TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Közelítsük meg a rákot a proteomika felől
Filmed:
Readability: 3.6
465,363 views
Danny Hillis leteszi a rákkutatás következő mérföldkövét: a proteomikát, vagyis az emberi szervezetben lévő fehérjék tudományát. Hillis elmagyarázza, hogy míg a genomika a szervezetünk összetevőit vizsgálja -- addig a proteomika azzal, hogy ezek az összetevők mit termelnek. Ha megértjük, mi zajlik szervezetünkben a fehérjék szintjén, megérthetjük azt is, miképp alakul ki a rák.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
Elismerem, hogy kicsit izgulok,
00:18
because I'm going to say some radical things,
1
3000
3000
mert egy nagyobb közönség előtt,
00:21
about how we should think about cancer differently,
2
6000
3000
mely nálam sokkal többet tud a rákról,
00:24
to an audience that contains a lot of people
3
9000
2000
radikális dolgokat fogok mondani arról,
00:26
who know a lot more about cancer than I do.
4
11000
3000
hogyan gondolkozzunk másképp a rákról.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Azt is elárulom ám, hogy annyira azonban mégsem izgulok, mint amennyire indokolt,
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
mert erősen hiszem, hogy igazam van.
00:35
(Laughter)
7
20000
2000
(Nevetés)
00:37
And that this, in fact, will be
8
22000
2000
Hiszem, hogy ez lesz a jövőben
00:39
the way that we treat cancer in the future.
9
24000
3000
a rákkezelés módja.
00:43
In order to talk about cancer,
10
28000
2000
Hogy a rákról beszéljek,
00:45
I'm going to actually have to --
11
30000
3000
el kell magamnak intézni
00:48
let me get the big slide here.
12
33000
3000
egy nagy diát.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Először megpróbálom új nézőpontból bemutatni a genomikát.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Tágabb perspektívába akarom helyezni,
00:58
of all the other things that are going on --
15
43000
3000
olyan képbe, melyen a folyamatot egészében lehet látni --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
majd áttérek valami olyannak a tárgyalására, amiről még nem hallottak, s ez a proteomika.
01:04
Having explained those,
17
49000
2000
Ezek elmagyarázása
01:06
that will set up for what I think will be a different idea
18
51000
3000
megvilágítja majd, hogy mit értek
01:09
about how to go about treating cancer.
19
54000
2000
a rák kezelésének új megközelítése alatt.
01:11
So let me start with genomics.
20
56000
2000
Kezdjük tehát a genomikával.
01:13
It is the hot topic.
21
58000
2000
Ez egy mindig aktuális téma.
01:15
It is the place where we're learning the most.
22
60000
2000
Sokat tanulhatunk e téren.
01:17
This is the great frontier.
23
62000
2000
Nagy mérföldkő
01:19
But it has its limitations.
24
64000
3000
Megvannak a korlátai.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Kiváltképpen, valószínűleg mindannyian ismerik azt a hasonlatot,
01:25
that the genome is like the blueprint of your body,
26
70000
3000
hogy a génállomány olyan, mint a szervezetünk kapcsolási rajza.
01:28
and if that were only true, it would be great,
27
73000
2000
Bárcsak igaz lenne!
01:30
but it's not.
28
75000
2000
De nem az.
01:32
It's like the parts list of your body.
29
77000
2000
Olyan, mint egy lista a tested alkotórészeiről.
01:34
It doesn't say how things are connected,
30
79000
2000
Nem árul el semmit arról, hogy miképp kapcsolódnak,
01:36
what causes what and so on.
31
81000
3000
mi mit okoz, stb.
01:39
So if I can make an analogy,
32
84000
2000
Ha tehát egy hasonlattal akarunk élni,
01:41
let's say that you were trying to tell the difference
33
86000
2000
mondjuk azt, hogy valaki el akarná magyarázni, mi a különbség
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
egy jó, egészséges étterem,
01:46
and a sick restaurant,
35
91000
2000
és egy egészségtelen étterem között,
01:48
and all you had was the list of ingredients
36
93000
2000
s mindehhez csupán az ételeik hozzávalóinak listája
01:50
that they had in their larder.
37
95000
3000
állna rendelkezésére, mely az élelmiszerraktárukban volt.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Lehet, hogy elmegy valaki egy francia étterembe,
01:56
and you looked through it and you found
39
101000
2000
körülnéz, és látja, hogy
01:58
they only had margarine and they didn't have butter,
40
103000
2000
csak margarint használnak, vajat egyáltalán nem,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
mondhatja, hogy "Á, látom már, mi nem stimmel itt.
02:02
I can make them healthy."
42
107000
2000
Majd én rávezetem őket arra, mi az egészséges."
02:04
And there probably are special cases of that.
43
109000
2000
Minden bizonnyal vannak különleges esetek is.
02:06
You could certainly tell the difference
44
111000
2000
Biztos meg tudná mondani, mi a különbség
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
egy kínai és egy francia étterem között
02:10
by what they had in a larder.
46
115000
2000
az alapján, hogy mi van a raktárukon.
02:12
So the list of ingredients does tell you something,
47
117000
3000
A hozzávalók listája tehát mindenképpen mond valamit,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
olykor azt, hogy valami gond van.
02:19
If they have tons of salt,
49
124000
2000
Ha többtonnányi só szerepel a listán,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
kitalálhatjuk, hogy túl sok sót használnak, vagy ilyesmi
02:24
But it's limited,
51
129000
2000
De korlátozott,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
mert ahhoz, hogy valóban meg tudjuk, hogy egészséges-e az étterem,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
ahhoz meg kell kóstolnunk az ételeit, és betekintést kell nyernünk a konyhájába,
02:31
you need the product of all of those ingredients.
