TED2006
Joe DeRisi: Solving medical mysteries
"וירוסקאן" של ג'ו דה-ריזי מפצח תעלומות רפואיות
Filmed:
Readability: 4.3
474,538 views
הביוכימאי ג'ו דה-ריזי משוחח על דרכים מדהימות וחדשות לאיבחון וירוסים [ולטיפול במחלות שהם גורמים] בעזרת DNA. עבודתו עשויה לסייע לנו להבין את המלריה, סארס, שפעת העופות - ואת 60 האחוזים הבלתי-מאובחנים מסך כל הזיהומים הויראליים.
Joe DeRisi - Biochemist
Joe DeRisi hunts for the genes that make us sick. At his lab, he works to understand the genome of Plasmodium falciparum, the deadliest form of malaria. Full bio
Joe DeRisi hunts for the genes that make us sick. At his lab, he works to understand the genome of Plasmodium falciparum, the deadliest form of malaria. Full bio
Double-click the English transcript below to play the video.
00:12
How can we investigate
0
0
3000
כיצד נוכל לחקור
00:15
this flora of viruses that surround us, and aid medicine?
1
3000
5000
את שפע הוירוסים שסביבנו כדי לסייע לרפואה?
00:20
How can we turn our cumulative knowledge of virology
2
8000
4000
כיצד נוכל להפוך את סך כל הידע הוירולוגי שלנו
00:24
into a simple, hand-held, single diagnostic assay?
3
12000
4000
ליחידה אבחונית פשוטה וניידת?
00:28
I want to turn everything we know right now about detecting viruses
4
16000
3000
ברצוני להפוך את כל הידוע לנו היום על זיהוי וירוסים
00:31
and the spectrum of viruses that are out there
5
19000
2000
ועל מגוון הוירוסים הקיימים
00:33
into, let's say, a small chip.
6
21000
3000
למשל, לשבב קטן.
00:36
When we started thinking about this project --
7
24000
2000
כשהתחלנו לחשוב על הפרוייקט הזה -
00:38
how we would make a single diagnostic assay
8
26000
3000
איך ליצור מיבדק אבחוני יחיד
00:41
to screen for all pathogens simultaneously --
9
29000
3000
שיסרוק ויחפש בו-זמנית את כל גורמי המחלות -
00:44
well, there's some problems with this idea.
10
32000
2000
ובכן, יש כמה בעיות עם הרעיון הזה.
00:46
First of all, viruses are pretty complex,
11
34000
4000
ראשית כל, הוירוסים מורכבים למדי,
00:50
but they're also evolving very fast.
12
38000
4000
אך גם מתפתחים מהר מאד.
00:54
This is a picornavirus.
13
42000
1000
זהו פיקורנה-וירוס.
00:55
Picornaviruses -- these are things that include
14
43000
2000
אלה הם דברים שכוללים
00:57
the common cold and polio, things like this.
15
45000
3000
הצטננות ופוליו, דברים כאלה.
01:00
You're looking at the outside shell of the virus,
16
48000
2000
אתם מתבוננים במעטפת החיצונית של הוירוס,
01:02
and the yellow color here are those parts of the virus
17
50000
3000
והצבע הצהוב כאן הם אותם חלקים בוירוס
01:05
that are evolving very, very fast,
18
53000
2000
שמתפתחים מאד מאד מהר,
01:07
and the blue parts are not evolving very fast.
19
55000
2000
ואילו החלקים הכחולים אינם מתפתחים מאד מהר.
01:09
When people think about making pan-viral detection reagents,
20
57000
3000
כשחושבים על יצירת חומר מגיב לאיתור כלל-ויראלי,
01:12
usually it's the fast-evolving problem that's an issue,
21
60000
4000
בד"כ הנושא הוא הבעיה המתפתחת במהירות,
01:16
because how can we detect things if they're always changing?
22
64000
2000
אחרת איך נוכל לאתר דברים אם הם משתנים תדיר?
01:18
But evolution is a balance:
23
66000
2000
אך התפתחות הינה איזון:
01:20
where you have fast change, you also have ultra-conservation --
24
68000
4000
כשקיים שינוי מהיר, קיים גם שימור-על -
01:24
things that almost never change.
25
72000
2000
דברים שכמעט ולא משתנים לעולם.
01:26
And so we looked into this a little more carefully,
26
74000
3000
כך שבבדקנו זאת ביתר קפידה,
01:29
and I'm going to show you data now.
27
77000
1000
וכעת אציג לכם נתונים.
01:30
This is just some stuff you can do on the computer from the desktop.
28
78000
3000
אתם יכולים לעשות זאת משולחן-העבודה במחשב שלכם.
01:33
I took a bunch of these small picornaviruses,
29
81000
2000
לקחתי קבוצת וירוסים כזו,
01:35
like the common cold, like polio and so on,
30
83000
2000
כמו הצטננות, פוליו וכדומה,
01:37
and I just broke them down into small segments.
31
85000
4000
וחתכתי אותם למקטעים קטנים,
01:41
And so took this first example, which is called coxsackievirus,
32
89000
3000
לקחתי את הדוגמה הראשונה הזו, הקרויה קוקסאקי-וירוס,
01:44
and just break it into small windows.
33
92000
2000
וקטעתי אותה לחלונות קטנים.
01:46
And I'm coloring these small windows blue
34
94000
2000
ואני צובע חלונות קטנים אלה בכחול
01:48
if another virus shares an identical sequence in its genome
35
96000
5000
אם לוירוס אחר יש רצף זהה בגנום שלו
01:53
to that virus.
36
101000
1000
לוירוס זה.
01:54
These sequences right up here --
37
102000
2000
הרצפים כאן למעלה -
01:56
which don't even code for protein, by the way --
38
104000
2000
שאפילו אינם מתקודדים לחלבון, אגב -
01:58
are almost absolutely identical across all of these,
39
106000
3000
כולם זהים כמעט לגמרי מבחינה זו,
02:01
so I could use this sequence as a marker
40
109000
4000
כך שיכולתי לנצל רצף זה כסמן
02:05
to detect a wide spectrum of viruses,
41
113000
2000
לאיתור מגוון רחב של וירוסים,
02:07
without having to make something individual.
42
115000
3000
מבלי לעשות משהו פרטני.
02:10
Now, over here there's great diversity:
43
118000
2000
וכאן יש לנו מגוון רב:
02:12
that's where things are evolving fast.
