TEDMED 2018
Yaniv Erlich: How we're building the world's largest family tree
Yaniv Erlich: La création du plus grand arbre généalogique au monde
Filmed:
Readability: 4.9
1,507,766 views
Le généticien informatique Yaniv Erlich a collaboré dans la création du plus grand arbre généalogique, il comprend 13 millions de personnes et remonte 500 ans dans le passé. Il nous partage des faits intéressants extraits de son travail, à propos de notre vie amoureuse, notre santé et même des cas criminels vieux de quelques décennies. Il expose comment les bases de données généalogiques nous renseignent non seulement sur le passé, mais aussi le futur.
Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data. Full bio
Yaniv Erlich is fascinated by the connection between DNA and data. Full bio
Double-click the English transcript below to play the video.
00:12
People use the internet
for various reasons.
for various reasons.
0
817
3452
Les gens utilisent Internet
pour plusieurs raisons.
pour plusieurs raisons.
00:17
It turns out that one of the most
popular categories of website
popular categories of website
1
5765
3804
Et il se trouve que la catégorie
la plus populaire de site web,
la plus populaire de site web,
00:21
is something that people
typically consume in private.
typically consume in private.
2
9593
2872
c’est quelque chose que
les gens tendent à regarder en privé.
les gens tendent à regarder en privé.
00:25
It involves curiosity,
3
13639
2510
Ça concerne notre curiosité,
00:28
non-insignificant levels
of self-indulgence
of self-indulgence
4
16173
3796
des niveaux significatifs de complaisance,
00:31
and is centered around recording
the reproductive activities
the reproductive activities
5
19993
3260
et ça tourne autour de l’enregistrement
des activités reproductrices
des activités reproductrices
00:35
of other people.
6
23277
1309
d’autres personnes.
00:36
(Laughter)
7
24610
1032
(Rires)
00:37
Of course, I'm talking about genealogy --
8
25666
2250
Évidemment, je parle de généalogie,
00:39
(Laughter)
9
27940
1214
(Rires)
00:41
the study of family history.
10
29178
1702
l’étude des histoires familiales.
00:43
When it comes to detailing family history,
11
31353
2037
Dans chaque famille,
00:45
in every family, we have this person
that is obsessed with genealogy.
that is obsessed with genealogy.
12
33414
3943
il y a toujours un membre de la famille
obsédé par la généalogie.
obsédé par la généalogie.
00:49
Let's call him Uncle Bernie.
13
37381
1713
On va l’appeler l’oncle Bernie.
00:51
Uncle Bernie is exactly the last person
you want to sit next to
you want to sit next to
14
39118
3782
Il est la personne qu'on ne veut pas
à côté de soi
à côté de soi
00:54
in Thanksgiving dinner,
15
42924
1599
aux dîners de famille
00:56
because he will bore you to death
with peculiar details
with peculiar details
16
44547
2814
parce qu’il est ennuyant à mort
avec tous ces détails
avec tous ces détails
00:59
about some ancient relatives.
17
47385
1966
d’un parent éloigné.
01:02
But as you know,
18
50462
1262
Mais comme vous le savez,
01:03
there is a scientific side for everything,
19
51748
2872
la science est partout
01:06
and we found that Uncle Bernie's stories
20
54644
2978
et on pense que les histoires
d’oncle Bernie
d’oncle Bernie
01:09
have immense potential
for biomedical research.
for biomedical research.
21
57646
3168
ont un grand potentiel
pour la recherche biomédicale.
pour la recherche biomédicale.
On laisse l’oncle Bernie
et ses amis généalogistes
et ses amis généalogistes
01:13
We let Uncle Bernie
and his fellow genealogists
and his fellow genealogists
22
61306
2714
01:16
document their family trees through
a genealogy website called geni.com.
a genealogy website called geni.com.