54
136000
3000
szükségünk van az összetevőkből készült ételre.
02:34
So if I look at a person
55
139000
2000
Ha tehát veszünk egy tetszőleges személyt,
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
és megvizsgáljuk a génállományát, ugyanez történik.
02:39
The part of the genome that we can read
57
144000
2000
A génállománynak az a része, melyben olvashatunk,
02:41
is the list of ingredients.
58
146000
2000
a hozzávalók listája.
02:43
And so indeed,
59
148000
2000
És valóban,
02:45
there are times when we can find ingredients
60
150000
2000
van olyan, hogy találunk olyan összetevőket,
02:47
that [are] bad.
61
152000
2000
melyek rosszak.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
A rángógörcs egy olyan megbetegedés,
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
melynél mindössze egy rossz hozzávalónk van, s máris megbetegszünk,
02:54
and we can actually make a direct correspondence
64
159000
3000
s ezt közvetlen kapcsolatba hozhatjuk
02:57
between the ingredient and the disease.
65
162000
3000
ezzel az összetevővel.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Legelsősorban azzal kell tisztában lennünk, hogy mi folyik a konyhában,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
mert, a beteg emberek jobbára egészséges emberek voltak valaha --
03:05
they have the same genome.
68
170000
2000
a génállományuk nem változott.
03:07
So the genome really tells you much more
69
172000
2000
A génállomány tehát valóban sokkal többet árul el
03:09
about predisposition.
70
174000
2000
a hajlamról.
03:11
So what you can tell
71
176000
2000
Amit kapásból el tudunk mondani
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
az összetevőik listájára pillantva az az,
03:15
by looking at their ingredients list.
73
180000
2000
hogy mi a különbség egy ázsiai és egy európai között.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Az esetek nagy részében azonban nem igazán tudjuk megállapítani
03:20
between a healthy person and a sick person --
75
185000
3000
mi a különbség egy egészséges és egy beteg ember között -
03:23
except in some of these special cases.
76
188000
2000
néhány különös eset kivételével.
03:25
So why all the big deal
77
190000
2000
Akkor meg mi ez a felhajtás
03:27
about genetics?
78
192000
2000
a genetika körül?
03:29
Well first of all,
79
194000
2000
Nos, először is az,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
hogy tudunk benne olvasni, ami fantasztikus.
03:34
It is very useful in certain circumstances.
81
199000
3000
Bizonyos körülmények között ez nagyon hasznos.
03:37
It's also the great theoretical triumph
82
202000
3000
Másfelől a biológia
03:40
of biology.
83
205000
2000
nagy elméleti vívmánya.
03:42
It's the one theory
84
207000
2000
Az a bizonyos elmélet,
03:44
that the biologists ever really got right.
85
209000
2000
melyben a biológusok tényleg nem tévedtek.
03:46
It's fundamental to Darwin
86
211000
2000
Darwin, Mendel,
03:48
and Mendel and so on.
87
213000
2000
és a többiek mind erre építkeztek.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Ez az, ahol elméleti építményt jósoltak meg.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendelnek volt ez az elképzelése: a gén
03:56
as an abstract thing,
90
221000
3000
mint absztrakció.
03:59
and Darwin built a whole theory
91
224000
2000
Darwin pedig egy egész elméletet épített,
04:01
that depended on them existing,
92
226000
2000
melynek alapja a gének létezése volt.
04:03
and then Watson and Crick
93
228000
2000
Azután Watson és Crick
04:05
actually looked and found one.
94
230000
2000
addig keresgélt, míg találtak egyet.
04:07
So this happens in physics all the time.
95
232000
2000
A fizikában mindig ez történik.
04:09
You predict a black hole,
96
234000
2000
Az ember előrejelzel egy fekete lyukat,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
majd belenéz a távcsőbe, és ott van, ahogy mondta.
04:14
But it rarely happens in biology.
98
239000
2000
A biológia területén azonban ez ritkán fordul elő.
04:16
So this great triumph -- it's so good,
99
241000
3000
Ez a nagy diadal tehát - olyan jó -
04:19
there's almost a religious experience
100
244000
2000
a biológiában
04:21
in biology.
101
246000
2000
már-már vallásos élménynek számít.
04:23
And Darwinian evolution
102
248000
2000
A darwini evolúció
04:25
is really the core theory.
103
250000
3000
igazán magvas elmélet.
04:30
So the other reason it's been very popular
104
255000
2000
Népszerűségének másik oka pedig az,
04:32
is because we can measure it, it's digital.
105
257000
3000
hogy mérhető, azaz digitális.
04:35
And in fact,
106
260000
2000
Valójában,
04:37
thanks to Kary Mullis,
107
262000
2000
Kary Mullis-nak köszönhetően
04:39
you can basically measure your genome in your kitchen
108
264000
4000
a génállományunkat ténylegesen meg tudjuk mérni otthon a konyhában
04:43
with a few extra ingredients.
109
268000
3000
néhány kiegészítő kellék segítségével.
04:46
So for instance, by measuring the genome,
110
271000
3000
A génállomány mérése során például
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
2 génállomány hasonlósága révén
04:53
by the closeness of our genome,
112
278000
3000
sokat megtudtunk arról, hogy milyen viszonyban állunk más állatokkal,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
vagy hogyan áll 2 személy rokonságban -- mutatja ezt a családfa,
04:59
or the tree of life.
114
284000
2000
vagy az élet fája.
05:01
There's a huge amount of information about the genetics
115
286000
3000
A genetika, ha csak a genetikai hasonlóságok vizsgálását vesszük,
05:04
just by comparing the genetic similarity.
