d'abord
03:31
it's because we can read it, which is fantastic.
80
196000
3000
c'est parce que nous pouvons la lire, ce qui est fantastique.
03:34
It is very useful in certain circumstances.
81
199000
3000
C'est très utile dans certaines circonstances.
03:37
It's also the great theoretical triumph
82
202000
3000
C'est aussi un grand triomphe théorique
03:40
of biology.
83
205000
2000
de la biologie
03:42
It's the one theory
84
207000
2000
C'est LA théorie
03:44
that the biologists ever really got right.
85
209000
2000
que les biologistes ont vraiment trouvée juste.
03:46
It's fundamental to Darwin
86
211000
2000
Elle est fondamentale pour Darwin
03:48
and Mendel and so on.
87
213000
2000
et pour Mendel et ainsi de suite.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Et c'est donc la chose pour laquelle ils ont prédit une construction théorique.
03:54
So Mendel had this idea of a gene
89
219000
2000
Alors Mendel a eu cette idée d'un gène
03:56
as an abstract thing,
90
221000
3000
comme une chose abstraite.
03:59
and Darwin built a whole theory
91
224000
2000
Et Darwin a construit toute une théorie
04:01
that depended on them existing,
92
226000
2000
qui dépendant de leur existence.
04:03
and then Watson and Crick
93
228000
2000
Et puis Watson et Crick
04:05
actually looked and found one.
94
230000
2000
ont effectivement cherché et en ont trouvé un.
04:07
So this happens in physics all the time.
95
232000
2000
Et donc ça arrive tout le temps en physique.
04:09
You predict a black hole,
96
234000
2000
Vous prédisez un trou noir,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
et vous regardez dans le télescope et il est là, comme vous l'avez dit.
04:14
But it rarely happens in biology.
98
239000
2000
Mais ça arrive rarement en biologie.
04:16
So this great triumph -- it's so good,
99
241000
3000
Alors ce grand triomphe -- c'est si bien --
04:19
there's almost a religious experience
100
244000
2000
il y a une expérience quasi religieuse
04:21
in biology.
101
246000
2000
en biologie.
04:23
And Darwinian evolution
102
248000
2000
Et l'évolution darwinienne
04:25
is really the core theory.
103
250000
3000
est vraiment la théorie centrale.
04:30
So the other reason it's been very popular
104
255000
2000
Et l'autre raison de sa grande popularité
04:32
is because we can measure it, it's digital.
105
257000
3000
est que nous pouvons le mesurer, c'est numérique.
04:35
And in fact,
106
260000
2000
Et en fait,
04:37
thanks to Kary Mullis,
107
262000
2000
grâce à Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
vous pouvez en gros mesurer votre génome dans votre cuisine
04:43
with a few extra ingredients.
109
268000
3000
avec quelques ingrédients supplémentaires.
04:46
So for instance, by measuring the genome,
110
271000
3000
Alors par exemple, en mesurant le génome,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
nous avons appris beaucoup sur nos liens de parentés avec les autres animaux
04:53
by the closeness of our genome,
112
278000
3000
en fonction de la proximité de notre génome,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
ou comment nous sommes apparentés les uns aux autres -- l'arbre généalogique,
04:59
or the tree of life.
114
284000
2000
ou l'arbre de vie.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Il y a une énorme quantité d'information sur la génétique
05:04
just by comparing the genetic similarity.
116
289000
3000
rien qu'en comparant la similarité génétique.
05:07
Now of course, in medical application,
117
292000
2000
Mais bien sûr, dans le domaine médicale,
05:09
that is very useful
118
294000
2000
c'est très utile
05:11
because it's the same kind of information
119
296000
3000
parce que c'est le même genre d'information
05:14
that the doctor gets from your family medical history --
120
299000
3000
que le médecin obtient de l'historique médical de votre famille --
05:17
except probably,
121
302000
2000
sauf que probablement,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
votre génome en sait beaucoup plus sur votre historique médical que vous.
05:22
And so by reading the genome,
123
307000
2000
Et donc en lisant le génome,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
nous pouvons sans doute en découvrir beaucoup plus que vous n'en savez sur votre famille.
05:27
And so we can discover things
125
312000
2000
Et donc nous pouvons découvrir des choses
05:29
that probably you could have found
126
314000
2000
que vous auriez probablement pu trouver
05:31
by looking at enough of your relatives,
127
316000
2000
en vous tournant vers suffisement de vos parents,
05:33
but they may be surprising.
