TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Comment lire le génome et fabriquer un être humain
Filmed:
Readability: 3.6
1,834,677 views
Les secrets, les maladies et la beauté sont tous inscrits dans le génome, cet ensemble complet d'instructions génétiques nécessaires pour fabriquer un être humain. Comme Riccardo Sabatini, scientifique et entrepreneur, nous l'explique, nous pouvons désormais lire ce code complexe, et prédire certaines choses comme la taille, la couleur des yeux, l'âge et même la structure faciale, tout ceci à partir d'une fiole de sang. Bientôt, affirme Sabatini, une compréhension nouvelle du génome nous permettra de personnaliser les traitements pour des maladies telles que le cancer. Nous avons le pouvoir de changer la vie telle que nous la connaissons. Comment allons-nous l'utiliser ?
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.
Ces 16 prochaines minutes,
je vais vous faire découvrir
je vais vous faire découvrir
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
ce qui est probablement
le plus grand rêve de l'humanité :
le plus grand rêve de l'humanité :
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
00:18
to understand the code of life.
2
6508
2015
comprendre le code de la vie.
Pour moi, tout a commencé
il y a de nombreuses années,
il y a de nombreuses années,
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
quand j'ai vu ma première imprimante 3D.
00:23
when I met the first 3D printer.
4
11839
2723
00:26
The concept was fascinating.
5
14586
1674
Le concept était fascinant.
L'imprimante 3D a besoin
de trois choses :
de trois choses :
00:28
A 3D printer needs three elements:
6
16284
2022
un peu d'informations,
de la matière première, de l'énergie,
de la matière première, de l'énergie,
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
et elle peut créer n'importe quel objet
qui n'existait pas avant.
qui n'existait pas avant.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
J'étudiais la physique
et, en rentrant chez moi,
et, en rentrant chez moi,
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
j'ai réalisé que j'avais en réalité
toujours connu une imprimante 3D.
toujours connu une imprimante 3D.
On en connaît tous une.
00:44
And everyone does.
11
32140
1336
C'était ma mère !
00:45
It was my mom.
12
33500
1158
(Rires)
00:46
(Laughter)
13
34682
1001
Ma mère a pris trois choses :
00:47
My mom takes three elements:
14
35707
2414
un peu d'informations, partagées
entre mon père et ma mère dans ce cas,
entre mon père et ma mère dans ce cas,
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
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
de la matière première et de l'énergie
issues d'une même source, la nourriture,
issues d'une même source, la nourriture,
et après plusieurs mois, elle m'a créé,
00:58
and after several months, produces me.
17
46323
2508
01:00
And I was not existent before.
18
48855
1812
et je n'existais pas avant.
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
En dehors du choc de découvrir
que ma mère était une imprimante 3D,
que ma mère était une imprimante 3D,
j'ai immédiatement
été fasciné par cet élément,
été fasciné par cet élément,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
01:11
the first one, the information.
21
59239
1717
le premier, l'information.
01:12
What amount of information does it take
22
60980
2251
Quelle quantité d'informations est requise
pour fabriquer et composer un humain ?
01:15
to build and assemble a human?
23
63255
1936
En faut-il beaucoup ? Un peu ?
01:17
Is it much? Is it little?
24
65215
1574
Combien de clés USB doit-on remplir ?
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
J'étudiais la physique au départ
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
et je voyais l'être humain grossièrement
comme une énorme construction de Lego.
comme une énorme construction de Lego.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Imaginez que les blocs Lego
sont de petits atomes,
sont de petits atomes,
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
et qu'il y en a un d'hydrogène ici,
un de carbone là et un d'azote ici.
un de carbone là et un d'azote ici.
01:37
So in the first approximation,
30
85772
1571
En première approximation,
si je peux dresser la liste du nombre
d'atomes qui composent un être humain,
d'atomes qui composent un être humain,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
01:43
I can build it.
32
91734
1387
je peux le fabriquer.
Vous pouvez faire quelques calculs
01:45
Now, you can run some numbers
33
93145
2029
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
et le résultat s'avère être
un nombre astronomique.
un nombre astronomique.