23
64044
4668
rentrer leurs arbres généalogiques
sur un site nommé geni.com
sur un site nommé geni.com
Quand les arbres généalogiques
sont téléchargés,
sont téléchargés,
01:21
When users upload
their trees to the website,
their trees to the website,
24
69198
2128
01:23
it scans their relatives,
25
71350
1690
le site scanne les membres.
01:25
and if it finds matches to existing trees,
26
73064
2075
S’il y a des concordances
01:27
it merges the existing
and the new tree together.
and the new tree together.
27
75163
3610
avec d’autres arbres,
ceux-ci sont fusionnés,
ceux-ci sont fusionnés,
01:31
The result is that large
family trees are created,
family trees are created,
28
79768
2950
créant ainsi un arbre plus étendu,
01:34
beyond the individual level
of each genealogist.
of each genealogist.
29
82742
3479
qui va au-delà de l’individualité
de chaque généalogiste.
de chaque généalogiste.
01:38
Now, by repeating this process
with millions of people
with millions of people
30
86808
4129
En répétant ce processus
avec des millions de personnes
avec des millions de personnes
01:42
all over the world,
31
90961
1817
à travers le monde,
01:44
we can crowdsource the construction
of a family tree of all humankind.
of a family tree of all humankind.
32
92802
5532
on peut assembler un arbre
pour toute l’humanité.
pour toute l’humanité.
01:51
Using this website,
33
99292
1584
Grâce à ce site,
01:52
we were able to connect 125 million people
34
100900
4813
on a pu connecter
125 millions de personnes
125 millions de personnes
01:57
into a single family tree.
35
105737
2521
en un seul arbre généalogique.
02:00
I cannot draw the tree
on the screens over here
on the screens over here
36
108967
2788
Je ne peux pas vous montrer l’arbre
sur ces écrans
sur ces écrans
02:03
because they have less pixels
37
111779
2165
parce qu’ils ont moins de pixels
02:05
than the number of people in this tree.
38
113968
2513
que le nombre de personnes sur l’arbre.
02:08
But here is an example of a subset
of 6,000 individuals.
of 6,000 individuals.
39
116505
5010
Mais voici un exemple d’un plus
petit arbre avec 6 000 individus.
petit arbre avec 6 000 individus.
02:14
Each green node is a person.
40
122159
2362
Chaque nœud vert est une personne.
02:17
The red nodes represent marriages,
41
125060
2849
Les nœuds rouges représentent les mariages
02:19
and the connections represent parenthood.
42
127933
2258
et les lignes la relation parent-enfant.
02:22
In the middle of this tree,
you see the ancestors.
you see the ancestors.
43
130557
2372
Au milieu de l’arbre se trouvent
les ancêtres.
les ancêtres.
02:24
And as we go to the periphery,
you see the descendants.
you see the descendants.
44
132953
2604
En périphérie se trouvent les descendants.
02:27
This tree has seven
generations, approximately.
generations, approximately.
45
135581
3102
Sur cet arbre, il y a environ
sept générations.
sept générations.
02:31
Now, this is what happens
when we increase the number of individuals
when we increase the number of individuals
46
139692
3234
Voici ce qui arrive lorsqu’on augmente
le nombre d’individus
le nombre d’individus
02:34
to 70,000 people --
47
142950
1828
à 70 000 personnes.
02:36
still a tiny subset
of all the data that we have.
of all the data that we have.
48
144802
4330
Toujours un petit sous-ensemble
de nos données.
de nos données.
02:41
Despite that, you can already see
the formation of gigantic family trees
the formation of gigantic family trees
49
149629
4813
Malgré tout, vous voyez bien l’assemblage
d’un arbre généalogique gigantesque
d’un arbre généalogique gigantesque
02:46
with many very distant relatives.
50
154466
2655
avec de la parenté très éloignée.
02:49
Thanks to the hard work
of our genealogists,
of our genealogists,
51
157610
3134
Grâce au travail sans relâche
de nos généalogistes,
de nos généalogistes,
02:52
we can go back in time
hundreds of years ago.
hundreds of years ago.