128
318000
3000
mais elle peuvent être surprenantes.
05:36
I did the 23andMe thing
129
321000
2000
J'ai fait le test ADN de 23andMe
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
et j'ai été très surpris de découvrir que je suis gros et chauve.
05:41
(Laughter)
131
326000
7000
(Rires)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Mais parfois on peut apprendre des choses bien plus utiles.
05:51
But mostly
133
336000
3000
Mais principalement
05:54
what you need to know, to find out if you're sick,
134
339000
2000
ce que vous devez savoir pour découvrir si vous êtes malade
05:56
is not your predispositions,
135
341000
2000
ce n'est pas vos prédispositions,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
mais c'est en fait ce qui se passe dans votre corps en ce moment.
06:01
So to do that, what you really need to do,
137
346000
2000
Donc pour faire cela, ce que vous devez vraiment faire,
06:03
you need to look at the things
138
348000
2000
vous devez regarder les choses
06:05
that the genes are producing
139
350000
2000
que les gènes produisent
06:07
and what's happening after the genetics,
140
352000
2000
et ce qui se passe après la génétique.
06:09
and that's what proteomics is about.
141
354000
2000
ET c'est ça la protéomique.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Tout comme le génome mélange l'étude de tous les gènes,
06:14
proteomics is the study of all the proteins.
143
359000
3000
la protéomique est l'étude de toutes les protéines.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Et les protéines sont toutes les petites choses dans votre corps
06:19
that are signaling between the cells --
145
364000
3000
qui envoient des signaux entre les cellules --
06:22
actually, the machines that are operating --
146
367000
2000
en fait les machines qui fonctionnent.
06:24
that's where the action is.
147
369000
2000
C'est là que ça se passe.
06:26
Basically, a human body
148
371000
3000
En gros, un corps humain
06:29
is a conversation going on,
149
374000
3000
est une conversation qui se déroule,
06:32
both within the cells and between the cells,
150
377000
3000
à la fois à l'intérieur des cellules et entre les cellules,
06:35
and they're telling each other to grow and to die,
151
380000
3000
et elles se disent de grandir et de mourir.
06:38
and when you're sick,
152
383000
2000
Et quand vous êtes malade,
06:40
something's gone wrong with that conversation.
153
385000
2000
quelque chose ne va pas dans cette conversation.
06:42
And so the trick is --
154
387000
2000
Et le truc est --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
malheureusement, nous n'avons pas de moyen facile de les mesurer
06:47
like we can measure the genome.
156
392000
2000
comme nous pouvons mesurer le génome.
06:49
So the problem is that measuring --
157
394000
3000
Le problème est donc que mesurer --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
si vous essayez de mesurer toutes les protéines, c'est un procesus très sophistiqué.
06:55
It requires hundreds of steps,
159
400000
2000
Il nécessite des centaines d'étapes,
06:57
and it takes a long, long time.
160
402000
2000
et il prend très, très longtemps.
06:59
And it matters how much of the protein it is.
161
404000
2000
Et la quantité de protéine compte.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Que la protéine ait changé de 10 % peut avoir beaucoup d'importance,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
et donc ce n'est pas simplement numérique comme l'ADN.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Et en gros notre problème est que quelqu'un est au milieu
07:09
of this very long stage,
165
414000
2000
de cette très longue étape,
07:11
they pause for just a moment,
166
416000
2000
il font une pause,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
et il laisse quelque chose dans une enzyme pendant un moment,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
et tout d'un coup toutes les mesures qui suivent
07:17
don't work.
169
422000
2000
ne vont pas.
07:19
And so then people get very inconsistent results
170
424000
2000
Et alors les gens obtiennent des résultats incosistents
07:21
when they do it this way.
171
426000
2000
quand il s'y prennent comme ça.
07:23
People have tried very hard to do this.
172
428000
2000
Les gens ont vraiment essayé de le faire.
07:25
I tried this a couple of times
173
430000
2000
J'ai essayé une ou deux fois
07:27
and looked at this problem and gave up on it.
174
432000
2000
et j'ai examiné le problème et j'ai laissé tomber.
07:29
I kept getting this call from this oncologist
175
434000
2000
Il y a un oncologue qui n'arrête pas de m'appeler
07:31
named David Agus.