01:50
So the number of atoms,
35
98499
2757
Le nombre d'atomes,
le fichier que je vais sauvegarder dans
ma clé USB pour fabriquer un petit bébé,
ma clé USB pour fabriquer un petit bébé,
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
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
va en fait remplir
un Titanic rempli de clés USB...
un Titanic rempli de clés USB...
multiplié par 2000.
02:02
multiplied 2,000 times.
38
110750
2718
02:05
This is the miracle of life.
39
113957
3401
C'est le miracle de la vie.
Maintenant, chaque fois
que vous verrez une femme enceinte,
que vous verrez une femme enceinte,
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
dites-vous qu'elle assemble la plus grande
quantité d'informations jamais vue.
quantité d'informations jamais vue.
02:14
that you will ever encounter.
42
122898
1556
Oubliez le big data,
oubliez tout ce que vous connaissez.
oubliez tout ce que vous connaissez.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
C'est la plus grande quantité
d'informations existante.
d'informations existante.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
02:22
(Applause)
45
130357
3833
(Applaudissements)
Mais...
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
La nature est, heureusement, bien
plus intelligente qu'un jeune physicien,
plus intelligente qu'un jeune physicien,
en quatre milliards d'années,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
elle a réussi à faire rentrer
ces informations
ces informations
02:34
in a small crystal we call DNA.
48
142482
2705
dans un petit cristal appelé ADN.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Nous l'avons vu pour la première fois
en 1950 lorsque Rosalind Franklin,
en 1950 lorsque Rosalind Franklin,
02:41
an amazing scientist, a woman,
50
149941
1556
une scientifique incroyable,
l'a pris en photo.
l'a pris en photo.
02:43
took a picture of it.
51
151521
1389
Mais il aura fallu plus de 40 ans
pour rentrer dans une cellule humaine,
pour rentrer dans une cellule humaine,
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
02:50
take out this crystal,
53
158146
1602
extraire ce cristal, le dérouler
et le lire pour la première fois.
et le lire pour la première fois.
02:51
unroll it, and read it for the first time.
54
159772
3080
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
Le code s'avère être
un alphabet plutôt simple,
un alphabet plutôt simple,
quatre lettres : A, T, C et G.
02:58
four letters: A, T, C and G.
56
166880
3772
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Et pour fabriquer un humain,
il en faut trois milliards.
il en faut trois milliards.
Trois milliards.
03:06
Three billion.
58
174933
1179
03:08
How many are three billion?
59
176136
1579
Combien font trois milliards ?
C'est difficile d'imaginer
ce nombre, n'est-ce pas ?
ce nombre, n'est-ce pas ?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Je me suis demandé comment représenter
la taille et l'énormité de ce code.
la taille et l'énormité de ce code.
03:16
about how big and enormous this code is.
62
184634
3050
Mais... je vais avoir besoin
d'un peu d'aide,
d'un peu d'aide,
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
et la meilleure personne
pour m'aider à vous présenter le code
pour m'aider à vous présenter le code
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
est en fait le premier homme à
l'avoir séquencé, le docteur Craig Venter.
l'avoir séquencé, le docteur Craig Venter.
Alors, bienvenue sur scène,
Dr Craig Venter.
Dr Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
03:32
(Applause)
67
200997
6931
(Applaudissements)
03:39
Not the man in the flesh,
68
207952
2256
Pas l'homme en chair et en os.
Mais pour la première fois
dans l'histoire,
dans l'histoire,
03:43
but for the first time in history,
69
211448
2345
voici le génome d'un humain spécifique,
03:45
this is the genome of a specific human,
70
213817
3462
imprimé page par page, lettre par lettre :
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
03:53
262,000 pages of information,
72
221087
3996
262 000 pages d'informations, 450 kg,
expédiées des États-Unis au Canada,
expédiées des États-Unis au Canada,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
grâce à Bruno Bowden de Lulu.com,
une start-up, qui a tout fait.
une start-up, qui a tout fait.
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
04:06
It was an amazing feat.
75
234362
1463
C'était une prouesse incroyable.
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
Ceci est la représentation visuelle
de ce qu'est le code de la vie.
de ce qu'est le code de la vie.
Maintenant, pour la première fois,
je peux m'amuser.
je peux m'amuser.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
04:14
I can actually poke inside it and read.
78
242672
2547
Je peux vraiment aller
à l'intérieur et lire.