52
160768
3103
on peut reculer dans le temps
sur des centaines d’années.
sur des centaines d’années.
02:56
For example, here is Alexander Hamilton,
53
164418
3441
Par exemple, ici c’est Alexander Hamilton,
02:59
who was born in 1755.
54
167883
2475
né en 1755.
03:02
Alexander was the first
US Secretary of the Treasury,
US Secretary of the Treasury,
55
170872
3764
Alexander a été le premier secrétaire
au Trésor des États-Unis.
au Trésor des États-Unis.
03:06
but mostly known today
due to a popular Broadway musical.
due to a popular Broadway musical.
56
174660
3831
Aujourd’hui, il est populaire à cause
d’une comédie musicale de Broadway.
d’une comédie musicale de Broadway.
03:11
We found that Alexander has deeper
connections in the showbiz industry.
connections in the showbiz industry.
57
179137
4922
Alexander a de bons contacts
dans le showbiz.
dans le showbiz.
03:16
In fact, he's a blood relative of ...
58
184083
2111
En fait, il a des liens de parenté avec…
03:18
Kevin Bacon!
59
186781
1220
Kevin Bacon
03:20
(Laughter)
60
188025
2032
(Rires)
03:22
Both of them are descendants
of a lady from Scotland
of a lady from Scotland
61
190081
2606
Tous les deux sont les descendants
d’une dame écossaise
d’une dame écossaise
03:24
who lived in the 13th century.
62
192711
2314
ayant vécu au XIIIe siècle.
03:27
So you can say that Alexander Hamilton
63
195049
3102
On peut donc dire qu’Alexander Hamilton
03:30
is 35 degrees of Kevin Bacon genealogy.
64
198175
3188
est à 35 degrés de l’arbre de Kevin Bacon.
03:33
(Laughter)
65
201387
1441
(Rires)
03:34
And our tree has millions
of stories like that.
of stories like that.
66
202852
3230
Et notre arbre a des millions
d’autres histoires.
d’autres histoires.
03:40
We invested significant efforts
to validate the quality of our data.
to validate the quality of our data.
67
208113
4890
On s’est donné du mal pour valider
la qualité de ces données.
la qualité de ces données.
03:45
Using DNA, we found that .3 percent of
the mother-child connections in our data
the mother-child connections in our data
68
213027
5391
En utilisant de l’ADN, on s’est aperçu
que 0,3 % des relations mères-enfants
que 0,3 % des relations mères-enfants
étaient incongrues dans nos données.
03:50
are wrong,
69
218442
1250
03:51
which could match the adoption rate
in the US pre-Second World War.
in the US pre-Second World War.
70
219716
3591
Ce qui correspondrait au taux d’adoption
avant la Seconde Guerre mondiale.
avant la Seconde Guerre mondiale.
03:56
For the father's side,
71
224847
1785
Pour le côté paternel,
03:58
the news is not as good:
72
226656
1961
les nouvelles n’étaient pas bonnes :
04:02
1.9 percent of the father-child
connections in our data are wrong.
connections in our data are wrong.
73
230149
5600
1,9 % des relations père-enfant
étaient incongrues.
étaient incongrues.
04:07
And I see some people smirk over here.
74
235773
2363
Je vois quelques-uns
avec un sourire en coin,
avec un sourire en coin,
04:10
It is what you think --
75
238160
1717
c’est exactement ce que vous croyez.
Plusieurs facteurs parcourent les rues.
04:11
there are many milkmen out there.
76
239901
1789
04:13
(Laughter)
77
241714
1064
(Rires)
04:14
However, this 1.9 percent error rate
in patrilineal connections
in patrilineal connections
78
242802
3989
Ce 1,9 % d’erreur sur
la lignée patriarcale
la lignée patriarcale
04:18
is not unique to our data.
79
246815
1769
n’est pas exclusif à nos données.