176
436000
2000
il s'appelle David Agus.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Et Applied Minds reçoit beaucoup d'appels
07:36
from people who want help with their problems,
178
441000
2000
de gens qui veulent de l'aide pour leur problèmes
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
et je n'ai pas pensé qu'il rappellerait,
07:41
so I kept on giving him to the delay list.
180
446000
3000
alors je le transférais en liste d'attente.
07:44
And then one day,
181
449000
2000
Et puis un jour,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
j'ai reçu un appel de John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
et Al Gore le même jour
07:50
saying return David Agus's phone call.
184
455000
2000
disant de rappeler David Agus.
07:52
(Laughter)
185
457000
2000
(Rires)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Alors, j'ai dit, "Bon, ce type a au moins de la ressource."
07:56
(Laughter)
187
461000
4000
(Rires)
08:00
So we started talking,
188
465000
2000
Nous avons donc commencé à discuter,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
et il a dit, "J'ai vraiment besoin d'une meilleure façon de mesurer les protéines."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
J'ai dit, " je connais, j'ai essayé.
08:07
Not going to be easy."
191
472000
2000
Ce ne sera pas facile."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Il a dit, "non, non, j'en ai vraiment besoin.
08:11
I mean, I see patients dying every day
193
476000
4000
Je veux dire, je vois des patients mourir tous les jours
08:15
because we don't know what's going on inside of them.
194
480000
3000
parce que nous ne savons pas ce qui se passe à l'intérieur de leur corps.
08:18
We have to have a window into this."
195
483000
2000
Nous devons voir ce qui se passe là-dedans.
08:20
And he took me through
196
485000
2000
Et il m'a passé en revue
08:22
specific examples of when he really needed it.
197
487000
3000
des exemples spécifiques de moments où il en avait vraiment besoin.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Et je me suis rendu compte, que oui, ça ferait vraiment une grande différence,
08:27
if we could do it,
199
492000
2000
si on y arrivait.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Et alors j'ai dit, " et bien voyons ça."
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds a assez d'argent disponible
08:33
that we can go and just work on something
202
498000
2000
pour que nous puissions travailler sur quelque chose
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
sans avoir besoin du financement ou de la permission de quelqu'un.
08:38
So we started playing around with this.
204
503000
2000
Alors nous avons commencer à considérer cela.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Et ce faisant, nous nous sommes rendus compte que c'était le problème fondamental --
08:43
that taking the sip of coffee --
206
508000
2000
que prendre une gorgée de café --
08:45
that there were humans doing this complicated process
207
510000
2000
qu'il y avait des humains qui faisaient ce processus compliqué
08:47
and that what really needed to be done
208
512000
2000
et que, ce qu'il fallait vraiment faire,
08:49
was to automate this process like an assembly line
209
514000
3000
c'était d'automatiser ce processus comme une chaîne de montage
08:52
and build robots
210
517000
2000
et construire des robots
08:54
that would measure proteomics.
211
519000
2000
qui mesurerait la protéomique.
08:56
And so we did that,
212
521000
2000
Et donc c'est ce que nous avons fait.
08:58
and working with David,
213
523000
2000
Et en travaillant avec David,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
nous avons finalement créé une petite compagnie appelée Applied Proteomics
09:03
which makes this robotic assembly line,
215
528000
3000
qui crée cette chaine de montage robotique,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
qui d'une manière très consistante, mesure la protéine.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Et je vais vous montrer à quoi ressemblent les mesures de protéines.
09:13
Basically, what we do
218
538000
2000
En gros, ce que nous faisons
09:15
is we take a drop of blood
219
540000
2000
est que nous prenons une goutte de sang
09:17
out of a patient,
220
542000
2000
du patient,
09:19
and we sort out the proteins
221
544000
2000
et nous trions les protéines
09:21
in the drop of blood
222
546000
2000
dans la goutte de sang
09:23
according to how much they weigh,
223
548000
2000
selon leur poids,
09:25
how slippery they are,
224
550000
2000
et combien elles sont glissantes,
09:27
and we arrange them in an image.
225
552000
3000
et nous les arrangeons en une image.
09:30
And so we can look at literally
226
555000
2000
Et donc nous pouvons voir littéralement
09:32
hundreds of thousands of features at once
227
557000
2000
des centaines de milliers de caractéristiques en une seule fois
09:34
out of that drop of blood.
228
559000
2000
à partir de cette goutte de sang.