à l'intérieur et lire.
Alors, laissez-moi choisir
un livre intéressant...
un livre intéressant...
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Celui-ci par exemple.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
J'ai une note, c'est un livre assez gros.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Juste pour que vous puissiez voir
ce qu'est le code de la vie.
ce qu'est le code de la vie.
04:32
Thousands and thousands and thousands
82
260566
3391
Des milliers et des milliers
et des milliers
et des milliers
et des millions de lettres.
04:35
and millions of letters.
83
263981
2670
04:38
And they apparently make sense.
84
266675
2396
Et apparemment,
elles disent quelque chose.
elles disent quelque chose.
04:41
Let's get to a specific part.
85
269095
1757
Allons à un passage spécifique.
04:43
Let me read it to you:
86
271571
1362
Je vais vous le lire :
(Rires)
04:44
(Laughter)
87
272957
1021
AAG, AAT, ATA.
04:46
"AAG, AAT, ATA."
88
274002
4006
04:50
To you it sounds like mute letters,
89
278965
2067
Pour vous, ces lettres ne disent rien,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
mais cette séquence donne
la couleur des yeux de Craig.
la couleur des yeux de Craig.
Je vais vous en montrer un autre passage.
04:57
I'll show you another part of the book.
91
285633
1932
C'est un peu plus compliqué.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Chromosome 14, livre 132 :
05:02
Chromosome 14, book 132:
93
290983
2647
(Rires)
05:05
(Laughter)
94
293654
2090
05:07
As you might expect.
95
295768
1277
comme on peut s'y attendre.
05:09
(Laughter)
96
297069
3466
(Rires)
ATT, CTT, GATT.
05:14
"ATT, CTT, GATT."
97
302857
4507
Cet humain a de la chance,
05:20
This human is lucky,
98
308329
1687
car si vous ratiez juste
deux lettres à cet endroit...
deux lettres à cet endroit...
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
05:26
two letters of our three billion --
100
314581
1877
deux lettres sur trois milliards...
il serait condamné
à une maladie terrible :
à une maladie terrible :
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
05:30
cystic fibrosis.
102
318525
1440
la fibrose cystique.
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
Il n'y aucun remède ni solution,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
et seules deux lettres
nous en séparent.
nous en séparent.
05:39
A wonderful book, a mighty book,
105
327585
2705
Un livre génial, un livre puissant,
05:43
a mighty book that helped me understand
106
331115
1998
un livre puissant
qui m'a aidé à comprendre
qui m'a aidé à comprendre
05:45
and show you something quite remarkable.
107
333137
2753
quelque chose de remarquable,
que je vais vous montrer.
que je vais vous montrer.
Chacun d'entre vous, ce qui constitue
ma personne et la vôtre,
ma personne et la vôtre,
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
05:52
is just about five million of these,
109
340939
2954
consiste juste en cinq millions
de lettres, la moitié d'un livre.
de lettres, la moitié d'un livre.
05:55
half a book.
110
343917
1228
Sur le reste, nous sommes
tous absolument identiques.
tous absolument identiques.
05:58
For the rest,
111
346015
1663
05:59
we are all absolutely identical.
112
347702
2562
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
500 pages, c'est le miracle
de la vie que vous êtes.
de la vie que vous êtes.
06:07
The rest, we all share it.
114
355050
2531
Le reste, nous le partageons tous.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Alors rappelez-vous de cela,
quand vous pensez être différent.
quand vous pensez être différent.
Voilà le volume que nous avons en commun.
06:12
This is the amount that we share.
116
360538
2221
Maintenant que j'ai votre attention,
06:15
So now that I have your attention,
117
363441
3429
06:18
the next question is:
118
366894
1359
la question suivante est :
06:20
How do I read it?
119
368277
1151
comment le lire ?
06:21
How do I make sense out of it?
120
369452
1509
Comment le comprendre ?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Quand bien même vous seriez doués
pour monter des meubles suédois...
pour monter des meubles suédois...
Ce manuel d'instruction ?
Vous n'arriverez jamais à le déchiffrer.
Vous n'arriverez jamais à le déchiffrer.
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
(Rires)
06:31
(Laughter)
123
379260
1603
Alors en 2014,
deux célèbres intervenants TED,
deux célèbres intervenants TED,
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis et Craig Venter lui-même,
ont décidé de monter
une nouvelle entreprise.
une nouvelle entreprise.