04:20
Previous studies found
a similar error rate
a similar error rate
80
248608
3069
Des études antérieures ont trouvé
un taux similaire
un taux similaire
04:23
using clinical-grade pedigrees.
81
251701
2021
dans les antécédents cliniques.
04:26
So the quality of our data is good,
82
254254
2525
Donc, la qualité
de notre travail est bonne
de notre travail est bonne
04:28
and that should not be a surprise.
83
256803
2133
et ce n’est pas surprenant.
04:30
Our genealogists have
a profound, vested interest
a profound, vested interest
84
258960
3776
L’entrée fidèle des informations
familiales est quelque chose
familiales est quelque chose
04:34
in correctly documenting
their family history.
their family history.
85
262760
3668
que nos généalogistes tiennent à cœur.
04:40
We can leverage this data to learn
quantitative information about humanity,
quantitative information about humanity,
86
268594
4591
On peut miser sur ces données pour
en apprendre plus sur l’humanité,
en apprendre plus sur l’humanité,
04:45
for example, questions about demography.
87
273209
2596
par exemple, sur la démographie.
04:47
Here is a look at all our profiles
on the map of the world.
on the map of the world.
88
275829
3857
Voici un aperçu de l’ensemble des profils
à travers le monde.
à travers le monde.
04:52
Each pixel is a person
that lived at some point.
that lived at some point.
89
280250
4481
Chaque pixel représente une personne
ayant vécu à un certain moment.
ayant vécu à un certain moment.
04:56
And since we have so much data,
90
284755
1680
Avec toutes ces données,
04:58
you can see the contours
of many countries,
of many countries,
91
286459
2781
on peut voir les frontières
de plusieurs pays,
de plusieurs pays,
05:01
especially in the Western world.
92
289264
2099
particulièrement dans le monde occidental.
05:03
In this clip, we stratified
the map that I've showed you
the map that I've showed you
93
291387
3548
Dans cette séquence, on a segmenté
la carte que je vous ai montrée,
la carte que je vous ai montrée,
05:06
based on the year of births of individuals
from 1400 to 1900,
from 1400 to 1900,
94
294959
5072
selon l’année de naissance d’individus,
ayant vécu entre 1400 et 1900
ayant vécu entre 1400 et 1900
05:12
and we compared it
to known migration events.
to known migration events.
95
300055
2766
et on a comparé ça
aux grandes migrations connues.
aux grandes migrations connues.
La séquence montre que les lignées
les plus anciennes dans nos données
les plus anciennes dans nos données
05:15
The clip is going to show you
that the deepest lineages in our data
that the deepest lineages in our data
96
303482
3165
remontent au Royaume-Uni.
05:18
go all the way back to the UK,
97
306671
1627
05:20
where they had better record keeping,
98
308322
1808
où l’on tenait mieux les registres.
05:22
and then they spread along
the routes of Western colonialism.
the routes of Western colonialism.
99
310154
3282
On peut voir ces lignées suivre
les routes du colonialisme occidental.
les routes du colonialisme occidental.
05:25
Let's watch this.
100
313460
1322
Regardons.
05:27
(Music)
101
315143
1609
(Musique)
05:28
[Year of birth: ]
102
316776
2341
[Année de naissance :]
05:31
[1492 - Columbus sails the ocean blue]
103
319705
1836
[1492 : Colomb met le cap sur l’océan]
05:35
[1620 - Mayflower lands in Massachusetts]
104
323661
2000
[1620 : Le Mayflower
arrive au Massachusetts]
arrive au Massachusetts]
[1652 : Les Néerlandais colonisent
l’Afrique du Sud]
l’Afrique du Sud]
05:38
[1652 - Dutch settle in South Africa]
105
326726
1775
[1788 : La Grande-Bretagne initie
la déportation pénale vers l’Australie]
la déportation pénale vers l’Australie]
05:44
[1788 - Great Britain penal
transportation to Australia starts]
transportation to Australia starts]
106
332321
3186
05:47
[1836 - First migrants use Oregon Trail]
107
335531
1927
[1836 : Utilisation
de la piste de l’Oregon]
de la piste de l’Oregon]
05:50
[all activity]
108
338149
3183
[Toutes les activités]
05:55
I love this movie.