44
120000
2000
כאן הדברים מתפתחים מהר.
02:14
Down here you can see slower evolution: less diversity.
45
122000
4000
כאן למטה רואים התפתחות איטית יותר: פחות גיוון.
02:18
Now, by the time we get out here to, let's say,
46
126000
2000
בזמן שנגיע לכאן, נניח,
02:20
acute bee paralysis virus --
47
128000
2000
לוירוס שיתוק דבורים חמור -
02:22
probably a bad one to have if you're a bee ---
48
130000
2000
ודאי דבר גרוע ללקות בו אם אתם דבורים -
02:24
this virus shares almost no similarity to coxsackievirus,
49
132000
5000
לוירוס זה אין כל דמיון לקוקסאקי-וירוס,
02:29
but I can guarantee you that the sequences that are most conserved
50
137000
4000
אך ביכולתי להבטיח לכם שהרצפים השמורים ביותר
02:33
among these viruses on the right-hand of the screen
51
141000
2000
בין הוירוסים שבצד ימין של המסך
02:35
are in identical regions right up here.
52
143000
3000
נמצאים באזורים זהים כאן למעלה.
02:38
And so we can encapsulate these regions of ultra-conservation
53
146000
3000
כך שאנו יכולים לתחום אזורים אלה של שימור-על
02:41
through evolution -- how these viruses evolved --
54
149000
3000
בזמן ההתפתחות - איך מתפתחים וירוסים אלה -
02:44
by just choosing DNA elements or RNA elements
55
152000
3000
פשוט ע"י בחירת רכיבי דנ"א או רנ"א
02:47
in these regions to represent on our chip as detection reagents.
56
155000
4000
באזורים אלה, כמייצגי איתור כימי בשבב שלנו.
02:51
OK, so that's what we did, but how are we going to do that?
57
159000
3000
בסדר, זה מה שעשינו, אבל איך נבצע זאת?
02:54
Well, for a long time, since I was in graduate school,
58
162000
2000
ובכן, במשך זמן רב, מאז למדתי לתואר שני,
02:56
I've been messing around making DNA chips --
59
164000
3000
התעסקתי בבניית שבבי דנ"א -
02:59
that is, printing DNA on glass.
60
167000
2000
כלומר, הדפסת דנ"א על זכוכית.
03:01
And that's what you see here:
61
169000
1000
וזה מה שאתם רואים כאן:
03:02
These little salt spots are just DNA tacked onto glass,
62
170000
3000
פירורי המלח האלה הם פשוט דנ"א שמודבק על זכוכית.
03:05
and so I can put thousands of these on our glass chip
63
173000
3000
אז אני יכול לשים אלפים מאלה על שבב הזכוכית שלנו
03:08
and use them as a detection reagent.
64
176000
2000
ולהשתמש בהם כמאתרים כימיים.
03:10
We took our chip over to Hewlett-Packard
65
178000
2000
לקחנו את השבב שלנו להיולט-פקרד
03:12
and used their atomic force microscope on one of these spots,
66
180000
2000
וצפינו במיקרוסקופ האטומי שלהם באחת הנקודות האלה,
03:14
and this is what you see:
67
182000
2000
וזה מה שאתם רואים:
03:16
you can actually see the strands of DNA lying flat on the glass here.
68
184000
3000
אתם ממש רואים את רצועות הדנ"א משוטחות כאן על הזכוכית.
03:19
So, what we're doing is just printing DNA on glass --
69
187000
3000
אז מה שאנו עושים הוא פשוט להדפיס דנ"א על זכוכית -
03:22
little flat things -- and these are going to be markers for pathogens.
70
190000
4000
דברים שטוחים קטנים - ואלה יהיו סמני גורמי-המחלות
03:26
OK, I make little robots in lab to make these chips,
71
194000
3000
אני יוצר רובוטים קטנים במעבדה כדי ליצור שבבים אלה,
03:29
and I'm really big on disseminating technology.
72
197000
3000
ואני אוהב מאד הפצת טכנולוגיות.
03:32
If you've got enough money to buy just a Camry,
73
200000
3000
אם יש לכם די כסף לקנות מכונית קאמרי,
03:35
you can build one of these too,
74
203000
2000
אתם יכולים גם לבנות אחד כזה,
03:37
and so we put a deep how-to guide on the Web, totally free,
75
205000
4000
אז פרסמנו באינטרנט בחינם חוברת הדרכה,
03:41
with basically order-off-the-shelf parts.
76
209000
2000
לבנייה ממוצרי-מדף -
03:43
You can build a DNA array machine in your garage.
77
211000
3000
ביכולתכם לבנות מכונת מערך דנ"א במחסן שלכם.
03:46
Here's the section on the all-important emergency stop switch.
78
214000
3000
הנה הקטע על מפסק כיבוי-החירום החשוב מכל.
03:49
(Laughter)
79
217000
2000
[צחוק]
03:51
Every important machine's got to have a big red button.
80
219000
3000
בכל מכונה חשובה צריך להיות כפתור אדום גדול.
03:54
But really, it's pretty robust.
81
222000
2000
אך למעשה זה יציב למדי.
03:56
You can actually be making DNA chips in your garage
82
224000
3000
אתם יכולים ממש לייצר שבבי דנ"א במחסן שלכם,
03:59
and decoding some genetic programs pretty rapidly. It's a lot of fun.
83
227000
4000
ולקודד כמה תכניות גנטיות די מהר. זה כיף גדול.
04:03
(Laughter)
84
231000
1000
[צחוק]
04:04
And so what we did -- and this is a really cool project --
85
232000
4000
אז מה שעשינו - וזה פרוייקט ממש מגניב -
04:08
we just started by making a respiratory virus chip.
86
236000
2000
התחלנו פשוט מיצירת שבב של וירוס דרכי-הנשימה.
04:10
I talked about that --
87
238000
2000
דיברתי על זה -
04:12
you know, that situation where you go into the clinic
88
240000
2000
אתם יודעים, המצב הזה שבו אתם הולכים למרפאה
04:14
and you don't get diagnosed?
89
242000
2000
ולא מצליחים לאבחן מה יש לכם?
04:16
Well, we just put basically all the human respiratory viruses
90
244000
2000
אז בעצם צירפנו את כל וירוסי דרכי-הנשימה האנושיים
04:18
on one chip, and we threw in herpes virus for good measure --
91
246000
3000
בשבב אחד, והוספנו גם וירוס הרפס באותו מחיר -
04:21
I mean, why not?