06:38
decided to assemble a new company.
126
386587
1927
06:40
Human Longevity was born,
127
388538
1412
Human Longevity était née,
avec une mission :
avec une mission :
06:41
with one mission:
128
389974
1370
06:43
trying everything we can try
129
391368
1861
essayer tout ce qui est possible,
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
apprendre tout ce que l'on peut
apprendre de ces livres.
apprendre de ces livres.
06:48
with one target --
131
396036
1705
Avec un objectif :
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
rendre réalisable le rêve
de la médecine personnalisée,
de la médecine personnalisée,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
comprendre ce que nous devrions faire
pour être en meilleure santé
pour être en meilleure santé
06:57
and what are the secrets in these books.
134
405478
2283
et quels sont les secrets
renfermés dans ces livres.
renfermés dans ces livres.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Une équipe fantastique, 40 scientifiques
et beaucoup d'autres personnes,
et beaucoup d'autres personnes,
07:04
a pleasure to work with.
136
412603
1350
un plaisir d'être avec eux.
07:05
The concept is actually very simple.
137
413977
2253
Le concept est en fait très simple.
Nous allons utiliser une technologie :
l'apprentissage par la machine.
l'apprentissage par la machine.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
D'un côté, nous avons
des génomes, par milliers.
des génomes, par milliers.
De l'autre, on a assemblé la plus grande
base de données sur l'humain :
base de données sur l'humain :
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
phénotypes, scan 3D, RMN,
tout ce à quoi vous pouvez penser.
tout ce à quoi vous pouvez penser.
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
07:24
Inside there, on these two opposite sides,
142
432340
2899
Au sein de ces deux facettes
bien distinctes
bien distinctes
se trouve le secret de la traduction.
07:27
there is the secret of translation.
143
435263
2442
Au centre, on a construit une machine.
07:29
And in the middle, we build a machine.
144
437729
2472
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
On a construit une machine
que l'on entraîne...
que l'on entraîne...
pas seulement une machine,
mais de très nombreuses machines,
mais de très nombreuses machines,
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
pour essayer de comprendre le génome
et de le traduire en phénotype.
et de le traduire en phénotype.
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
Que sont ces lettres
et quelles sont leurs fonctions ?
et quelles sont leurs fonctions ?
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
C’est une approche
qui peut être utilisée pour tout,
qui peut être utilisée pour tout,
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
mais l'utiliser en génomique
est particulièrement compliqué.
est particulièrement compliqué.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Petit à petit, on se développe
et cherche différents défis.
et cherche différents défis.
On a commencé
avec les traits communs.
avec les traits communs.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Les traits communs sont confortables
car ils sont communs,
car ils sont communs,
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
08:01
everyone has them.
154
469197
1184
tout le monde les a.
08:02
So we started to ask our questions:
155
470405
2494
On a donc commencé
par se poser cette question :
par se poser cette question :
Peut-on prédire la taille ?
08:04
Can we predict height?
156
472923
1380
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Peut-on lire le livre
et prédire la taille ?
et prédire la taille ?
Eh bien, en fait, on le peut,
avec une précision de 5 cm.
avec une précision de 5 cm.
08:09
Well, we actually can,
158
477186
1151
08:10
with five centimeters of precision.
159
478361
1793
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
L'IMC est très liée à notre style de vie,
mais on y arrive quand même,
avec 8 kg de précision.
avec 8 kg de précision.
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
08:19
Can we predict eye color?
162
487225
1231
Prédire la couleur des yeux ?
Oui, on le peut.
Oui, on le peut.
08:20
Yeah, we can.
163
488480
1158
Avec 80 % d'exactitude.
08:21
Eighty percent accuracy.
164
489662
1324
08:23
Can we predict skin color?
165
491466
1858
Peut-on prédire la couleur de la peau ?
Oui, avec 80 % d'exactitude.
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
08:27
Can we predict age?
167
495813
1340
Peut-on prédire l'âge ?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Oui, puisqu'apparemment,
le code change au cours de la vie.
le code change au cours de la vie.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Il se raccourcit, perd des bouts,
reçoit des ajouts.
reçoit des ajouts.