116
289000
3000
hatalmas információs anyaggal rendelkezik.
05:07
Now of course, in medical application,
117
292000
2000
Na most természetes, hogy az orvosi alkalmazása
05:09
that is very useful
118
294000
2000
nagyon hasznos,
05:11
because it's the same kind of information
119
296000
3000
hiszen ez ugyanaz a fajta információ,
05:14
that the doctor gets from your family medical history --
120
299000
3000
melyet az orvos a családi kórtörténetből ismer meg --
05:17
except probably,
121
302000
2000
talán egyedül maga a génállomány
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
tud jóval többet a kórtörténetünkről mint mi magunk.
05:22
And so by reading the genome,
123
307000
2000
A genetikai vizsgálat során tehát
05:24
we can find out much more about your family than you probably know.
124
309000
3000
sokkal többet tudhatunk meg valakinek a családjáról, mint amennyit maga az illető tud.
05:27
And so we can discover things
125
312000
2000
Olyan dolgokat fedezhetünk fel,
05:29
that probably you could have found
126
314000
2000
melyekre az illető is rájöhet,
05:31
by looking at enough of your relatives,
127
316000
2000
ha alaposan megvizsgálja a rokonait,
05:33
but they may be surprising.
128
318000
3000
de ezek meglepőek lehetnek
05:36
I did the 23andMe thing
129
321000
2000
Én elvégeztem a 23andMe genetikai vizsgálatát,
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
és nagyon meglepődtem, hogy kövér és kopasz vagyok.
05:41
(Laughter)
131
326000
7000
(Nevetés)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Néha azonban ennél sokkal hasznosabb dolgokat is megtudhatunk.
05:51
But mostly
133
336000
3000
Legtöbbször
05:54
what you need to know, to find out if you're sick,
134
339000
2000
nem is azt kell megtudnunk, mire van hajlamunk,
05:56
is not your predispositions,
135
341000
2000
ahhoz, hogy megtudjuk, hogy betegek vagyunk-e,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
hanem azt, hogy éppen mi történik a szervezetünkben.
06:01
So to do that, what you really need to do,
137
346000
2000
Ehhez pedig arra van szükségünk, hogy
06:03
you need to look at the things
138
348000
2000
megnézzük, a gének
06:05
that the genes are producing
139
350000
2000
mit csinálnak,
06:07
and what's happening after the genetics,
140
352000
2000
és mi történik a genetika után.
06:09
and that's what proteomics is about.
141
354000
2000
Erről szól a proteomika.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Csak úgy mint ahogy a génállomány a gének összességének tudománya,
06:14
proteomics is the study of all the proteins.
143
359000
3000
a proteomika a fehérjék összességének tudománya.
06:17
And the proteins are all of the little things in your body
144
362000
2000
A fehérjék pedig a szervezetben felgyülemlett apró dolgok sokasága,
06:19
that are signaling between the cells --
145
364000
3000
melyek a sejtek között jeleznek egymásnak --
06:22
actually, the machines that are operating --
146
367000
2000
voltaképpen üzemben álló gépek.
06:24
that's where the action is.
147
369000
2000
Itt zajlanak a dolgok.
06:26
Basically, a human body
148
371000
3000
Az emberi szervezet alapvetően
06:29
is a conversation going on,
149
374000
3000
kommunikáció,
06:32
both within the cells and between the cells,
150
377000
3000
mind a sejteken belül, mind pedig a sejtek között,
06:35
and they're telling each other to grow and to die,
151
380000
3000
egymást növekedésre biztató és halálra ítélő sejtek párbeszéde.
06:38
and when you're sick,
152
383000
2000
Amikor pedig betegek vagyunk,
06:40
something's gone wrong with that conversation.
153
385000
2000
valami zavar van a kommunikációban.
06:42
And so the trick is --
154
387000
2000
Az a helyzet, hogy --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
sajnos ehhez nem áll rendelkezésünkre olyasmi, amivel meg tudnánk mérni,
06:47
like we can measure the genome.
156
392000
2000
mint ahogy a génállomány esetében.
06:49
So the problem is that measuring --
157
394000
3000
A probléma a méréssel tehát az, hogy --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
ha megpróbáljuk megmérni az összes fehérjét, az egy nagyon aprólékos folyamat.
06:55
It requires hundreds of steps,
159
400000
2000
Száz meg száz lépésből áll,
06:57
and it takes a long, long time.
160
402000
2000
és hosszú-hosszú időbe telik.
06:59
And it matters how much of the protein it is.
161
404000
2000
Számít, hogy mennyi fehérjéről van szó.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Előfordulhat az a figyelemreméltó eset, hogy a fehérje 10 %-al változik,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
nem egy szép digitális dologról van szó, mint a DNS esetében.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
A problémánk pedig az, hogy jön valaki, épp ennek a
07:09
of this very long stage,
165
414000
2000
roppant hosszú folyamatnak a közepén
07:11
they pause for just a moment,
166
416000
2000
megáll egy pillanatra,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
egy másodpercre otthagy valamit egy enzimben,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
és onnantól kezdve az összes mérési eredmény hirtelen
07:17
don't work.
169
422000
2000
érvénytelen.
07:19
And so then people get very inconsistent results
170
424000
2000
Ezáltal pedig nagyon egyenetlenek
07:21
when they do it this way.
171
426000
2000
a mérési eredmények.
07:23
People have tried very hard to do this.
172
428000
2000
Noha vannak, akik nagyon erőlködtek ezen.