92
249000
1000
למה לא?
04:22
The first thing you do as a scientist is,
93
250000
2000
הדבר הראשון שאתה עושה כמדען הוא,
04:24
you make sure stuff works.
94
252000
1000
עליך לוודא שהעסק עובד.
04:25
And so what we did is, we take tissue culture cells
95
253000
3000
אז פשוט לקחנו תאי תרבית רקמות
04:28
and infect them with various viruses,
96
256000
2000
והדבקנו אותם בכל מיני וירוסים,
04:30
and we take the stuff and fluorescently label the nucleic acid,
97
258000
4000
ולקחנו את הכל ותייגנו בעל-סגול את חומצות הגרעין,
04:34
the genetic material that comes out of these tissue culture cells --
98
262000
3000
החומר הגנטי שבא מתאי תרבית הרקמות האלה -
04:37
mostly viral stuff -- and stick it on the array to see where it sticks.
99
265000
4000
בעיקר חומר ויראלי- והצמדנו לגשש, לראות היכן הוא נדבק.
04:41
Now, if the DNA sequences match, they'll stick together,
100
269000
2000
אם רצפי הדנ"א תואמים, הם יידבקו זה לזה,
04:43
and so we can look at spots.
101
271000
2000
כך שאנו יכולים לבדוק נקודות.
04:45
And if spots light up, we know there's a certain virus in there.
102
273000
2000
והיכן שהנקודות נדלקות אנו יודעים שיש וירוס ודאי.
04:47
That's what one of these chips really looks like,
103
275000
2000
כך נראה אחד השבבים האלה,
04:49
and these red spots are, in fact, signals coming from the virus.
104
277000
3000
והנקודות האדומות האלה הן למעשה אות שמתקבל מהוירוס.
04:52
And each spot represents a different family of virus
105
280000
3000
וכל נקודה מייצגת משפחת שונה של וירוסים
04:55
or species of virus.
106
283000
1000
או זני וירוסים.
04:56
And so, that's a hard way to look at things,
107
284000
2000
אז זוהי שיטה קשה לבדוק דברים,
04:58
so I'm just going to encode things as a little barcode,
108
286000
2000
אז אני פשוט מקודד דברים בברקוד קטן,
05:00
grouped by family, so you can see the results in a very intuitive way.
109
288000
4000
בחלוקה למשפחות, כך שרואים את התוצאות בצורה אינטואיטיבית מאד.
05:04
What we did is, we took tissue culture cells
110
292000
2000
מה שעשינו הוא לקחת תאי תרבית רקמות
05:06
and infected them with adenovirus,
111
294000
2000
ולהדביק אותם באדנו-וירוס,
05:08
and you can see this little yellow barcode next to adenovirus.
112
296000
4000
ואתם רואים את הברקוד הצהוב הקטן הזה ליד האדנו-וירוס.
05:12
And, likewise, we infected them with parainfluenza-3 --
113
300000
3000
ובדומה לכך הדבקנו בשפעת-פארא 3 -
05:15
that's a paramyxovirus -- and you see a little barcode here.
114
303000
2000
שזה פארא-מיקסו-וירוס - ואתם רואים כאן ברקוד קטן.
05:17
And then we did respiratory syncytial virus.
115
305000
3000
ואחר עשינו וירוס סינסיציאלי של דרכי-הנשימה.
05:20
That's the scourge of daycare centers everywhere --
116
308000
2000
אימת מעונות-היום בכל העולם -
05:22
it's like boogeremia, basically.
117
310000
2000
זה בעצם כמו נזלת.
05:24
(Laughter)
118
312000
1000
[צחוק]
05:25
You can see that this barcode is the same family,
119
313000
4000
אתם רואים שברקוד זה הוא מאותה משפחה,
05:29
but it's distinct from parainfluenza-3,
120
317000
2000
אך הוא שונה משפעת-פארא-3,
05:31
which gives you a very bad cold.
121
319000
2000
שגורמת לכם הצטננות קשה מאד.
05:33
And so we're getting unique signatures, a fingerprint for each virus.
122
321000
3000
אז אנו מקבלים חתימות ייחודיות, טביעת-אצבע לכל וירוס.
05:36
Polio and rhino: they're in the same family, very close to each other.
123
324000
3000
פוליו וריינו-וירוס: אותה משפחה, מאד קרובים זה לזה.
05:39
Rhino's the common cold, and you all know what polio is,
124
327000
2000
ריינו הוא ההצטננות, וכולכם יודעים מהו הפוליו,
05:41
and you can see that these signatures are distinct.
125
329000
3000
ואתם רואים שחתימות אלה הן ייחודיות.
05:44
And Kaposi's sarcoma-associated herpes virus
126
332000
3000
ווירוס ההרפס הקשור בסרקומה ע"ש קפושי
05:47
gives a nice signature down here.
127
335000
2000
מפיק חתימה נאה, כאן למטה.
05:49
And so it is not any one stripe or something
128
337000
2000
כך שלא מדובר ברצועה אחת או משהו בודד
05:51
that tells me I have a virus of a particular type here;
129
339000
2000
שאומר שיש לי וירוס מסוג מסוים;
05:53
it's the barcode that in bulk represents the whole thing.
130
341000
4000
זהו ברקוד שמייצג בגוש אחד את כל העסק.
05:57
All right, I can see a rhinovirus --
131
345000
2000
בסדר, אני רואה ריינו-וירוס -
05:59
and here's the blow-up of the rhinovirus's little barcode --
132
347000
2000
והנה הגדלה של הברקוד הקטן של הריינו-וירוס -
06:01
but what about different rhinoviruses?
133
349000
2000
אבל מה עם ריינו-וירוסים שונים?
06:03
How do I know which rhinovirus I have?
134
351000
2000
איך אני יודע איזה ריינו-וירוס יש לי?
06:05
There're 102 known variants of the common cold,
135
353000
3000
יש 102 סוגים של הצטננות,
06:08
and there're only 102 because people got bored collecting them:
136
356000
3000
ויש 102 רק מפני שלאנשים נמאס לאסוף אותם:
06:11
there are just new ones every year.
137
359000
2000
מופיעים סוגים חדשים כל שנה.