09:36
And we can take a different one tomorrow,
229
561000
2000
Et nous pouvons en prendre une différente demain,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
et vous verrez que vos protéines demain seront différentes --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
elles seront différentes après votre repas ou après votre sommeil.
09:43
They really tell us what's going on there.
232
568000
3000
Elles nous disent vraiment ce qui se passe là.
09:46
And so this picture,
233
571000
2000
Et donc cette image,
09:48
which looks like a big smudge to you,
234
573000
2000
qui ressemble à une grosse tâche pour vous,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
est en fait la chose qui m'a vraiment passionné dans tout ça
09:54
and made me feel like we were on the right track.
236
579000
2000
et m'a donné l'impression que nous étions sur la bonne voie.
09:56
So if I zoom into that picture,
237
581000
2000
Alors si je zoome sur cette image,
09:58
I can just show you what it means.
238
583000
2000
je peux vous montrer ce qu'elle signifie.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Nous trions les protéines -- de gauche à droite
10:03
is the weight of the fragments that we're getting,
240
588000
3000
c'est le poids des fragments que nous obtenons.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
Et de haut en bas c'est à quel point elles sont glissantes.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Alors nous zoomons ici juste pour vous en montrer un petit peu.
10:12
And so each of these lines
243
597000
2000
Et donc chacune de ces lignes
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
représente un signal que nous obtenons depuis un bout de protéine.
10:17
And you can see how the lines occur
245
602000
2000
Et vous pouvez voir comment la ligne se présente
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
en ces petits groupes de petites bosses.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Et c'est parce que nous mesurons le poids avec tant de précision que --
10:26
carbon comes in different isotopes,
248
611000
2000
il y a différents isotopes de carbone,
10:28
so if it has an extra neutron on it,
249
613000
3000
alors s'il y a un neutron de plus dessus,
10:31
we actually measure it as a different chemical.
250
616000
4000
nous le mesurons en fait comme un produit chimique différent.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Donc en fait nous mesurons chaque isotope séparément.
10:38
And so that gives you an idea
252
623000
3000
Et donc ça vous donne une idée
10:41
of how exquisitely sensitive this is.
253
626000
2000
d'à quel point c'est extrêmement délicat.
10:43
So seeing this picture
254
628000
2000
Alors voir cette image
10:45
is sort of like getting to be Galileo
255
630000
2000
c'est comme si on était Galilée
10:47
and looking at the stars
256
632000
2000
et qu'on regardait les étoiles
10:49
and looking through the telescope for the first time,
257
634000
2000
et qu'on regarde dans un téléscope pour la première fois,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
et soudain vous dites, 'Oh, c'est beaucoup plus compliqué que je croyais."
10:54
But we can see that stuff out there
259
639000
2000
Mais nous pouvons voir ce truc là dehors
10:56
and actually see features of it.
260
641000
2000
et en fait en voir les caractéristiques.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Alors voici la signature à partir de laquelle nous essayons de tirer des modèles.
11:01
So what we do with this
262
646000
2000
Et ce que nous faisons avec ça
11:03
is, for example, we can look at two patients,
263
648000
2000
c'est, par exemple, que nous prenons deux patients,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
l'un qui a réagit à un médicament et un qui n'a pas réagit à un médicament.
11:08
and ask, "What's going on differently
265
653000
2000
et nous posons la question, " Qu'est-ce qui se passe différemment
11:10
inside of them?"
266
655000
2000
en eux?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Et nous pouvons donc faire des mesures assez précises
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
pour que nous puissions superposer les deux patients et voir les différences.
11:18
So here we have Alice in green
269
663000
2000
Nous avons donc Alice ici en vert
11:20
and Bob in red.
270
665000
2000
et Bob en rouge.
11:22
We overlay them. This is actual data.
271
667000
3000
Nous les superposons. Ce sont les vraies données.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Et vous pouvez voir, il y a un chevauchement général et c'est en jaune,
11:28
but there's some things that just Alice has
273
673000
2000
mais il y a des choses que seule Alice a
11:30
and some things that just Bob has.
274
675000
2000
et des choses que seul Bob a.
11:32
And if we find a pattern of things
275
677000
3000
Et si nous trouvons un modèle pour les choses
11:35
of the responders to the drug,
276
680000
3000
qui réagissent au médicament,
11:38
we see that in the blood,
277
683000
2000
nous le voyons dans le sang,
11:40
they have the condition
278
685000
2000
elles ont la condition
11:42
that allows them to respond to this drug.