07:25
I tried this a couple of times
173
430000
2000
Én többször megpróbáltam,
07:27
and looked at this problem and gave up on it.
174
432000
2000
foglalkoztam a problémával, de feladtam.
07:29
I kept getting this call from this oncologist
175
434000
2000
Sorra kaptam a telefonhívásokat
07:31
named David Agus.
176
436000
2000
David Agus onkológustól.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Az Applied Minds-hoz is sok hívás fut be
07:36
from people who want help with their problems,
178
441000
2000
olyanoktól, akik segítséget szeretnének,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
s úgy voltam vele, hogy illene visszahívni,
07:41
so I kept on giving him to the delay list.
180
446000
3000
de aztán folyton halogattam.
07:44
And then one day,
181
449000
2000
Egy napon
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
felhívott John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
és Al Gore. Mind ugyanazon a napon,
07:50
saying return David Agus's phone call.
184
455000
2000
hogy emlékeztessenek arra, hogy vissza kell hívnom David Agus-t.
07:52
(Laughter)
185
457000
2000
(Nevetés)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
"Rendben"- gondoltam - "Ezeknek a fickóknak legalább van kapcsolati tőkéjük."
07:56
(Laughter)
187
461000
4000
(Nevetés)
08:00
So we started talking,
188
465000
2000
Akkor aztán elkezdtünk beszélgetni,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
és azt mondta, "komolyan szükségem van egy jobb módszerre, amivel a fehérjék mérhetők."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Erre én: "Foglalkoztam a kérdéssel."
08:07
Not going to be easy."
191
472000
2000
Nem lesz egyszerű."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Mire ő: "De, de nekem erre nagyon nagy szükségem van.
08:11
I mean, I see patients dying every day
193
476000
4000
Tudod, naponta látom, ahogy halnak a betegeim,
08:15
because we don't know what's going on inside of them.
194
480000
3000
mert nem tudjuk, mi zajlik bennük.
08:18
We have to have a window into this."
195
483000
2000
Rá kell erre néznünk valahogyan."
08:20
And he took me through
196
485000
2000
Konkrét példákat hozott fel
08:22
specific examples of when he really needed it.
197
487000
3000
arra, milyen esetekben lett volna rá tényleg szüksége.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Akkor rájöttem, hogy valóban sokat számítana,
08:27
if we could do it,
199
492000
2000
ha meg tudnánk ezt csinálni.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Azt mondtam neki: "Rendben. Próbáljuk meg."
08:31
Applied Minds has enough play money
201
496000
2000
Az Applied Mindsnak van elég pénze ahhoz,
08:33
that we can go and just work on something
202
498000
2000
hogy belekezdjünk valamibe anélkül,
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
hogy külső támogatást, engedélyt vagy bármit kellene kérnünk.
08:38
So we started playing around with this.
204
503000
2000
Elkezdtünk tehát ezzel szórakozni.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Ahogy ezt csináltuk, rájöttünk, hogy mi okozta az elsődleges problémát --
08:43
that taking the sip of coffee --
206
508000
2000
röviden összefoglalva,
08:45
that there were humans doing this complicated process
207
510000
2000
emberek végezték az összetett folyamatokat
08:47
and that what really needed to be done
208
512000
2000
és ami igazán fontos volt az az,
08:49
was to automate this process like an assembly line
209
514000
3000
hogy ezeket a folyamatokat futószalagként automatizáljuk
08:52
and build robots
210
517000
2000
és olyan robotokat építsünk,
08:54
that would measure proteomics.
211
519000
2000
amik majd a fehérjéket mérik.
08:56
And so we did that,
212
521000
2000
Megcsináltuk.
08:58
and working with David,
213
523000
2000
A Daviddal való együtműködésünk
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
során végül létrehoztunk egy kis céget, az Applied Proteomics-t,
09:03
which makes this robotic assembly line,
215
528000
3000
mely a robotizált futószalagot állítja össze,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
és a fehérjéket nagyon következetesen méri.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Megmutatom, hogyan történik a fehérje bemérése.
09:13
Basically, what we do
218
538000
2000
Alapjában véve azt tesszük,
09:15
is we take a drop of blood
219
540000
2000
hogy veszünk egy csepp vért
09:17
out of a patient,
220
542000
2000
a pácienstől,
09:19
and we sort out the proteins
221
544000
2000
és ebben az egy csepp vérben
09:21
in the drop of blood
222
546000
2000
elkülönítjük a fehérjéket
09:23
according to how much they weigh,
223
548000
2000
aszerint, hogy mi a súlyuk,
09:25
how slippery they are,
224
550000
2000
milyen mértékben csúsznak,
09:27
and we arrange them in an image.
225
552000
3000
és egy ábrában rendezzük őket.
09:30
And so we can look at literally
226
555000
2000
Ilyen módon szó szerint
09:32
hundreds of thousands of features at once
227
557000
2000
százas illetve ezres nagyságrendben
09:34
out of that drop of blood.
228
559000
2000
figyelhetjük őket meg abban az egyetlen csepp vérben.
09:36
And we can take a different one tomorrow,
229
561000
2000
Holnap vehetünk egy másik csepp vért,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
és látni fogjuk, hogy a fehérjék holnap más értéket mutatnak--
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
Más étkezések után és más alvást követően.
09:43
They really tell us what's going on there.
232
568000
3000
Komolyan sokat árulnak el arról, hogy mi zajlik a szervezetben.
09:46
And so this picture,
233
571000
2000
Ez a kép,
09:48
which looks like a big smudge to you,
234
573000
2000
ami úgy nézhet ki, mint egy nagy folt,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
az, ami igazán megborzongatott,
09:54
and made me feel like we were on the right track.