06:13
And so, here are four different rhinoviruses,
138
361000
2000
ולכן, הנה ארבעה ריינו-וירוסים שונים,
06:15
and you can see, even with your eye,
139
363000
2000
וביכולתכם לראות, אפילו בעיניים שלכם,
06:17
without any fancy computer pattern-matching
140
365000
2000
בלי שום התאמת-מחשב מגונדרת
06:19
recognition software algorithms,
141
367000
2000
באלגוריתמים של תוכנת-זיהוי,
06:21
that you can distinguish each one of these barcodes from each other.
142
369000
3000
שניתן להבחין בכל ברקוד כזה לעומת היתר.
06:24
Now, this is kind of a cheap shot,
143
372000
2000
אז נכון שזו לא חוכמה,
06:26
because I know what the genetic sequence of all these rhinoviruses is,
144
374000
3000
כי אני יודע את הרצף הגנטי של כל הריינו-וירוסים האלה,
06:29
and I in fact designed the chip
145
377000
1000
ובעצם אני תכננתי את השבב
06:30
expressly to be able to tell them apart,
146
378000
2000
במפורש כדי לאפשר הבחנה ביניהם,
06:32
but what about rhinoviruses that have never seen a genetic sequencer?
147
380000
4000
אך מה עם ריינו-וירוסים שכלל לא פגשו מכשיר ריצוף גנטי?
06:36
We don't know what the sequence is; just pull them out of the field.
148
384000
2000
איננן יודעים מהו הרצף הגנטי; פשוט נביא אותם מהשטח.
06:38
So, here are four rhinoviruses
149
386000
2000
אז הנה ארבעה ריינו-וירוסים
06:40
we never knew anything about --
150
388000
2000
שאיננו יודעים עליהם כלום -
06:42
no one's ever sequenced them -- and you can also see
151
390000
3000
איש לא ריצף אותם - וגם כאן אתם רואים
06:45
that you get unique and distinguishable patterns.
152
393000
2000
שאתם מקבלים דפוסים ייחודיים וברי-זיהוי.
06:47
You can imagine building up some library, whether real or virtual,
153
395000
3000
אפשר לדמיין בניית ספריה, אמיתית או וירטואלית,
06:50
of fingerprints of essentially every virus.
154
398000
2000
של טביעת-האצבע של כל וירוס, למעשה.
06:52
But that's, again, shooting fish in a barrel, you know, right?
155
400000
3000
אבל שוב, זה לא כוחות, נכון?
06:55
You have tissue culture cells. There are a ton of viruses.
156
403000
2000
יש לנו תאי תרבית רקמות: זה המון וירוסים.
06:57
What about real people?
157
405000
2000
מה עם בני-אדם אמיתיים?
06:59
You can't control real people, as you probably know.
158
407000
2000
אי-אפשר לשלוט באנשים אמיתיים, כמו שאתם בטח יודעים.
07:01
You have no idea what someone's going to cough into a cup,
159
409000
4000
אין לכם מושג מה מישהו עומד לפלוט בשיעול לתוך ספל,
07:05
and it's probably really complex, right?
160
413000
3000
וזה כנראה באמת מורכב, נכון?
07:08
It could have lots of bacteria, it could have more than one virus,
161
416000
3000
יכולים להיות שם המון חיידקים, ויותר מוירוס אחד,
07:11
and it certainly has host genetic material.
162
419000
2000
ואין ספק שיש בזה גם חומר גנטי מארח,
07:13
So how do we deal with this?
163
421000
1000
אז איך מתמודדים עם זה?
07:14
And how do we do the positive control here?
164
422000
2000
איך שומרים על שליטה כאן?
07:16
Well, it's pretty simple.
165
424000
2000
ובכן, זה די פשוט.
07:18
That's me, getting a nasal lavage.
166
426000
2000
זה אני, מקבל שטיפת-אף.
07:20
And the idea is, let's experimentally inoculate people with virus.
167
428000
5000
והרעיון הוא להרכיב אנשים בוירוס בצורה נסיונית
07:25
This is all IRB-approved, by the way; they got paid.
168
433000
5000
ואנו - כל זה אושר ע"י ועדת האתיקה, אגב. שילמו להם.
07:30
And basically we experimentally inoculate people
169
438000
3000
ובעצם ביצענו תרכיב נסיוני על אנשים
07:33
with the common cold virus.
170
441000
1000
עם וירוס ההצטננות.
07:34
Or, even better, let's just take people
171
442000
2000
או, טוב יותר, בואו וניקח אנשים
07:36
right out of the emergency room --
172
444000
1000
ישר מחדר המיון -
07:37
undefined, community-acquired respiratory tract infections.
173
445000
4000
לא-מוגדרים, זיהומי דרכי-הנשימה ישר מהרחוב.
07:41
You have no idea what walks in through the door.
174
449000
2000
אין לך שום מושג מה ייכנס בדלת.
07:43
So, let's start off with the positive control first,
175
451000
3000
אז בואו נתחיל עם הבקרה החיובית,
07:46
where we know the person was healthy.
176
454000
2000
כשאנו יודעים שהאדם בריא.
07:48
They got a shot of virus up the nose,
177
456000
2000
הוא מקבל ריסוס של וירוס לתוך האף,
07:50
let's see what happens.
178
458000
1000
ונראה מה קורה.
07:51
Day zero: nothing happening.
179
459000
2000
יום 0: לא קורה דבר.
07:53
They're healthy; they're clean -- it's amazing.
180
461000
2000
הוא בריא; הוא נקי - זה מדהים.
07:55
Actually, we thought the nasal tract might be full of viruses
181
463000
2000
למעשה חשבנו שמשטח האף יהיה מלא וירוסים
07:57
even when you're walking around healthy.
182
465000
1000
אפילו כשאתה מסתובב לך בריא.
07:58
It's pretty clean. If you're healthy, you're pretty healthy.
183
466000
2000
זה נקי למדי. אם אתה בריא, אתה די בריא.
08:00
Day two: we get a very robust rhinovirus pattern,
184
468000
4000
יום 2: אנו מקבלים דפוס טוב של ריינו-וירוס,
08:04
and it's very similar to what we get in the lab
185
472000
2000
אבל זה דומה מאד למה שמתקבל במעבדה
08:06
doing our tissue culture experiment.
186
474000
1000
כשאנו עושים את ניסוי תרבית הרקמות.
08:07
So that's great, but again, cheap shot, right?