279
687000
2000
qui leur permet de réagir à ce médicament.
11:44
We might not even know what this protein is,
280
689000
2000
Nous ne pourrions même pas savoir ce qu'est cette protéine,
11:46
but we can see it's a marker
281
691000
2000
mais nous pouvons voir que c'est un marqueur
11:48
for the response to the disease.
282
693000
2000
de réaction contre la maladie.
11:53
So this already, I think,
283
698000
2000
Alors déjà, cela, je crois,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
est terriblement utile dans tous les types de médecine.
11:58
But I think this is actually
285
703000
2000
Mais je pense que cela en fait
12:00
just the beginning
286
705000
2000
n'est que le début
12:02
of how we're going to treat cancer.
287
707000
2000
de la façon dont nous allons traiter le cancer.
12:04
So let me move to cancer.
288
709000
2000
Et donc permettez-moi d'en venir au cancer.
12:06
The thing about cancer --
289
711000
2000
Ce qu'il y a avec le cancer --
12:08
when I got into this,
290
713000
2000
quand je m'y suis plongé,
12:10
I really knew nothing about it,
291
715000
2000
je n'y connaissais vraiment rien,
12:12
but working with David Agus,
292
717000
2000
mais en travaillant avec David Agus,
12:14
I started watching how cancer was actually being treated
293
719000
3000
j'ai commencé à regarder comment on traitait vraiment le cancer
12:17
and went to operations where it was being cut out.
294
722000
3000
et je suis allé dans les salles d'opérations.
12:20
And as I looked at it,
295
725000
2000
Et quand je regardais,
12:22
to me it didn't make sense
296
727000
2000
ça n'avait pas de sens pour moi
12:24
how we were approaching cancer,
297
729000
2000
la façon dont on approchait le cancer.
12:26
and in order to make sense of it,
298
731000
3000
Et pour trouver du sens là-dedans,
12:29
I had to learn where did this come from.
299
734000
3000
j'ai du apprendre d'où ça venait.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Nous traitons le cancer presque comme si c'était une maladie infectieuse.
12:36
We're treating it as something that got inside of you
301
741000
2000
Nous le traitons comme quelque chose qui est entré en vous
12:38
that we have to kill.
302
743000
2000
et que nous devons tuer.
12:40
So this is the great paradigm.
303
745000
2000
C'est donc le grand paradigme.
12:42
This is another case
304
747000
2000
Voici encore un cas
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
où le paradigme théorique en biologie a vraiment fonctionné --
12:46
was the germ theory of disease.
306
751000
3000
c'était la théorie du germe de la maladie.
12:49
So what doctors are mostly trained to do
307
754000
2000
Alors ce que les médecins sont le plus entrainés à faire
12:51
is diagnose --
308
756000
2000
est de diagnostiquer --
12:53
that is, put you into a category
309
758000
2000
c'est à dire vous mettre dans une catégorie --
12:55
and apply a scientifically proven treatment
310
760000
2000
et d'appliquer un traitement scientifiquement prouvé
12:57
for that diagnosis --
311
762000
2000
pour ce diagnostic.
12:59
and that works great for infectious diseases.
312
764000
3000
Et ça marche très bien pour les maladies infectieuses.
13:02
So if we put you in the category
313
767000
2000
Donc si nous vous mettons dans la catégorie
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
de ceux qui ont la syphilis, nous pouvons vous donner de la pénicilline.
13:07
We know that that works.
315
772000
2000
Nous savons que ça marche.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Si vous avez le paludisme, nous vous donnons de la quinine,
13:11
or some derivative of it.
317
776000
2000
ou un de ses dérivés.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Et donc c'est ce que les médecins sont initialement entrainés à faire.
13:16
and it's miraculous
319
781000
2000
Et c'est miraculeux
13:18
in the case of infectious disease --
320
783000
3000
dans le cas des maladies infectieuses --
13:21
how well it works.
321
786000
2000
comme ça fonctionne bien.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Et beaucoup de gens dans le public ne seraient probablement pas en vie
13:26
if doctors didn't do this.
323
791000
2000
si les médecins ne faisaient pas ça.
13:28
But now let's apply that
324
793000
2000
Mais maintenant appliquons ça
13:30
to systems diseases like cancer.
325
795000
2000
aux maladies systémiques comme le cancer.
13:32
The problem is that, in cancer,
326
797000
2000
Le problème est que, dans le cancer,
13:34
there isn't something else
327
799000
2000
il n'y a pas quelque chose d'autre
13:36
that's inside of you.