On lit le signal et on crée le modèle.
08:37
We read the signals, and we make a model.
170
505190
2555
Autre défi intéressant :
08:40
Now, an interesting challenge:
171
508438
1475
08:41
Can we predict a human face?
172
509937
1729
peut-on prédire la forme d'un visage ?
C'est un peu compliqué,
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
car le visage est dispersé
parmi des millions de ces lettres.
parmi des millions de ces lettres.
Un visage humain n'est pas
un objet très bien défini.
un objet très bien défini.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Il faut donc en reconstruire
un pan entier
un pan entier
08:52
So, we had to build an entire tier of it
176
520184
2051
pour faire apprendre à la machine
ce qu'est un visage,
ce qu'est un visage,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
l'intégrer et le compresser.
08:56
and embed and compress it.
178
524993
2037
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Si vous connaissez
l'apprentissage par la machine,
l'apprentissage par la machine,
09:01
you understand what the challenge is here.
180
529326
2284
vous comprenez le défi
qu'il y a à relever ici.
qu'il y a à relever ici.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Après 15 années, 15 années
après avoir lu le premier séquençage,
après avoir lu le premier séquençage,
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
en octobre dernier, nous avons commencé
à voir certains signaux.
à voir certains signaux.
09:13
And it was a very emotional moment.
183
541049
2455
Et ce fut un moment très émouvant.
Ce que vous voyez ici est
un sujet venu dans notre labo.
un sujet venu dans notre labo.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
09:19
This is a face for us.
185
547619
1928
C'est un visage pour nous.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
On a pris le vrai visage du sujet
et on l'a simplifié,
et on l'a simplifié,
car tout n'est pas dans le visage,
09:25
because not everything is in your face --
187
553226
1970
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
beaucoup de caractéristiques, de défauts
et d'asymétries résultent de votre vie.
et d'asymétries résultent de votre vie.
On a symétrisé le visage
et on a fait tourner l'algorithme.
et on a fait tourner l'algorithme.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Le résultat que je vous montre maintenant,
09:35
The results that I show you right now,
190
563245
1898
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
c'est la prédiction obtenue grâce au sang.
09:41
(Applause)
192
569596
1524
(Applaudissements)
09:43
Wait a second.
193
571144
1435
Attendez un peu.
En ce moment, vos yeux regardent,
de gauche à droite, de gauche à droite,
de gauche à droite, de gauche à droite,
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
et votre cerveau veut
que ces images soient identiques.
que ces images soient identiques.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Je vais donc vous demander de faire
un autre exercice,
un autre exercice,
09:55
Please search for the differences,
197
583743
2287
cherchez les différences,
09:58
which are many.
198
586054
1361
qui sont nombreuses.
Le plus grand nombre de signaux
vient du genre,
vient du genre,
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
ensuite vient l'âge, l'IMC,
la composante ethnique de la personne.
la composante ethnique de la personne.
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
Et ensuite, ça se complique
de plus en plus.
de plus en plus.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Mais ce que vous voyez ici,
même les différences,
même les différences,
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
vous laisse comprendre
que vous tenez le bon bout,
que vous tenez le bon bout,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
que vous vous rapprochez
et que ça vous donne déjà des émotions.
et que ça vous donne déjà des émotions.
10:17
that we are getting closer.
204
605919
1348
10:19
And it's already giving you some emotions.
205
607291
2349
Voici un autre sujet qui est venu,
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
10:24
and this is a prediction.
207
612391
1409
et ceci est la prédiction.
Un visage un peu plus petit,
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
nous n'avons pas
la structure crânienne complète.
la structure crânienne complète.
mais tout de même, c'est assez proche.
10:30
but still, it's in the ballpark.
209
618444
2651
Voici un sujet qui est venu à notre labo,
10:33
This is a subject that comes in our lab,
210
621634
2224
et voici la prédiction.
10:35
and this is the prediction.
211
623882
1443
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Ces gens n'ont jamais été vus
pendant l'entraînement de la machine.
pendant l'entraînement de la machine.
10:42
These are the so-called "held-out" set.
213
630756
2837
On les appelle « échantillon caché ».