187
475000
3000
אז זה נהדר, אבל שוב, קל מדי, נכון?
08:10
We put a ton of virus up this guy's nose. So --
188
478000
2000
הכנסנו טונה וירוסים לאף של הבחור הזה. אז -
08:12
(Laughter)
189
480000
1000
[צחוק]
08:13
-- I mean, we wanted it to work. He really had a cold.
190
481000
4000
- כלומר, רצינו שזה יעבוד, והוא באמת הצטנן.
08:17
So, how about the people who walk in off the street?
191
485000
4000
אז מה עם אנשים שבאים ישר מהרחוב?
08:21
Here are two individuals represented by their anonymous ID codes.
192
489000
2000
אז אלה שני פרטים המיוצגים בקודי זיהוי אלמוניים.
08:23
They both have rhinoviruses; we've never seen this pattern in lab.
193
491000
4000
לשניהם יש ריינו-וירוס; עוד לא ראינו דפוס זה במעבדה.
08:27
We sequenced part of their viruses;
194
495000
2000
ריצפנו חלק מהוירוסים שלהם;
08:29
they're new rhinoviruses no one's actually even seen.
195
497000
3000
אלה ריינו-וירוסים חדשים, שאיש עוד לא פגש.
08:32
Remember, our evolutionary-conserved sequences
196
500000
2000
זיכרו שרצפי השימור האבלוציוני שלנו
08:34
we're using on this array allow us to detect
197
502000
2000
שבהם אנו משתמשים בגשש, מאפשרים לנו לאתר
08:36
even novel or uncharacterized viruses,
198
504000
2000
אפילו וירוסים חדשים ובלתי-מאופיינים,
08:38
because we pick what is conserved throughout evolution.
199
506000
4000
כי אנו מחפשים את מה שנשתמר במהלך ההתפתחות.
08:42
Here's another guy. You can play the diagnosis game yourself here.
200
510000
3000
הנה בחור נוסף. תוכלו לשחק את משחק האיבחון בעצמכם.
08:45
These different blocks represent
201
513000
2000
הלבנים השונות האלה מייצגות
08:47
the different viruses in this paramyxovirus family,
202
515000
2000
את הוירוסים השונים במשפחת הפרמיקסו-וירוס,
08:49
so you can kind of go down the blocks
203
517000
1000
כך שניתן לעבור על הלבנים
08:50
and see where the signal is.
204
518000
2000
ולראות מהיכן מגיע האות.
08:52
Well, doesn't have canine distemper; that's probably good.
205
520000
3000
אז אין לו כלבת; כנראה שזה טוב.
08:55
(Laughter)
206
523000
2000
[צחוק]
08:57
But by the time you get to block nine,
207
525000
2000
אך כשמגיעים ללבנה תשע,
08:59
you see that respiratory syncytial virus.
208
527000
2000
רואים את הוירוס הסינסיציאלי של דרכי-הנשימה.
09:01
Maybe they have kids. And then you can see, also,
209
529000
3000
אולי יש לו צאצאים. ואז גם רואים
09:04
the family member that's related: RSVB is showing up here.
210
532000
2000
את החבר באותה משפחה: RSVB נראה כאן למעלה.
09:06
So, that's great.
211
534000
1000
כך שזה גדול.
09:07
Here's another individual, sampled on two separate days --
212
535000
3000
הנה עוד פרט שנדגם בשני ימים שונים -
09:10
repeat visits to the clinic.
213
538000
2000
ביקורים חוזרים במרפאה.
09:12
This individual has parainfluenza-1,
214
540000
3000
יש לו שפעת-פארא-1.
09:15
and you can see that there's a little stripe over here
215
543000
2000
אתם רואים כאן רצועה קטנה
09:17
for Sendai virus: that's mouse parainfluenza.
216
545000
3000
של וירוס סנדאיי: זוהי שפעת-פארא של עכברים.
09:20
The genetic relationships are very close there. That's a lot of fun.
217
548000
4000
הייחוס הגנטי כאן הוא מאד קרוב. זה כיף גדול.
09:24
So, we built out the chip.
218
552000
1000
אז בנינו את השבב.
09:25
We made a chip that has every known virus ever discovered on it.
219
553000
4000
עשינו שבב שיש עליו כל וירוס מוכר שאי-פעם נתגלה.
09:29
Why not? Every plant virus, every insect virus, every marine virus.
220
557000
3000
למה לא? כל וירוסי הצמחים, החרקים, הימיים.
09:32
Everything that we could get out of GenBank --
221
560000
2000
כל מה שיכולנו למצוא בבנק הגנים -
09:34
that is, the national repository of sequences.
222
562000
2000
שהוא המאגר הלאומי של רצפי-גנים.
09:36
Now we're using this chip. And what are we using it for?
223
564000
3000
וכעת אנו משתמשים בשבב זה. ובשביל מה?
09:39
Well, first of all, when you have a big chip like this,
224
567000
2000
קודם כל, כשיש לכם שבב בגודל כזה,
09:41
you need a little bit more informatics,
225
569000
2000
יש צורך בקצת יותר מיחשוב,
09:43
so we designed the system to do automatic diagnosis.
226
571000
2000
אז עיצבנו מערכת שתבצע איבחון אוטומטי.
09:45
And the idea is that we simply have virtual patterns,
227
573000
3000
והרעיון הוא, שיש לנו פשוט דפוסים וירטואליים -
09:48
because we're never going to get samples of every virus --
228
576000
2000
כי לעולם לא נצליח להשיג דגימות של כל הוירוסים;
09:50
it would be virtually impossible. But we can get virtual patterns,
229
578000
3000
זה בלתי-אפשרי. אך ביכולתנו לקבל דפוסים וירטואליים.
09:53
and compare them to our observed result --
230
581000
2000
ולהשוותם לתוצאה הנצפית שלנו,
09:55
which is a very complex mixture -- and come up with some sort of score
231
583000
4000
שהיא תערובת מורכבת מאד, ולהגיע לניקוד כלשהו
09:59
of how likely it is this is a rhinovirus or something.
232
587000
3000
לגבי הסבירות שזהו ריינו-וירוס או משהו דומה.
10:02
And this is what this looks like.
233
590000
2000
וכך זה נראה.