328
801000
2000
à l'intérieur de vous.
13:38
It's you; you're broken.
329
803000
2000
C'est vous, vous êtes en panne.
13:40
That conversation inside of you
330
805000
4000
Cette conversion à l'intérieur de vous
13:44
got mixed up in some way.
331
809000
2000
s'est mal faite d'une façon ou d'une autre.
13:46
So how do we diagnose that conversation?
332
811000
2000
Alors comment diagnostiquons nous cette conversion?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Et bien maintenant ce que nous faisons et que nous la divisons selon les parties du corps --
13:51
you know, where did it appear? --
334
816000
3000
vous savez, l'endroit où c'est apparu --
13:54
and we put you in different categories
335
819000
2000
et nous vous mettons dans des catégories différentes
13:56
according to the part of the body.
336
821000
2000
selon la partie du corps.
13:58
And then we do a clinical trial
337
823000
2000
Et alors vous faisons un essai clinique
14:00
for a drug for lung cancer
338
825000
2000
pour un médicament contre le cancer du poumon
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
et un pour le cancer de la prostate et un pour le cancer du sein,
14:05
and we treat these as if they're separate diseases
340
830000
3000
et nous les traitons comme s'ils étaient des maladies distinctes
14:08
and that this way of dividing them
341
833000
2000
et cette manière de les séparer
14:10
had something to do with what actually went wrong.
342
835000
2000
avait quelque chose à voir avec ce qui ne va vraiment pas.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Et bien sûr, ça n'a pas vraiment grand'chose à voir
14:14
with what went wrong
344
839000
2000
avec ce qui ne va pas.
14:16
because cancer is a failure of the system.
345
841000
3000
Parce que le cancer est une défaillance du système.
14:19
And in fact, I think we're even wrong
346
844000
2000
Et en fait, je pense que nous avons même tort
14:21
when we talk about cancer as a thing.
347
846000
3000
quand nous parlons du cancer comme d'une chose.
14:24
I think this is the big mistake.
348
849000
2000
Je pense que c'est là la grande erreur.
14:26
I think cancer should not be a noun.
349
851000
4000
Je pense que le cancer ne devrait pas être un nom.
14:30
We should talk about cancering
350
855000
2000
Nous devrions en faire un verbe
14:32
as something we do, not something we have.
351
857000
3000
en parler comme quelque chose que nous faisons, pas que nous avons.
14:35
And so those tumors,
352
860000
2000
Et donc ces tumeurs,
14:37
those are symptoms of cancer.
353
862000
2000
ce sont des symptômes de cancer.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Et votre corps cancérise donc probablement tout le temps.
14:42
but there are lots of systems in your body
355
867000
3000
Mais il y a beaucoup de systèmes dans votre corps
14:45
that keep it under control.
356
870000
2000
qui le contrôlent.
14:47
And so to give you an idea
357
872000
2000
Et donc pour vous donner une idée
14:49
of an analogy of what I mean
358
874000
2000
d'une analogie de ce que je veux dire
14:51
by thinking of cancering as a verb,
359
876000
3000
en pensant au verbe cancériser.
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
imaginez que nous ne sachions rien en plomberie,
14:57
and the way that we talked about it,
361
882000
2000
et que la façon dont nous en parlions,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
nous rentrions chez nous et nous trouvions une fuite dans la cuisine
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
et nous disions, " Oh, ma maison a de l'eau."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Nous pourrions répartir -- le plombier dirait, "Bon, où est l'eau?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Dans la cuisine." "Oh, vous devez avoir de l'eau de cuisine."
15:12
That's kind of the level at which it is.
366
897000
3000
C'est à ce genre de niveau que ça se situe.
15:15
"Kitchen water,
367
900000
2000
"De l'eau de cuisine?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Et bien, tout d'abord, nous y allons et nous en épongerons beaucoup.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Et puis nous savons que si nous saupoudrons du produit spécial dans la cuisine,
15:22
that helps.
370
907000
3000
ça aide.
15:25
Whereas living room water,
371
910000
2000
Alors que l'eau de salon,
15:27
it's better to do tar on the roof."
372
912000
2000
il vaut mieux passer du goudron sur le toit."
15:29
And it sounds silly,
373
914000
2000
Et ça a l'air stupide.
15:31
but that's basically what we do.