236
579000
2000
és azt az érzést keltette bennem, hogy jó úton járunk.
09:56
So if I zoom into that picture,
237
581000
2000
Ha felnagyítom ezt a képet,
09:58
I can just show you what it means.
238
583000
2000
jobban meg tudom mutatni, miről is van szó.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Balról jobbra látjuk a fehérjéket
10:03
is the weight of the fragments that we're getting,
240
588000
3000
megkapjuk a részletek súlyértékét.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
Fentről lefelé pedig azt látjuk, hogy mennyire csúszósak.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Ezt most csak azért nagyítjuk tehát fel, hogy jobban látszódjon.
10:12
And so each of these lines
243
597000
2000
Minden sor
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
valami olyan tulajdonságot képvisel, amit a fehérje részecskéből ismertünk meg.
10:17
And you can see how the lines occur
245
602000
2000
Látható, hogy miképp alakulnak ki a sorok
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
ezekből a csoportokból, bum, bum, bum, bum, bum.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Mert olyan pontosan mérjük a súlyt, hogy --
10:26
carbon comes in different isotopes,
248
611000
2000
a különböző izotópok szénnel vegyülnek,
10:28
so if it has an extra neutron on it,
249
613000
3000
ha tehát van egy neutron pluszban, akkor
10:31
we actually measure it as a different chemical.
250
616000
4000
különböző kemikáliaként végezzük a mérést.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Tehát minden izotópot különböző izotópként.
10:38
And so that gives you an idea
252
623000
3000
El tudják képzelni, hogy
10:41
of how exquisitely sensitive this is.
253
626000
2000
milyen kitűnő érzékenységű..
10:43
So seeing this picture
254
628000
2000
Az ábra láttán kicsit
10:45
is sort of like getting to be Galileo
255
630000
2000
olyanok leszünk, mint Galileo,
10:47
and looking at the stars
256
632000
2000
aki a csillagokat vizsgálta, és
10:49
and looking through the telescope for the first time,
257
634000
2000
amikor először nézett a távcsövébe.
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
Először kiálthatunk fel: "Ó, ez összetettebb, mint gondoltuk"
10:54
But we can see that stuff out there
259
639000
2000
De láthatjuk ezt a dolgot odakinn,
10:56
and actually see features of it.
260
641000
2000
látjuk, hogy milyenek.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Ez az aláírás, amiből meg akarunk tudni valamit.
11:01
So what we do with this
262
646000
2000
Mihez kezdünk ezzel?
11:03
is, for example, we can look at two patients,
263
648000
2000
Megvizsgálhatunk például két különböző beteget,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
az egyik válaszol a gyógyszerre, a másik nem,
11:08
and ask, "What's going on differently
265
653000
2000
és feltesszük a kérdést: "Mi történik bennük
11:10
inside of them?"
266
655000
2000
másképp?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Ezeket a méréseket tehát éppen elég alkalommal tudjuk megtenni
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
ahhoz, hogy megvizsgáljunk két beteget, hogy kiderüljenek a különbözőségek.
11:18
So here we have Alice in green
269
663000
2000
Itt látjuk, Alice-t zölddel jelöltük,
11:20
and Bob in red.
270
665000
2000
Bobot pirossal.
11:22
We overlay them. This is actual data.
271
667000
3000
Összevetjük őket. Ez a jelenlegi eredmény.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Láthatjuk, hogy nagy az átfedés, ezt jelöli a sárga szín,
11:28
but there's some things that just Alice has
273
673000
2000
de van valami, ami csak Alicenél figyelhető meg,
11:30
and some things that just Bob has.
274
675000
2000
és valami, ami csak Bobnál.
11:32
And if we find a pattern of things
275
677000
3000
Ha megtaláljuk, mi az,
11:35
of the responders to the drug,
276
680000
3000
ami alapján a gyógyszerre reagálnak,
11:38
we see that in the blood,
277
683000
2000
akkor látjuk, mi az a
11:40
they have the condition
278
685000
2000
körülmény a vérükben.
11:42
that allows them to respond to this drug.
279
687000
2000
ami alapján reagálnak a gyógyszerre.
11:44
We might not even know what this protein is,
280
689000
2000
Lehet, hogy nem is tudjuk mi az a fehérje,
11:46
but we can see it's a marker
281
691000
2000
de látjuk a betegségre való
11:48
for the response to the disease.
282
693000
2000
válaszreakció jelzőjét.
11:53
So this already, I think,
283
698000
2000
Ez, úgy gondolom,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
már önmagában nagyon hasznos dolog minden gyógyászat esetében.
11:58
But I think this is actually
285
703000
2000
Azt hiszem azonban, hogy
12:00
just the beginning
286
705000
2000
ez csak a kezdete annak,
12:02
of how we're going to treat cancer.
287
707000
2000
hogy hogyan fogjuk kezelni a rákot.
12:04
So let me move to cancer.
288
709000
2000
Térjünk tehát át a rákra.
12:06
The thing about cancer --
289
711000
2000
A rákkal az a helyzet,
12:08
when I got into this,
290
713000
2000
hogy amikor elkezdtem a témával foglalkozni,
12:10
I really knew nothing about it,
291
715000
2000
nem tudtam róla semmit,
12:12
but working with David Agus,
292
717000
2000
de David Agussal dolgozva
12:14
I started watching how cancer was actually being treated
293
719000
3000
elkezdett érdekelni a rákgyógyítás,
12:17
and went to operations where it was being cut out.
294
722000
3000
és elkezdtem műtétekre járni, ahol a rákot kioperálták.