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Mais on ne peut pas trop
se fier à ces gens non plus.
se fier à ces gens non plus.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
On publie tout
dans les revues scientifiques,
dans les revues scientifiques,
vous pouvez le lire.
10:52
you can read it.
216
640081
1151
Quitte à être sur scène,
Chris m'a lancé un défi.
Chris m'a lancé un défi.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
J'ai probablement pris un risque
et j'ai essayé de prédire
et j'ai essayé de prédire
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
10:59
someone that you might recognize.
219
647274
2831
quelqu'un que vous reconnaitrez peut-être.
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
Dans cette fiole de sang,
croyez-moi, vous n'avez pas idée
croyez-moi, vous n'avez pas idée
de ce que l'on a dû faire
pour avoir ce sang ici,
pour avoir ce sang ici,
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
dans cette fiole de sang se trouve
la quantité d'information biologique
la quantité d'information biologique
nécessaire pour un séquençage
complet du génome.
complet du génome.
11:13
that we need to do a full genome sequence.
223
661748
2277
Nous avons juste besoin de cette quantité.
11:16
We just need this amount.
224
664049
2070
Nous avons analysé cette séquence,
et je vais le faire avec vous.
et je vais le faire avec vous.
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
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Et nous avons commencé à empiler
toutes les connaissances que nous avions.
toutes les connaissances que nous avions.
Dans cette fiole de sang, nous avons
prédit que c'était un homme.
prédit que c'était un homme.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
Et le sujet était un homme.
11:29
And the subject is a male.
228
677134
1364
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Nous avons prédit qu'il mesurait 1,76 m.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Il mesure en fait 1,77 m.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Nous avons prédit
qu'il faisait 76 kg, il en fait 82.
qu'il faisait 76 kg, il en fait 82.
Nous avons prédit son âge : 38 ans.
11:40
We predict his age, 38.
232
688701
2632
Le sujet a 35 ans.
11:43
The subject is 35.
233
691357
1904
Nous avons prédit la couleur de ses yeux.
11:45
We predict his eye color.
234
693851
2124
Trop foncé.
11:48
Too dark.
235
696824
1211
Nous avons prédit la couleur de sa peau.
11:50
We predict his skin color.
236
698059
1555
On y est presque.
11:52
We are almost there.
237
700026
1410
11:53
That's his face.
238
701899
1373
Voici son visage.
11:57
Now, the reveal moment:
239
705172
3269
Maintenant, le moment de vérité :
12:00
the subject is this person.
240
708465
1770
le sujet est cette personne.
12:02
(Laughter)
241
710259
1935
(Rires)
12:04
And I did it intentionally.
242
712218
2058
Et je l'ai fait intentionnellement.
Je suis d'une ethnicité très particulière.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Européens du sud, Italiens,
les modèles ne correspondent jamais.
les modèles ne correspondent jamais.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
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
C'est particulier, cette ethnicité
est un cas complexe pour notre modèle.
est un cas complexe pour notre modèle.
Mais, il y a encore autre chose.
12:18
But there is another point.
246
726144
1509
L'une des choses que l'on utilise
beaucoup pour reconnaître les gens
beaucoup pour reconnaître les gens
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
12:23
will never be written in the genome.
248
731178
1722
n'est jamais écrite dans le génome.
12:24
It's our free will, it's how I look.
249
732924
2317
C'est notre libre arbitre,
ce dont on a l'air.
ce dont on a l'air.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Ici, pas ma coupe de cheveux,
mais ma barbe.
mais ma barbe.
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
Je vais vous montrer,
je vais juste la transférer,
je vais juste la transférer,
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
ce n'est que du Photoshop,
pas de modélisation,
pas de modélisation,
12:36
the beard on the subject.
253
744884
1713
la barbe du sujet.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Et immédiatement, on arrive
bien mieux à me reconnaitre.
bien mieux à me reconnaitre.
12:42
So, why do we do this?
255
750955
2709
Pourquoi fait-on donc ça ?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
On ne le fait certainement pas
pour prédire la taille,
pour prédire la taille,
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
ou avoir une belle image
à partir de votre sang.