374
916000
2000
mais c'est en gros ce que nous faisons.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Et je ne dis pas qu'il ne faudrait pas éponger l'eau si vous aviez un cancer.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Mais je dis que ce n'est pas vraiment le problème ;
15:39
that's the symptom of the problem.
377
924000
2000
c'est le symptome du problème.
15:41
What we really need to get at
378
926000
2000
Ce que nous devons vraiment viser
15:43
is the process that's going on,
379
928000
2000
c'est le processus qui se déroule,
15:45
and that's happening at the level
380
930000
2000
et ça se passe au niveau
15:47
of the proteonomic actions,
381
932000
2000
des actions protéonomiques,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
au niveau de pourquoi votre corps ne se répare pas tout seul
15:52
in the way that it normally does?
383
937000
2000
comme il le fait normalement?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Parce que normalement votre corps s'occupe de ce problème tout le temps.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Donc votre maison s'occupe des fuites tout le temps.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Mais elle les répare, elle les draine etc.
16:04
So what we need
387
949000
3000
Ce qu'il nous faut donc
16:07
is to have a causative model
388
952000
4000
c'est un modèle causatif
16:11
of what's actually going on,
389
956000
2000
de ce qui se passe vraiment.
16:13
and proteomics actually gives us
390
958000
3000
Et la protéomique nous donne en fait
16:16
the ability to build a model like that.
391
961000
3000
la capacité de construire un modèle comme cela.
16:19
David got me invited
392
964000
2000
David m'a obtenu une invitation
16:21
to give a talk at National Cancer Institute
393
966000
2000
à donner une conférence au National Cancer Institute
16:23
and Anna Barker was there.
394
968000
3000
et Anna Barker était présente.
16:27
And so I gave this talk
395
972000
2000
Et j'ai donc fait cette conférence
16:29
and said, "Why don't you guys do this?"
396
974000
3000
et j'ai dit, " Pourquoi vous ici ne le faites pas?"
16:32
And Anna said,
397
977000
2000
et Anna a dit,
16:34
"Because nobody within cancer
398
979000
3000
"Parce que personne dans le domaine du cancer
16:37
would look at it this way.
399
982000
2000
ne le considèrerait de cette façon.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Mais ce que nous allons faire, c'est que nous allons créer un programme
16:42
for people outside the field of cancer
401
987000
2000
pour que des gens en dehors du domaine du cancer
16:44
to get together with doctors
402
989000
2000
se rassemble avec des médecins
16:46
who really know about cancer
403
991000
3000
qui connaissent vraiment le cancer
16:49
and work out different programs of research."
404
994000
4000
et travaillent sur différents programmes de recherches."
16:53
So David and I applied to this program
405
998000
2000
David et moi avons donc porté notre candidature pour ce programme
16:55
and created a consortium
406
1000000
2000
et avons créé un consortium
16:57
at USC
407
1002000
2000
à l'USC
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
où nous avons certains des meilleurs oncologues du monde
17:02
and some of the best biologists in the world,
409
1007000
3000
et certains des meilleurs biologistes du monde,
17:05
from Cold Spring Harbor,
410
1010000
2000
de Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
de Stanford, d'Austin --
17:09
I won't even go through and name all the places --
412
1014000
3000
Je ne vais pas passer en revue tous les endroits --
17:12
to have a research project
413
1017000
3000
pour qu'ils travaillent sur un programme de recherche
17:15
that will last for five years
414
1020000
2000
qui durera 5 ans
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
où nous allons vraiment essayer de construire un modèle de cancer comme celui-ci.
17:20
We're doing it in mice first,
416
1025000
2000
Nous le faisons d'abord sur des souris.
17:22
and we will kill a lot of mice
417
1027000
2000
Et nous tuerons beaucoup de souris
17:24
in the process of doing this,
418
1029000
2000
au cours de ces recherches,
17:26
but they will die for a good cause.
419
1031000
2000
mais elles mourront pour une bonne cause.
17:28
And we will actually try to get to the point
420
1033000
3000
Et nous essayerons en fait d'arriver au point
17:31
where we have a predictive model
421
1036000
2000
où nous avons un modèle prédictif
17:33
where we can understand,
422
1038000
2000
dans lequel nous pouvons comprendre,
17:35
when cancer happens,
423
1040000
2000
quand le cancer se produit,
17:37
what's actually happening in there
424
1042000
2000
ce qui se passe vraiment là dedans
17:39
and which treatment will treat that cancer.