109
343851
1543
J’aime ce film.
05:57
Now, since these migration events
are giving the context of families,
are giving the context of families,
110
345418
5093
Sachant que ces évènements
de migration donnent le contexte familial,
de migration donnent le contexte familial,
06:02
we can ask questions such as:
111
350535
2183
on peut se demander :
06:04
What is the typical distance
between the birth locations
between the birth locations
112
352742
3470
quelle est la distance habituelle
entre les lieux de naissance
entre les lieux de naissance
06:08
of husbands and wives?
113
356236
2812
d'un mari et de sa femme ?
06:11
This distance plays
a pivotal role in demography,
a pivotal role in demography,
114
359072
3677
Cette distance est primordiale
en démographie,
en démographie,
06:14
because the patterns in which
people migrate to form families
people migrate to form families
115
362773
3681
car les migrations faites
dans le but de fonder une famille
dans le but de fonder une famille
06:18
determine how genes spread
in geographical areas.
in geographical areas.
116
366478
3713
déterminent comment les gènes sont
répartis géographiquement.
répartis géographiquement.
06:22
We analyzed this distance using our data,
117
370706
2328
On a analysé cette distance
avec nos données
avec nos données
06:25
and we found that in the old days,
118
373058
2290
et on a découvert qu’autrefois,
06:27
people had it easy.
119
375372
1230
on se la coulait douce.
06:28
They just married someone
in the village nearby.
in the village nearby.
120
376626
2594
On mariait quelqu’un du village voisin
tout simplement.
tout simplement.
06:31
But the Industrial Revolution
really complicated our love life.
really complicated our love life.
121
379958
3705
C’est la révolution industrielle
qui a compliqué les amours.
qui a compliqué les amours.
06:35
And today, with affordable flights
and online social media,
and online social media,
122
383687
4560
De nos jours, avec des billets d’avion
abordables et les médias sociaux,
abordables et les médias sociaux,
06:40
people typically migrate more than
100 kilometers from their place of birth
100 kilometers from their place of birth
123
388271
4828
les gens sont prêts à migrer à plus
de 100 km de leur lieu de naissance,
de 100 km de leur lieu de naissance,
06:45
to find their soul mate.
124
393123
1504
afin de trouver leur âme sœur.
06:48
So now you might ask:
125
396524
1187
Là vous vous demandez :
06:49
OK, but who does the hard work
of migrating from places to places
of migrating from places to places
126
397735
4496
d’accord, mais qui prend
la peine d’émigrer
la peine d’émigrer
06:54
to form families?
127
402255
1269
pour fonder une famille ?
06:55
Are these the males or the females?
128
403548
3727
Sont-ce les hommes ou les femmes ?
06:59
We used our data to address this question,
129
407752
2155
On a utilisé nos données
pour le découvrir.
pour le découvrir.
07:01
and at least in the last 300 years,
130
409931
2594
On a trouvé qu’au moins depuis
les dernières 300 années,
les dernières 300 années,
07:04
we found that the ladies do the hard work
131
412549
3883
ce sont les femmes
qui se donnent cette peine
qui se donnent cette peine
07:08
of migrating from places
to places to form families.
to places to form families.
132
416456
2996
de migrer pour fonder une famille.
07:11
Now, these results
are statistically significant,
are statistically significant,
133
419476
3101
Ces résultats sont significatifs,
statistiquement parlant.
statistiquement parlant.
07:14
so you can take it as scientific fact
that males are lazy.
that males are lazy.
134
422601
3471
Alors, c’est un fait scientifique :
les hommes sont paresseux.
les hommes sont paresseux.