12:20
And as I looked at it,
295
725000
2000
Úgy láttam,
12:22
to me it didn't make sense
296
727000
2000
ennek a fajta megközelítésnek
12:24
how we were approaching cancer,
297
729000
2000
nincsen értelme.
12:26
and in order to make sense of it,
298
731000
3000
Azért, hogy értelme legyen,
12:29
I had to learn where did this come from.
299
734000
3000
meg kellett tudnom, hogy hogy alakult ki.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Majdhogynem úgy kezeljük a rákot, mintha ragályos betegség lenne.
12:36
We're treating it as something that got inside of you
301
741000
2000
Úgy kezeljük, mintha kivülről került volna a szervezetbe,
12:38
that we have to kill.
302
743000
2000
és meg kellene semmisítenünk.
12:40
So this is the great paradigm.
303
745000
2000
Ez tehát a nagyszerű paradigma.
12:42
This is another case
304
747000
2000
Egy másik eset,
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
melyben a biológia egy elméleti paradigmája tényleg működött --
12:46
was the germ theory of disease.
306
751000
3000
a betegségek bacilus-elmélete volt.
12:49
So what doctors are mostly trained to do
307
754000
2000
Az orvosokat jobbára arra képesítik,
12:51
is diagnose --
308
756000
2000
hogy diagnosztizáljanak --
12:53
that is, put you into a category
309
758000
2000
vagyis arra, hogy beskatulyázzanak --
12:55
and apply a scientifically proven treatment
310
760000
2000
és tudományosan bevált módszerekkel
12:57
for that diagnosis --
311
762000
2000
kezeljék ezt a diagnózist.
12:59
and that works great for infectious diseases.
312
764000
3000
Ez márpedig remekül működik a fertőző betegségek esetén.
13:02
So if we put you in the category
313
767000
2000
Amennyiben tehát besoroljuk egy kategóriába,
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
például, hogy szifiliszes, adhatunk penicillint.
13:07
We know that that works.
315
772000
2000
Tudjuk, hogy az hatni fog.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Ha maláriás a beteg, kinint adunk,
13:11
or some derivative of it.
317
776000
2000
vagy annak valamilyen származékát.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Ez a legalapvetőbb dolog, amire az orvosokat felkészítették.
13:16
and it's miraculous
319
781000
2000
Fertőző betegségek esetén
13:18
in the case of infectious disease --
320
783000
3000
csodálatosan működik --
13:21
how well it works.
321
786000
2000
de még mennyire jól!
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
A közönség tagjai közül sokan valószínűleg nem is lennének
13:26
if doctors didn't do this.
323
791000
2000
közöttünk, ha az orvosok ezt nem tennék.
13:28
But now let's apply that
324
793000
2000
De térjünk át a rendszer megbetegedésekre,
13:30
to systems diseases like cancer.
325
795000
2000
mint amilyen a rák.
13:32
The problem is that, in cancer,
326
797000
2000
A rák esetében az a gond,
13:34
there isn't something else
327
799000
2000
hogy a rákon kívül
13:36
that's inside of you.
328
801000
2000
más nem került be a szervezetbe.
13:38
It's you; you're broken.
329
803000
2000
Csak a beteg van, megtörve.
13:40
That conversation inside of you
330
805000
4000
A szervezetben zajló beszélgetés
13:44
got mixed up in some way.
331
809000
2000
valahogy összezavarodott.
13:46
So how do we diagnose that conversation?
332
811000
2000
Hogyan diagnosztizáljuk ezt a beszélgetést?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Először is testrészekhez rendelten vizsgáljuk--
13:51
you know, where did it appear? --
334
816000
3000
vagyis, hogy mely testrészben jelentkezett --
13:54
and we put you in different categories
335
819000
2000
És e testrészek szerint
13:56
according to the part of the body.
336
821000
2000
kategorizáljuk be a betegeket.
13:58
And then we do a clinical trial
337
823000
2000
Azután elvégezzük a tüdőrák,
14:00
for a drug for lung cancer
338
825000
2000
a prosztata-rák és a mellrák
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
gyógyszerének klinikai kísérletét
14:05
and we treat these as if they're separate diseases
340
830000
3000
oly módon, hogy különálló betegségekként kezeljük őket.
14:08
and that this way of dividing them
341
833000
2000
Azonban ha ily módon különböző betegségekként kezeljük őket,
14:10
had something to do with what actually went wrong.
342
835000
2000
úgy teszünk, mintha a megkülönböztetésükkel
14:12
And of course, it really doesn't have that much to do
343
837000
2000
közelebb jutnánk ahhoz, hogy mi a gond.
14:14
with what went wrong
344
839000
2000
De természetesen nem sok köze van ahhoz, hogy mi a gond.
14:16
because cancer is a failure of the system.
345
841000
3000
Hiszen a rák a rendszer meghibásodása.
14:19
And in fact, I think we're even wrong
346
844000
2000
Valójában azt gondolom, hogy a rákról
14:21
when we talk about cancer as a thing.
347
846000
3000
egyáltalán nem is mint "dologról" kell beszélnünk.
14:24
I think this is the big mistake.
348
849000
2000
Azt hiszem, ebben áll a nagy tévedésünk.
14:26
I think cancer should not be a noun.
349
851000
4000
Úgy vélem, a rákot nem is főnévként kell használni.
14:30
We should talk about cancering
350
855000
2000
"Rákolásról" kellene beszélnünk,
14:32
as something we do, not something we have.
351
857000
3000
olyasvalamiről, amit mi csinálunk, nem olyasvalamiről, amit birtoklunk.
14:35
And so those tumors,
352
860000
2000
A tumorok tehát
14:37
those are symptoms of cancer.