425
1044000
3000
et quel traitement soignera ce cancer.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Alors permettez-moi de terminer en vous donnant un petit aperçu
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
de ce qui je pense sera le traitement du cancer dans l'avenir.
17:48
So I think eventually,
428
1053000
2000
Je crois donc qu'au final,
17:50
once we have one of these models for people,
429
1055000
2000
une fois que nous aurons un de ces modèles pour les gens,
17:52
which we'll get eventually --
430
1057000
2000
ce que nous finirons par avoir --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
je veux dire, notre groupe n'ira pas jusque là --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
mais en fin de compte nous aurons un très bon modèle informatique --
17:59
sort of like a global climate model for weather.
433
1064000
3000
un peu comme un modèle de climat mondial pour la météo.
18:02
It has lots of different information
434
1067000
3000
Il comporte beaucoup d'informations différentes
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
sur le processus qui se déroule dans cette conversation protéomique
18:08
on many different scales.
436
1073000
2000
à bien des échelles différentes.
18:10
And so we will simulate
437
1075000
2000
Et donc nous simulerons
18:12
in that model
438
1077000
2000
dans ce modèle
18:14
for your particular cancer --
439
1079000
3000
pour votre cancer particulier --
18:17
and this also will be for ALS,
440
1082000
2000
et cela ira aussi pour le SLA,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
ou toute sorte de maladie systémique neurodégénérative,
18:22
things like that --
442
1087000
2000
des choses comme ça --
18:24
we will simulate
443
1089000
2000
nous simulerons
18:26
specifically you,
444
1091000
2000
vous en particulier,
18:28
not just a generic person,
445
1093000
2000
pas une personne générique,
18:30
but what's actually going on inside you.
446
1095000
2000
mais ce qui se passe vraiment en vous.
18:32
And in that simulation, what we could do
447
1097000
2000
Et dans cette simulation, ce que nous pourrions faire
18:34
is design for you specifically
448
1099000
2000
c'est concevoir spécifiquement pour vous
18:36
a sequence of treatments,
449
1101000
2000
une séquence de traitements,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
et ce pourrait être des traitements très doux, de très petites quantités de médicaments,
18:41
It might be things like, don't eat that day,
451
1106000
3000
Ce pourrait être des choses comme, ne mangez pas ce jour là,
18:44
or give them a little chemotherapy,
452
1109000
2000
ou une petite chimiothérapie,
18:46
maybe a little radiation.
453
1111000
2000
peut-être quelques rayons.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Bien sûr, nous ferons parfois une opération etc.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Mais concevoir un programme de traitements spécifiques pour vous
18:54
and help your body
456
1119000
3000
et aider votre corps
18:57
guide back to health --
457
1122000
3000
à vous ramener à la santé --
19:00
guide your body back to health.
458
1125000
2000
guider votre corps pour qu'il revienne vers la santé.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Parce que votre corps fera la plus grande part du travail de réparation
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
si nous l'aiguillons vers les choses qui ne vont pas.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Nous mettons l'équivalent d'attelles.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Et donc en gros, votre corps a de nombreux mécanismes
19:13
for fixing cancer,
463
1138000
2000
pour réparer le cancer.
19:15
and we just have to prop those up in the right way
464
1140000
3000
et nous devons juste les aiguiller dans la bonne direction
19:18
and get them to do the job.
465
1143000
2000
et leur faire faire el travail.
19:20
And so I believe that this will be the way
466
1145000
2000
Et donc je crois que ce sera la manière
19:22
that cancer will be treated in the future.
467
1147000
2000
dont le cancer sera traité dans l'avenir.
19:24
It's going to require a lot of work,
468
1149000
2000
Cela va demander beaucoup de travail,
19:26
a lot of research.
469
1151000
2000
beaucoup de recherches.
19:28
There will be many teams like our team
470
1153000
3000
Il y aura de nombreuses équipes comme notre équipe
19:31
that work on this.
471
1156000
2000
qui travaillerons là dessus.
19:33
But I think eventually,
472
1158000
2000
Mais je pense qu'au final,
19:35
we will design for everybody
473
1160000
2000
nous concevrons pour tout le monde
19:37
a custom treatment for cancer.
474
1162000
4000
un traitement sur mesure pour le cancer.
19:41
So thank you very much.
475
1166000
2000
Alors merci beaucoup.
19:43
(Applause)
476
1168000
6000
(Applaudissements)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com