07:18
(Laughter)
135
426096
3156
(Rires)
07:21
We can move from questions
about demography
about demography
136
429276
2536
On peut laisser de côté
les questions démographiques
les questions démographiques
07:23
and ask questions about human health.
137
431836
2913
et traiter les questions de santé.
07:26
For example, we can ask
138
434773
1487
Par exemple, demandons-nous
07:28
to what extent genetic variations
account for differences in life span
account for differences in life span
139
436284
4963
jusqu’à quel point les variations
génétiques affectent la durée de vie
génétiques affectent la durée de vie
07:33
between individuals.
140
441271
1194
de différents individus.
07:34
Previous studies analyzed the correlation
of longevity between twins
of longevity between twins
141
442988
4530
Par le passé, afin de répondre à cette
question, on analysait la corrélation
question, on analysait la corrélation
07:39
to address this question.
142
447542
1442
de longévité entre jumeaux.
07:41
They estimated that the genetic
variations account for
variations account for
143
449411
2667
On estimait que les variations
génétiques affectaient
génétiques affectaient
07:44
about a quarter of the differences
in life span between individuals.
in life span between individuals.
144
452102
4040
un quart des différences de la durée
de vie, à peu près.
de vie, à peu près.
Cependant, les jumeaux sont corrélés
par plusieurs choses
par plusieurs choses
07:48
But twins can be correlated
due to so many reasons,
due to so many reasons,
145
456688
2598
07:51
including various environmental effects
146
459310
2304
dont les effets de l’environnement
07:53
or a shared household.
147
461638
1622
ou une cohabitation.
07:56
Large family trees give us the opportunity
to analyze both close relatives,
to analyze both close relatives,
148
464411
3753
Des arbres plus grands nous donnent
l’occasion d’analyser des parents proches
l’occasion d’analyser des parents proches
08:00
such as twins,
149
468188
1207
comme des jumeaux,
08:01
all the way to distant relatives,
even fourth cousins.
even fourth cousins.
150
469419
2917
aussi bien que des parents très éloignés.
08:04
This way we can build robust models
151
472749
2689
Ainsi, on peut élaborer
des modèles solides
des modèles solides
08:07
that can tease apart the contribution
of genetic variations
of genetic variations
152
475462
3708
qui peuvent discriminer
la contribution génétique
la contribution génétique
08:11
from environmental factors.
153
479194
1717
de celle des facteurs environnementaux.
08:13
We conducted this analysis using our data,
154
481379
2899
On a conduit cette analyse
avec nos données.
avec nos données.
08:16
and we found that genetic variations
explain only 15 percent
explain only 15 percent
155
484302
5791
On a trouvé que les variations génétiques
n’expliquent que 15 %
n’expliquent que 15 %
08:22
of the differences in life span
between individuals.
between individuals.
156
490117
2806
de la différence de la durée de vie
entre les individus.
entre les individus.
08:26
That is five years, on average.
157
494760
2756
On parle de 5 ans, en moyenne.
08:30
So genes matter less than
what we thought before to life span.
what we thought before to life span.
158
498316
4708
Donc, les gènes affectent la durée de vie
moins qu’on le pensait.
moins qu’on le pensait.
08:35
And I find it great news,
159
503675
2136
C’est une bonne nouvelle,
08:38
because it means that
our actions can matter more.
our actions can matter more.
160
506438
3293
parce que ça veut dire que
nos actions sont plus importantes.
nos actions sont plus importantes.
08:42
Smoking, for example, determines
10 years of our life expectancy --
10 years of our life expectancy --
161
510533
4274
Par exemple, fumer joue sur 10 ans
de notre durée de vie,
de notre durée de vie,
08:46
twice as much as what genetics determines.
162
514831
2646
le double de la génétique.
08:50
We can even have more surprising findings
163
518236
2289
On a même plus de résultats étonnants
en bougeant à travers les arbres
08:52
as we move from family trees
164
520549
1492
08:54
and we let our genealogists
document and crowdsource DNA information.
document and crowdsource DNA information.