353
862000
2000
a rák tünetei.
14:39
And so your body is probably cancering all the time,
354
864000
3000
A szervezetünk valószínűleg minduntalan "rákol."
14:42
but there are lots of systems in your body
355
867000
3000
De több rendszer is van a szervezetben,
14:45
that keep it under control.
356
870000
2000
amely kordában tartja a rákot.
14:47
And so to give you an idea
357
872000
2000
Mondok egy hasonlatot
14:49
of an analogy of what I mean
358
874000
2000
csak hogy érthetőbb legyen, miről beszélek,
14:51
by thinking of cancering as a verb,
359
876000
3000
amikor azt mondom, hogy a rák ige.
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
Képzeljék el, hogy nem tudunk semmit a vízvezetékszerelésről,
14:57
and the way that we talked about it,
361
882000
2000
és pont, amikor szóba jön a témája,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
és hazaérünk, látjuk, hogy beázott a konyha,
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
és felkiáltunk, hogy "Jaj, víz van a házban."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Két nézőpontot különböztethetünk itt meg: a vízvezeték szerelő azt kérdezné: "hol a víz?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"A konyhában". "Jó, akkor a konyhában szerelünk".
15:12
That's kind of the level at which it is.
366
897000
3000
Szóval ilyen szinten vagyunk.
15:15
"Kitchen water,
367
900000
2000
"Hogy szerelünk?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Igen, először feltöröljük a nagyját.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Tudhatjuk, hogy ha Draino-t permetezünk a lefolyóba,
15:22
that helps.
370
907000
3000
az is segít.
15:25
Whereas living room water,
371
910000
2000
Ezzel szemben ha a nagyszoba ázik be,
15:27
it's better to do tar on the roof."
372
912000
2000
jobban járunk, ha a tetőfedéssel kezdjük.
15:29
And it sounds silly,
373
914000
2000
Ostobán hangzik,
15:31
but that's basically what we do.
374
916000
2000
de alapjában véve ilyenek vagyunk.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Nem azt mondom, hogy mulasszunk el valamit, ami itt a víz feltörlése, ha rákról van szó.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Azt mondom, hogy nem ez a valódi probléma;
15:39
that's the symptom of the problem.
377
924000
2000
ez a problémának a tünete.
15:41
What we really need to get at
378
926000
2000
Ahova valóban el kell jutnunk,
15:43
is the process that's going on,
379
928000
2000
az a folyamat megértése,
15:45
and that's happening at the level
380
930000
2000
az pedig a proteomikus mozzanatok
15:47
of the proteonomic actions,
381
932000
2000
szintjén történik,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
az a kérdés, hogy miért nem indulnak
15:52
in the way that it normally does?
383
937000
2000
be a szervezet öngyógyító folyamatai, ahogy máskor?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Hiszen máskor a szervezetünk folyton megküzd ezzel a problémával.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
A lakásban mindig vannak szivárgások.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
De nem mindig okoznak gondot. A víz elfolyik a lefolyóba, stb.
16:04
So what we need
387
949000
3000
Amire tehát szükségünk van,
16:07
is to have a causative model
388
952000
4000
az egy okozati modell,
16:11
of what's actually going on,
389
956000
2000
mely mutatja, hogy mi is történik.
16:13
and proteomics actually gives us
390
958000
3000
A proteomika pedig lehetőséget
16:16
the ability to build a model like that.
391
961000
3000
biztosít számunkra egy ilyen modell felállításához.
16:19
David got me invited
392
964000
2000
David meghívott, hogy tartsak egy előadást
16:21
to give a talk at National Cancer Institute
393
966000
2000
a Nemzeti Rák Intézetben,
16:23
and Anna Barker was there.
394
968000
3000
és ott volt Anna Barker is.
16:27
And so I gave this talk
395
972000
2000
Amikor az előadás során ott tartottam,
16:29
and said, "Why don't you guys do this?"
396
974000
3000
hogy "Gyerekek, Miért nem vágtok ebbe bele?",
16:32
And Anna said,
397
977000
2000
Anna azt mondta:
16:34
"Because nobody within cancer
398
979000
3000
"Mert senki nem fogja
16:37
would look at it this way.
399
982000
2000
a rákot így megközelíteni.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Viszont azt megtehetjük, hogy létrehozunk
16:42
for people outside the field of cancer
401
987000
2000
egy programot a rákkutatás területén kívül állók
16:44
to get together with doctors
402
989000
2000
számára, hogy üljenek össze olyan orvosokkal,
16:46
who really know about cancer
403
991000
3000
akik tényleg szakértők a témában
16:49
and work out different programs of research."
404
994000
4000
és dolgozzanak ki különböző programterveket."
16:53
So David and I applied to this program
405
998000
2000
Így aztán Daviddal jelentkeztünk erre a programra,
16:55
and created a consortium
406
1000000
2000
és konzorciumot hoztunk létre
16:57
at USC
407
1002000
2000
az USC-n,
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
ahol a Cold Spring Harbortól
17:02
and some of the best biologists in the world,
409
1007000
3000
a Stanfordon át Austinig -
17:05
from Cold Spring Harbor,
410
1010000
2000
most nem sorolom fel a többi neves helyet,
17:07
Stanford, Austin --
411
1012000
2000
a világ legjobb onkológusai dolgoznak,
17:09
I won't even go through and name all the places --
412
1014000
3000
a világ néhány legjobb biológusáról nem is beszélve,
17:12
to have a research project
413
1017000
3000
hogy öt évre szóló
17:15
that will last for five years
414
1020000
2000
kutatási projektet dolgozzunk ki,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
és megkíséreljük a ráknak egy ilyen modelljét felépíteni.