10:04
If, for example, you used a cell culture
234
592000
2000
אם למשל אתם משתמשים בתרבית תאים
10:06
that's chronically infected with papilloma,
235
594000
2000
שזוהמה בצורה כרונית בגידולי-עור,
10:08
you get a little computer readout here,
236
596000
2000
מקבלים כאן פלט מחשב קטן,
10:10
and our algorithm says it's probably papilloma type 18.
237
598000
4000
והאלגוריתם שלנו אומר שזו כנראה פפילומה סוג 18.
10:14
And that is, in fact, what these particular cell cultures
238
602000
2000
וזהו באמת מה שתרבית התאים הזו
10:16
are chronically infected with.
239
604000
2000
זוהמה בו.
10:18
So let's do something a little bit harder.
240
606000
2000
אז בואו נעשה משהו יותר קשה.
10:20
We put the beeper in the clinic.
241
608000
1000
שמנו איתורית במרפאה.
10:21
When somebody shows up, and the hospital doesn't know what to do
242
609000
3000
כשמופיע מישהו שביה"ח לא יודע מה לעשות איתו
10:24
because they can't diagnose it, they call us.
243
612000
2000
כי אינם מסוגלים לאבחן אותו, הם קוראים לנו.
10:26
That's the idea, and we're setting this up in the Bay Area.
244
614000
2000
זהו הרעיון, ואנו פרשנו מערכת זו באזור המפרץ.
10:28
And so, this case report happened three weeks ago.
245
616000
2000
והמקרה הזה הגיע לפני שלושה שבועות.
10:30
We have a 28-year-old healthy woman, no travel history,
246
618000
3000
יש לנו אישה בריאה בת 28, ללא עבר של טיולים,
10:33
[unclear], doesn't smoke, doesn't drink.
247
621000
3000
אינה מעשנת, אינה שותה.
10:36
10-day history of fevers, night sweats, bloody sputum --
248
624000
4000
היסטוריה של 10 ימי חום, הזעות לילה, ליחה דמית -
10:40
she's coughing up blood -- muscle pain.
249
628000
2000
יש לה דם בשיעול - כאבי שרירים.
10:42
She went to the clinic, and they gave her antibiotics
250
630000
4000
הלכה למרפאה, נתנו לה אנטיביוטיקה, יופי,
10:46
and then sent her home.
251
634000
1000
ושלחו אותה הביתה.
10:47
She came back after ten days of fever, right? Still has the fever,
252
635000
4000
חזרה אחרי 10 ימי חום - עדיין עם חום -
10:51
and she's hypoxic -- she doesn't have much oxygen in her lungs.
253
639000
3000
והיא היפוקסית - אין לה מספיק חמצן בריאות.
10:54
They did a CT scan.
254
642000
1000
עשו לה סריקה טומוגרפית.
10:55
A normal lung is all sort of dark and black here.
255
643000
4000
בריאה תקינה יש כאן הרבה צבעים כהים ושחורים.
10:59
All this white stuff -- it's not good.
256
647000
2000
כל זה לבן - לא טוב.
11:01
This sort of tree and bud formation indicates there's inflammation;
257
649000
3000
צורת העץ והניצנים מצביעה על דלקת;
11:04
there's likely to be infection.
258
652000
2000
סביר שיש שם זיהום.
11:06
OK. So, the patient was treated then
259
654000
3000
בסדר. אז החולה טופלה
11:09
with a third-generation cephalosporin antibiotic and doxycycline,
260
657000
4000
באנטיביוטיקה, צפלוספורין דור 3, ודוקסיציקלין,
11:13
and on day three, it didn't help: she had progressed to acute failure.
261
661000
4000
וביום ה-3 זה לא עזר. היא הגיעה לכשל חמור.
11:17
They had to intubate her, so they put a tube down her throat
262
665000
3000
הם נאלצו לצנרר אותה, אז הכניסו צינור לגרונה
11:20
and they began to mechanically ventilate her.
263
668000
1000
והחלו לספק לה אוויר באופן מכני.
11:21
She could no longer breathe for herself.
264
669000
2000
היא כבר לא יכלה לנשום בעצמה.
11:23
What to do next? Don't know.
265
671000
2000
מה עושים הלאה? לא יודעים.
11:25
Switch antibiotics: so they switched to another antibiotic,
266
673000
3000
מחליפים אנטיביוטיקה. אז הם החליפו אנטיביוטיקה,
11:28
Tamiflu.
267
676000
2000
וטאמיפלו, ש --
11:30
It's not clear why they thought she had the flu,
268
678000
2000
לא ברור מדוע הם חשבו שיש לה שפעת -
11:32
but they switched to Tamiflu.
269
680000
2000
אבל הם עברו לטאמיפלו.
11:34
And on day six, they basically threw in the towel.
270
682000
2000
וביום הששי הם בעצם ויתרו.
11:36
You do an open lung biopsy when you've got no other options.
271
684000
4000
עושים ביופסיה בריאה פתוחה כשאין כל ברירה אחרת.
11:40
There's an eight percent mortality rate with just doing this procedure,
272
688000
2000
יש שיעור תמותה של 8 אחוז רק מעצם ביצוע תהליך זה,
11:42
and so basically -- and what do they learn from it?
273
690000
3000
אז בעצם... ומה הם למדו מכך?
11:45
You're looking at her open lung biopsy.
274
693000
2000
אתם רואים את ביופסיית הריאה הפתוחה שלה.
11:47
And I'm no pathologist, but you can't tell much from this.
275
695000
2000
אני לא פתולוג, אך אי-אפשר ללמוד מזה הרבה.
11:49
All you can tell is, there's a lot of swelling: bronchiolitis.
276
697000
3000
אלא רק שיש נפיחות רבה: דלקת הסימפונות.
11:52
It was "unrevealing": that's the pathologist's report.
277
700000
3000
אין כאן שום דבר חדש: זהו דוח הפתולוג.
11:55
And so, what did they test her for?
278
703000
3000
אז מה הם ציפו למצוא בבדיקות שלה?
11:58
They have their own tests, of course,
279
706000
1000
יש להם כמובן הבדיקות שלהם,
11:59
and so they tested her for over 70 different assays,
280
707000
3000
אז הם בדקו אותה ביותר מ-70 אמצעי איבחון שונים,
12:02
for every sort of bacteria and fungus and viral assay
281
710000
3000
בכל סוג של בדיקה חיידקית, פטרייתית וויראלית
12:05
you can buy off the shelf:
282
713000
2000
שאפשר לקנות בימינו:
12:07
SARS, metapneumovirus, HIV, RSV -- all these.