165
522065
4732
et laissant nos généalogistes
rentrer et réunir les infos ADN.
rentrer et réunir les infos ADN.
08:58
And the results can be amazing.
166
526821
2024
Les résultats peuvent être fascinants.
09:01
It might be hard to imagine,
but Uncle Bernie and his friends
but Uncle Bernie and his friends
167
529255
3915
Il est peut-être difficile d’y penser,
mais l’oncle Bernie et ses amis
mais l’oncle Bernie et ses amis
09:05
can create DNA forensic capabilities
168
533194
2646
forment une expertise médico-légale d’ADN
09:07
that even exceed
what the FBI currently has.
what the FBI currently has.
169
535864
3559
qui dépasse même celle du FBI.
09:12
When you place the DNA
on a large family tree,
on a large family tree,
170
540862
2404
Quand on place l’ADN sur un grand arbre,
09:15
you effectively create a beacon
171
543290
2117
on crée une balise
09:17
that illuminates the hundreds
of distant relatives
of distant relatives
172
545431
2634
qui illumine des centaines
de parents éloignés
de parents éloignés
09:20
that are all connected to the person
that originated the DNA.
that originated the DNA.
173
548089
3490
qui sont connectés à la personne
de laquelle provient l’ADN.
de laquelle provient l’ADN.
09:24
By placing multiple beacons
on a large family tree,
on a large family tree,
174
552505
2913
En plaçant plusieurs balises
sur des grands arbres,
sur des grands arbres,
09:27
you can now triangulate the DNA
of an unknown person,
of an unknown person,
175
555442
3720
on peut trianguler l’ADN d’une personne
jusqu’alors inconnue,
jusqu’alors inconnue,
09:31
the same way that the GPS system
uses multiple satellites
uses multiple satellites
176
559186
3938
de la même façon qu’un système GPS
utilise plusieurs satellites
utilise plusieurs satellites
09:35
to find a location.
177
563148
1324
pour trouver un point.
09:37
The prime example
of the power of this technique
of the power of this technique
178
565226
3624
L’exemple par excellence
montrant la puissance de ceci
montrant la puissance de ceci
09:40
is capturing the Golden State Killer,
179
568874
2675
est la saisie du tueur de Golden State,
09:44
one of the most notorious criminals
in the history of the US.
in the history of the US.
180
572612
4528
un des criminels
les plus connus aux États-Unis.
les plus connus aux États-Unis.
09:49
The FBI had been searching
for this person for over 40 years.
for this person for over 40 years.
181
577164
5892
Le FBI a cherché cette personne
pendant plus de 40 ans.
pendant plus de 40 ans.
09:55
They had his DNA,
182
583588
1835
Ils avaient son ADN,
09:57
but he never showed up
in any police database.
in any police database.
183
585447
3350
mais il n’y a jamais eu de correspondance
avec les données policières.
avec les données policières.
10:01
About a year ago, the FBI
consulted a genetic genealogist,
consulted a genetic genealogist,
184
589447
4712
Il y a environ un an, le FBI
a consulté un généalogiste génétique
a consulté un généalogiste génétique
10:06
and she suggested that they submit
his DNA to a genealogy service
his DNA to a genealogy service
185
594183
3950
qui leur a suggéré de déposer l’ADN
à un service de recherche généalogique
à un service de recherche généalogique
10:10
that can locate distant relatives.
186
598157
2398
qui localise les parents éloignés.
10:13
They did that,
187
601117
1156
Ils l’ont fait.
10:14
and they found a third cousin
of the Golden State Killer.
of the Golden State Killer.
188
602297
3692
Ils ont trouvé un cousin de 3e degré
du tueur du Golden State.
du tueur du Golden State.