17:20
We're doing it in mice first,
416
1025000
2000
Először egerekkel kísérletezünk.
17:22
and we will kill a lot of mice
417
1027000
2000
Sok egeret meg fogunk ölni
17:24
in the process of doing this,
418
1029000
2000
a kísérlet során,
17:26
but they will die for a good cause.
419
1031000
2000
de haláluk nemes célt fog szolgálni.
17:28
And we will actually try to get to the point
420
1033000
3000
Kilátásba helyezzük,
17:31
where we have a predictive model
421
1036000
2000
hogy a jövőben lesz egy olyan modell,
17:33
where we can understand,
422
1038000
2000
ami alapján megérthetjük,
17:35
when cancer happens,
423
1040000
2000
mikor lesz az ember rákos,
17:37
what's actually happening in there
424
1042000
2000
mi is történik ilyenkor valójában,
17:39
and which treatment will treat that cancer.
425
1044000
3000
és mely kezelés szükséges.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Hadd fejezzem be egy képpel,
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
ami bemutatja, hogy véleményem szerint hogy fog kinézni a jövő rákkezelése.
17:48
So I think eventually,
428
1053000
2000
Végül azt gondolom,
17:50
once we have one of these models for people,
429
1055000
2000
ha birtokában lennénk egy ilyen modellnek,
17:52
which we'll get eventually --
430
1057000
2000
ami meg fog történni --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
vagyis a csapatunk talán nem jut el odáig --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
de lesz egy nagyon jó számítógépes modellünk --
17:59
sort of like a global climate model for weather.
433
1064000
3000
valami olyasmi, mint a globális klíma-modell az időjárás terén.
18:02
It has lots of different information
434
1067000
3000
Különféle információval szolgál
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
több különböző skálán
18:08
on many different scales.
436
1073000
2000
arról, milyen folyamatok zajlanak a proteomikus párbeszédkor.
18:10
And so we will simulate
437
1075000
2000
Mi pedig szimulálni fogunk
18:12
in that model
438
1077000
2000
ezzel a modellel
18:14
for your particular cancer --
439
1079000
3000
az adott rákfajtájának megfelelően --
18:17
and this also will be for ALS,
440
1082000
2000
az ALS-re és bármelyik idegrendszeri
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
megbetegedésre is alkalmazható lesz.
18:22
things like that --
442
1087000
2000
Ily módon,
18:24
we will simulate
443
1089000
2000
személyre szabottan
18:26
specifically you,
444
1091000
2000
szimuláljuk majd,
18:28
not just a generic person,
445
1093000
2000
nem egy általánosságban vett személyre,
18:30
but what's actually going on inside you.
446
1095000
2000
hanem azt nézzük, hogy az adott egyénben épp mi zajlik.
18:32
And in that simulation, what we could do
447
1097000
2000
Amit meg tudtunk tenni a szimuláció során,
18:34
is design for you specifically
448
1099000
2000
az az, hogy személyre szabott kezelések sorát
18:36
a sequence of treatments,
449
1101000
2000
tervezzük meg,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
és ezek lehetnek nagyon finom kezelések, nagyon kis adag gyógyszerekkel.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Előfordulhat, hogy azt mondjuk valakinek, hogy kimondottan aznap ne egyen ezt vagy azt,
18:44
or give them a little chemotherapy,
452
1109000
2000
vagy adunk egy kis kemoterápiát,
18:46
maybe a little radiation.
453
1111000
2000
talán egy kis sugárkezelést.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Persze fogunk műtéteket is végrehajtani néha stb.
18:51
But design a program of treatments specifically for you
455
1116000
3000
A lényeg, hogy személyre szabottan tervezzük a kezelési programot,
18:54
and help your body
456
1119000
3000
és segítjük a szervezetet
18:57
guide back to health --
457
1122000
3000
visszaterelni az egészség útjára,
19:00
guide your body back to health.
458
1125000
2000
visszatereljük az egészség felé.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Hiszen a szervezet úgyis meg fogja tenni a maga gyógyító folyamatát,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
elég lesz, ha rossz irányból bombázzuk.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Olyankor sínbe tesszük - képletesen.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
A szervezetnek tulajdonképpen nagyon nagyon sok mechanizmus van
19:13
for fixing cancer,
463
1138000
2000
a rák gyógyítására,
19:15
and we just have to prop those up in the right way
464
1140000
3000
nekünk csak a jó irányba kell ezeket terelnünk,
19:18
and get them to do the job.
465
1143000
2000
onnantól már tudják, mi a dolguk.
19:20
And so I believe that this will be the way
466
1145000
2000
Azt gondolom, ez lesz a
19:22
that cancer will be treated in the future.
467
1147000
2000
jövő rákgyógyítási módja.
19:24
It's going to require a lot of work,
468
1149000
2000
Fáradságos munkát fog igényelni,
19:26
a lot of research.
469
1151000
2000
sok kutatást.
19:28
There will be many teams like our team
470
1153000
3000
Sok, a miénkhez hasonló csapat fog
19:31
that work on this.
471
1156000
2000
alakulni, hogy ezen dolgozzon.
19:33
But I think eventually,
472
1158000
2000
De végül is azt gondolom,
19:35
we will design for everybody
473
1160000
2000
hogy mindenki számára elérhető lesz egy
19:37
a custom treatment for cancer.
474
1162000
4000
személyre szóló rákkezelési program.
19:41
So thank you very much.
475
1166000
2000
Köszönöm szépen.
19:43
(Applause)
476
1168000
6000
(Taps)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com