à partir de votre sang.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
On le fait car la même technologie
et la même approche,
et la même approche,
l'apprentissage par la machine
pour ce code,
pour ce code,
13:00
the machine learning of this code,
259
768432
2520
13:02
is helping us to understand how we work,
260
770976
3137
nous aide à comprendre
comment nous fonctionnons,
comment nous fonctionnons,
13:06
how your body works,
261
774137
1486
comment votre corps fonctionne,
13:07
how your body ages,
262
775647
1665
comment votre corps vieillit,
13:09
how disease generates in your body,
263
777336
2769
comment les maladies
se déclarent dans votre corps,
se déclarent dans votre corps,
13:12
how your cancer grows and develops,
264
780129
2972
comment votre cancer grandit
et se développe,
et se développe,
comment les médicaments marchent,
13:15
how drugs work
265
783125
1783
et s'ils fonctionnent dans votre corps.
13:16
and if they work on your body.
266
784932
2314
13:19
This is a huge challenge.
267
787713
1667
C'est un sérieux défi.
C'est un défi que l'on partage
13:21
This is a challenge that we share
268
789894
1638
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
avec des milliers d'autres chercheurs
de par le monde.
de par le monde.
13:26
It's called personalized medicine.
270
794159
2222
C'est la médecine personnalisée.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
C'est la faculté de partir
d'une approche statistique
d'une approche statistique
où l'on est juste
une goutte dans l'océan,
une goutte dans l'océan,
13:32
where you're a dot in the ocean,
272
800609
2032
13:34
to a personalized approach,
273
802665
1813
à une approche personnalisée,
13:36
where we read all these books
274
804502
2185
où nous lisons tous ces livres
et nous arrivons à comprendre
exactement comment vous êtes.
exactement comment vous êtes.
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
Mais c'est un défi
particulièrement compliqué,
particulièrement compliqué,
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
parce que de tous ces livres, à ce jour,
13:45
because of all these books, as of today,
277
813646
3998
13:49
we just know probably two percent:
278
817668
2642
on ne connaît probablement que 2 % :
13:53
four books of more than 175.
279
821027
3653
quatre livres sur plus de 175.
13:58
And this is not the topic of my talk,
280
826021
3206
Et ce n'est pas le sujet
de mon intervention,
de mon intervention,
14:02
because we will learn more.
281
830145
2598
car on en saura plus à l'avenir.
Les meilleurs cerveaux de la planète
travaillent sur ces sujets.
travaillent sur ces sujets.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Les prédictions vont s'améliorer,
14:09
The prediction will get better,
283
837048
1834
14:10
the model will get more precise.
284
838906
2253
le modèle va devenir plus précis.
14:13
And the more we learn,
285
841183
1858
Et plus on apprendra,
plus l'on se retrouvera devant des choix
que nous n'avons jamais eus à faire avant
que nous n'avons jamais eus à faire avant
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
14:19
that we never had to face before
287
847919
3021
sur la vie,
14:22
about life,
288
850964
1435
14:24
about death,
289
852423
1674
sur la mort,
14:26
about parenting.
290
854121
1603
sur l'éducation parentale.
Nous touchons donc aux détails intimes
du fonctionnement de la vie.
du fonctionnement de la vie.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Et c'est une révolution
qui ne peut pas être confinée
qui ne peut pas être confinée
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
14:41
in the domain of science or technology.
293
869300
2659
au domaine de la science
ou des technologies.
ou des technologies.
Ceci doit être une conversation globale.
14:44
This must be a global conversation.
294
872960
2244
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
Nous devons réfléchir à l'avenir
que nous construisons tous.
que nous construisons tous.
Nous devons interagir avec
les créateurs, les artistes,
les créateurs, les artistes,
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
les philosophes et les politiciens.
14:57
with politicians.
297
885127
1510
14:58
Everyone is involved,
298
886661
1158
Chacun est impliqué
car il s'agit de l'avenir de notre espèce.
car il s'agit de l'avenir de notre espèce.
14:59
because it's the future of our species.
299
887843
2825
Sans peur, mais en comprenant
15:03
Without fear, but with the understanding
300
891273
3968
que les décisions que nous prendrons
durant l'année à venir
durant l'année à venir
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
15:11
will change the course of history forever.
302
899160
3789
changeront pour toujours
le cours de l'histoire.
le cours de l'histoire.
Merci.
15:15
Thank you.
303
903732
1160
15:16
(Applause)
304
904916
10159
(Applaudissements)
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