10:18
They built a large family tree,
189
606013
2344
Ils ont construit
un grand arbre généalogique,
un grand arbre généalogique,
ont examiné différentes
branches de cet arbre,
branches de cet arbre,
10:20
scanned the different
branches of that tree,
branches of that tree,
190
608381
2102
10:22
until they found a profile
that exactly matched
that exactly matched
191
610507
2565
jusqu’à trouver un profil
qui correspondait exactement
qui correspondait exactement
10:25
what they knew about
the Golden State Killer.
the Golden State Killer.
192
613096
2581
à ce qu’ils connaissaient
du tueur du Golden State.
du tueur du Golden State.
10:27
They obtained DNA from this person
and found a perfect match
and found a perfect match
193
615701
3592
Ils ont récupéré l’ADN de cet individu
et ont eu une correspondance parfaite
et ont eu une correspondance parfaite
10:31
to the DNA they had in hand.
194
619317
2025
avec l’ADN qu’ils avaient.
10:33
They arrested him
and brought him to justice
and brought him to justice
195
621366
2350
Il a été arrêté et présenté à la justice
10:35
after all these years.
196
623740
1424
après toutes ces années.
10:38
Since then, genetic genealogists
have started working with
have started working with
197
626172
3241
Depuis, les généalogistes
génétiques travaillent
génétiques travaillent
10:41
local US law enforcement agencies
198
629437
2668
avec les forces de l’ordre locales,
aux États-Unis,
aux États-Unis,
10:44
to use this technique
in order to capture criminals.
in order to capture criminals.
199
632129
3362
pour arrêter des criminels.
10:47
And only in the past six months,
200
635521
2681
En l’espace de six mois,
10:50
they were able to solve
over 20 cold cases with this technique.
over 20 cold cases with this technique.
201
638226
4296
cette technique a permis de résoudre
20 cas classés sans suite.
20 cas classés sans suite.
10:56
Luckily, we have people like Uncle
Bernie and his fellow genealogists
Bernie and his fellow genealogists
202
644203
4636
Heureusement qu'on a des gens comme
oncle Bernie et ses amis généalogistes.
oncle Bernie et ses amis généalogistes.
11:01
These are not amateurs
with a self-serving hobby.
with a self-serving hobby.
203
649045
2994
Ce ne sont pas des amateurs
avec un simple passe-temps.
avec un simple passe-temps.
11:04
These are citizen scientists
with a deep passion to tell us who we are.
with a deep passion to tell us who we are.
204
652602
6419
Ce sont des citoyens scientifiques
passionnés de nous conter qui nous sommes.
passionnés de nous conter qui nous sommes.
11:11
And they know that the past
can hold a key to the future.
can hold a key to the future.
205
659065
4458
Ils savent que la clé du futur
se forge dans le passé.
se forge dans le passé.
11:16
Thank you very much.
206
664067
1183
Merci beaucoup.
11:17
(Applause)
207
665314
3469
(Applaudissements)
ABOUT THE SPEAKER
Yaniv Erlich - Computational geneticistYaniv Erlich is fascinated by the connection between DNA and data.
Why you should listen
As a professor and researcher at Columbia University and as CSO of MyHeritage.com, Yaniv Erlich has performed foundational work in genetic privacy and large-scale studies of crowdsourced genomic data. Dubbed a "genome hacker" by the journal Nature, Erlich and his team discovered a privacy loophole enabling reidentification of allegedly anonymous male research participants using just internet searches and their Y chromosome. Later, he discovered that 60 percent of all US individuals with European descent can be identified by forensic genetics using open genetic genealogy databases, which Science magazine called one of the top 10 breakthroughs of 2018.
Erlich is also responsible for the construction of the world's largest family tree, comprising 13 million people, as well as the development of the website DNA.land, which has compiled the genotypes of more than 150,000 donors. He has also worked to discover the genetic bases for several conditions in Israeli families. His team has demonstrated stable DNA data storage, reaching a density of 215 petabyte per gram of DNA. He's been awarded numerous prizes, has published more than 45 papers and authored seven patents.
Yaniv Erlich | Speaker | TED.com