283
715000
3000
סארס, מטפנומו-וירוס, איידס, וירוס סינסיציאלי - כל אלה.
12:10
Everything came back negative, over 100,000 dollars worth of tests.
284
718000
4000
כל התוצאות היו שליליות. בדיקות ביותר מ-100,000 דולר.
12:14
I mean, they went to the max for this woman.
285
722000
3000
כלומר, הם הלכו עד הקצה עבור האישה הזו.
12:17
And basically on hospital day eight, that's when they called us.
286
725000
3000
ובעצם ביום האישפוז ה-8 הם קראו לנו.
12:20
They gave us endotracheal aspirate --
287
728000
2000
הם נתנו לנו ריר תוך-קני --
12:22
you know, a little fluid from the throat,
288
730000
2000
אתם יודעים, מעט נוזל מתוך הגרון,
12:24
from this tube that they got down there -- and they gave us this.
289
732000
2000
משפופרת שהכניסו לשם - ונתנו לנו את זה.
12:26
We put it on the chip; what do we see? Well, we saw parainfluenza-4.
290
734000
5000
שמנו זאת על השבב, ומה אנו רואים? שפעת-פארא-4.
12:31
Well, what the hell's parainfluenza-4?
291
739000
2000
אז מה לעזאזל זה שפעת-פארא-4?
12:33
No one tests for parainfluenza-4. No one cares about it.
292
741000
3000
איש לא בדק שפעת-פארא-4. איש לא חשב על זה.
12:36
In fact, it's not even really sequenced that much.
293
744000
3000
למעשה, זה אפילו לא רוצף הרבה.
12:39
There's just a little bit of it sequenced.
294
747000
2000
יש רק רצפים מועטים של זה.
12:41
There's almost no epidemiology or studies on it.
295
749000
2000
אין שום אפידמיולוגיה או מחקרים על כך.
12:43
No one would even consider it,
296
751000
2000
איש לא היה מעלה זאת בדעתו,
12:45
because no one had a clue that it could cause respiratory failure.
297
753000
3000
כי לאיש לא היה מושג שזה עלול לגרום לכשל נשימתי.
12:48
And why is that? Just lore. There's no data --
298
756000
3000
ומדוע זה? רק עניין של ידע. אין די נתונים -
12:51
no data to support whether it causes severe or mild disease.
299
759000
4000
אין נתונים האם זה גורם חולי חמור או קל.
12:55
Clearly, we have a case of a healthy person that's going down.
300
763000
3000
ברור שיש לנו מקרה של אדם בריא שמידרדר.
12:58
OK, that's one case report.
301
766000
3000
אז זהו דוח-מקרה אחד.
13:01
I'm going to tell you one last thing in the last two minutes
302
769000
2000
אספר לכם עוד דבר אחד בשתי הדקות האחרונות
13:03
that's unpublished -- it's going to come out tomorrow --
303
771000
3000
שלא פורסם - זה יתפרסם מחר -
13:06
and it's an interesting case of how you might use this chip
304
774000
3000
וזה מקרה מעניין המראה איך אפשר להשתמש בשבב הזה
13:09
to find something new and open a new door.
305
777000
2000
למצוא משהו חדש ולפתוח דלת חדשה.
13:11
Prostate cancer. I don't need to give you many statistics
306
779000
4000
סרטן הערמונית. איני צריך לתת לכם הרבה סטטיסטיקה
13:15
about prostate cancer. Most of you already know it:
307
783000
3000
על סרטן הערמונית. מרביתכם כבר מכירים את זה:
13:18
third leading cause of cancer deaths in the U.S.
308
786000
2000
הגורם השלישי במעלה למוות מסרטן בארה"ב.
13:20
Lots of risk factors,
309
788000
2000
המון גורמי סיכון,
13:22
but there is a genetic predisposition to prostate cancer.
310
790000
4000
אך קיימת נטייה גנטית ללקות בסרטן ערמונית.
13:26
For maybe about 10 percent of prostate cancer,
311
794000
2000
כ-10% ממקרי סרטן הערמונית
13:28
there are folks that are predisposed to it.
312
796000
2000
הם אנשים עם נטייה מראש ללקות בו.
13:30
And the first gene that was mapped in association studies
313
798000
4000
והגן הראשון שמופה במחקרי זיקה גנטית
13:34
for this, early-onset prostate cancer, was this gene called RNASEL.
314
802000
4000
לכך, בשלב מוקדם של סרטן הערמונית, היה הגן RNASEL.
13:38
What is that? It's an antiviral defense enzyme.
315
806000
3000
ומה הוא? זהו אנזים הגנה אנטי-ויראלי.
13:41
So, we're sitting around and thinking,
316
809000
2000
אז אנו יושבים לנו וחושבים,
13:43
"Why would men who have the mutation --
317
811000
2000
למה שגברים שיש להם המוטציה הזו,
13:45
a defect in an antiviral defense system -- get prostate cancer?
318
813000
5000
פגם במערכת ההגנה בפני וירוסים, ילקו בסרטן הערמונית?
13:50
It doesn't make sense -- unless, maybe, there's a virus?"
319
818000
3000
זה לא הגיוני - אלא אם כן יש שם וירוס.
13:53
So, we put tumors --- and now we have over 100 tumors -- on our array.
320
821000
6000
כך ששמנו גידולים - יש לנו מעל 100 - על הגשש שלנו.
13:59
And we know who's got defects in RNASEL and who doesn't.
321
827000
3000
ואנו יודעים למי יש פגמים ב-RNASEL ולמי לא.
14:02
And I'm showing you the signal from the chip here,
322
830000
3000
ואני מראה לכם את האות הזה מהשבב,
14:05
and I'm showing you for the block of retroviral oligos.
323
833000
4000
ואני מראה זאת עבור גוש רצפי הרטרו-וירוסים.
14:09
And what I'm telling you here from the signal, is
324
837000
2000
ומה שאני אומר לכם לפי האות הוא,
14:11
that men who have a mutation in this antiviral defense enzyme,
325
839000
4000
שגברים בעלי מוטציה באנזים הגנה אנטי-ויראלי זה,
14:15
and have a tumor, often have -- 40 percent of the time --
326
843000
4000
ושיש להם גידול, לעתים קרובות - 40% מהזמן -
14:19
a signature which reveals a new retrovirus.
327
847000
4000
יש להם חתימה שתחשוף סוג חדש של רטרו-וירוס.
14:23
OK, that's pretty wild. What is it?
328
851000
3000
בסדר, זה פרוע למדי. מה זה?
14:26
So, we clone the whole virus.
329
854000
1000
אז שיכפלנו את כל הוירוס.
14:27
First of all, I'll tell you that a little automated prediction told us
330
855000
4000
ראשית, אגלה לכם שתחזית אוטומטית קטנה אמרה לנו
14:31
it was very similar to a mouse virus.
331
859000
2000
שזה דומה מאד לוירוס עכברים.
14:33
But that doesn't tell us too much,
332
861000
1000
אך זה לא אומר לנו הרבה,
14:34
so we actually clone the whole thing.
333
862000
2000
אז בעצם שיכפלנו את הכל.
14:36
And the viral genome I'm showing you right here?
334
864000
2000
והגנום הויראלי שאני מראה לכם בדיוק כאן?
14:38
It's a classic gamma retrovirus, but it's totally new;
335
866000
3000
זהו רטרו-וירוס קלסי, אבל הוא חדש לגמרי;
14:41
no one's ever seen it before.
336
869000
1000
איש לא ראה אותו עד כה.
14:42
Its closest relative is, in fact, from mice,
337
870000
3000
קרוב-המשפחה הקרוב ביותר שלו הוא בעצם עכברי,
14:45
and so we would call this a xenotropic retrovirus,
338
873000
4000
כך שיכולנו לכנות זאת רטרו-וירוס קסנוטרופי,
14:49
because it's infecting a species other than mice.
339
877000
3000
כי הוא מדביק מינים אחרים מלבד עכברים.
14:52
And this is a little phylogenetic tree
340
880000
2000
וזהו עץ-משפחה גנטי קטן
14:54
to see how it's related to other viruses.
341
882000
2000
שמראה איך הוא קשור ליתר הוירוסים.
14:56
We've done it for many patients now,
342
884000
3000
עשינו זאת כבר עבור חולים רבים,
14:59
and we can say that they're all independent infections.
343
887000
3000
וביכולתנו לקבוע שכולם זיהומים עצמאיים.
15:02
They all have the same virus,
344
890000
1000
לכולם יש אותו הוירוס,
15:03
but they're different enough that there's reason to believe
345
891000
3000
אך הם מספיק שונים כדי שנאמין
15:06
that they've been independently acquired.
346
894000
2000
שהם נרכשו בזיהום עצמאי.
15:08
Is it really in the tissue? And I'll end up with this: yes.
347
896000
2000
האם זה באמת נמצא ברקמות? ובכך אסיים. כן.
15:10
We take slices of these biopsies of tumor tissue
348
898000
3000
אנו נוטלים פרוסות מביופסיות של רקמות גידול
15:13
and use material to actually locate the virus,
349
901000
2000
ומשתמשים בחומרים כדי לאתר בדיוק את הוירוס,
15:15
and we find cells here with viral particles in them.
350
903000
4000
ואנו מוצאים כאן תאים שבהם חלקיקים ויראליים.
15:19
These guys really do have this virus.
351
907000
2000
החבר'ה האלה באמת נגועים בוירוס הזה.
15:21
Does this virus cause prostate cancer?
352
909000
2000
האם וירוס זה גורם לסרטן הערמונית?
15:23
Nothing I'm saying here implies causality. I don't know.
353
911000
4000
דבר ממה שאני אומר כאן לא מורה על סיבתיות. איני יודע.
15:27
Is it a link to oncogenesis? I don't know.
354
915000
2000
האם זה קשור להתפתחות גידולים? אינני יודע.
15:29
Is it the case that these guys are just more susceptible to viruses?
355
917000
4000
האם החבר'ה האלה נוטים במקרה יותר ללקות בוירוסים?
15:33
Could be. And it might have nothing to do with cancer.
356
921000
3000
ייתכן. ואולי אין לזה כל קשר לסרטן.
15:36
But now it's a door.
357
924000
1000
אבל עכשיו זהו פתח.
15:37
We have a strong association between the presence of this virus
358
925000
3000
יש לנו זיקה חזקה בין נוכחות הוירוס הזה
15:40
and a genetic mutation that's been linked to cancer.
359
928000
3000
ומוטציה גנטית שבעבר קושרה לסרטן.
15:43
That's where we're at.
360
931000
1000
כאן אנו עומדים.
15:44
So, it opens up more questions than it answers, I'm afraid,
361
932000
4000
חוששני שזה מעלה יותר שאלות מאשר תשובות,
15:48
but that's what, you know, science is really good at.
362
936000
2000
אך זה מה שהמדע באמת טוב בו.
15:50
This was all done by folks in the lab --
363
938000
2000
כל זה נעשה ע"י חבר'ה במעבדה;
15:52
I cannot take credit for most of this.
364
940000
1000
את רוב הדברים אינני יכול לזקוף לזכותי.
15:53
This is a collaboration between myself and Don.
365
941000
1000
יש שיתוף פעולה ביני לבין דון.
15:54
This is the guy who started the project in my lab,
366
942000
3000
זה הבחור שהתחיל את הפרוייקט במעבדה שלי,
15:57
and this is the guy who's been doing prostate stuff.
367
945000
2000
וזה הבחור שמתעסק בענייני הערמונית.
15:59
Thank you very much. (Applause)
368
947000
3000
תודה רבה לכם.
ABOUT THE SPEAKER
Joe DeRisi - BiochemistJoe DeRisi hunts for the genes that make us sick. At his lab, he works to understand the genome of Plasmodium falciparum, the deadliest form of malaria.
Why you should listen
Joseph DeRisi is a molecular biologist and biochemist, on the hunt for the genomic basis of illness. His lab at UCSF is focused on the cause of malaria, and he's also poked into SARS, avian flu and other new diseases as they crop up. His approach combines scientific rigor with a nerd's boundary-breaking enthusiasm for new techniques -- one of the qualities that helped him win a MacArthur "genius" grant in 2004. A self-confessed computer geek, DeRisi designed and programmed a groundbreaking tool for finding (and fighting) viruses -- the ViroChip, a DNA microarray that test for the presence of all known viruses in one step.
In 2008, DeRisi won the Heinz Award for Technology, the Economy and Employment.
Joe DeRisi | Speaker | TED.com