TED2011
Ed Boyden: A light switch for neurons
Ed Boyden: A fény mint kapcsoló az idegsejtekben
Filmed:
Readability: 4
1,098,379 views
Ed Boyden megmutatja, hogy fényérzékeny proteinekért felelős gének beültetésével, képes szelektíven aktiválni vagy de-aktiválni speciális neuronokat fényvezetők beültetésével. Ezzel a példátlan szintű kontrollal képes volt kigyógyítani egy egeret a PTSD -ből (Post Traumatic Stress Disorder - Poszttraumatikus Stressz Szindróma) és egy bizonyos vakságból. A horizonton: az idegprotézis. Az előadás házigazdája Juan Enriquez feltesz egy pár kérdést a beszéd után.
Ed Boyden - Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute. Full bio
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute. Full bio
Double-click the English transcript below to play the video.
00:15
Think about your day for a second.
0
0
2000
Gondolkodjon el egy másodperc erejéig a napjáról.
00:17
You woke up, felt fresh air on your face as you walked out the door,
1
2000
3000
Felkelt, érzékelte a friss levegőt az arcán amint kisétált az ajtón,
00:20
encountered new colleagues and had great discussions,
2
5000
2000
találkozott új kollegákkal akikkel majd egy jót beszélgetett,
00:22
and felt in awe when you found something new.
3
7000
2000
és csodálat töltötte el az új dolgok iránt.
00:24
But I bet there's something you didn't think about today --
4
9000
2000
De lefogadom van valami amiről nem gondolkodott el ma --
00:26
something so close to home
5
11000
2000
valami ami annyira alapvető,
00:28
that you probably don't think about it very often at all.
6
13000
2000
hogy talán ezért nem is gondolkodik el rajta nagyon gyakran.
00:30
And that's that all the sensations, feelings,
7
15000
2000
És ez az összes érzék, érzés,
00:32
decisions and actions
8
17000
2000
döntés és cselekedet,
00:34
are mediated by the computer in your head
9
19000
2000
amit a fejében lévő, agynak nevezett,
00:36
called the brain.
10
21000
2000
számítógép hozott.
00:38
Now the brain may not look like much from the outside --
11
23000
2000
Namármost, az agy talán nem néz ki fontosnak kívülről --
00:40
a couple pounds of pinkish-gray flesh,
12
25000
2000
néhány deka rózsaszínes-szürke hús,
00:42
amorphous --
13
27000
2000
amorf anyag --
00:44
but the last hundred years of neuroscience
14
29000
2000
de az utolsó néhány száz év idegtana megengedi,
00:46
have allowed us to zoom in on the brain,
15
31000
2000
hogy közelebbről is szemügyre vegyük az agyat,
00:48
and to see the intricacy of what lies within.
16
33000
2000
és lássuk mi rejlik a bonyolultság mögött.
00:50
And they've told us that this brain
17
35000
2000
Azt mondták nekünk, hogy az agy
00:52
is an incredibly complicated circuit
18
37000
2000
egy hihetetlenül komplikált rendszer
00:54
made out of hundreds of billions of cells called neurons.
19
39000
4000
ami százmilliárdnyi sejtből áll, amiket neuronoknak hívunk.
00:58
Now unlike a human-designed computer,
20
43000
3000
Namármost, nem úgy mint egy ember-tervezte számítógép,
01:01
where there's a fairly small number of different parts --
21
46000
2000
ami kevés számú különböző alkatrészből áll --
01:03
we know how they work, because we humans designed them --
22
48000
3000
amikről tudjuk hogyan müküdnek, mert mi terveztük őket --
01:06
the brain is made out of thousands of different kinds of cells,
23
51000
3000
az agy több ezer különböző fajta sejtből áll,
01:09
maybe tens of thousands.
24
54000
2000
talán több tízezer fajtából.
01:11
They come in different shapes; they're made out of different molecules.
25
56000
2000
Mindegyik más alakú és különböző molekulákból állnak;
01:13
And they project and connect to different brain regions,
26
58000
3000
és közvetítenek, összekötnek más-más régiókat az agyban.
01:16
and they also change different ways in different disease states.
27
61000
3000
Továbbá, változnak is a különböző kórképeknek megfelelően.
01:19
Let's make it concrete.
28
64000
2000
Szögezzünk le valamit.
01:21
There's a class of cells,
29
66000
2000
Van egy osztálya a sejteknek,
01:23
a fairly small cell, an inhibitory cell, that quiets its neighbors.
30
68000
3000
egy meglehetősen kicsi sejt, egy gátló sejt, ami csendesíti a szomszédait.
01:26
It's one of the cells that seems to be atrophied in disorders like schizophrenia.
31
71000
4000
Azon sejtek közül való, amelyek elsorvadnak például a skizofrénia esetében.
01:30
It's called the basket cell.
32
75000
2000
Ezt hívják kosársejtnek.
01:32
And this cell is one of the thousands of kinds of cell
33
77000
2000
Ez a sejt egy a több ezer féle sejt közül
01:34
that we are learning about.
34
79000
2000
amit tanulmányozunk most.
01:36
New ones are being discovered everyday.
35
81000
2000
Minden nap új és új fajtákat fedeznek fel.
01:38
As just a second example:
36
83000
2000
Csak egy másik példa:
01:40
these pyramidal cells, large cells,
37
85000
2000
a piramis sejtek, nagy sejtek,
01:42
they can span a significant fraction of the brain.
38
87000
2000
amelyek képesek átfogni egy jelentős részét az agynak.
01:44
They're excitatory.
39
89000
2000
Ők serkentő idegsejtek.
01:46
And these are some of the cells
40
91000
2000
Ezek közül valóak azok is
01:48
that might be overactive in disorders such as epilepsy.
41
93000
3000
melyek talán túlreagálnak olyan rendellenességekben mint az epilepszia.
01:51
Every one of these cells
42
96000
2000
Minden egyes ilyen sejt
01:53
is an incredible electrical device.
43
98000
3000
egy hihetetlen elektromos eszköz.
01:56
They receive input from thousands of upstream partners
44
101000
2000
Fogadnak egy beérkező jelet a sok ezer partnertől
01:58
and compute their own electrical outputs,
45
103000
3000
és kiszámolják a saját elektromos kibocsátásukat,
02:01
which then, if they pass a certain threshold,
46
106000
2000
amely aztán, ha elér egy bizonyos küszöböt,
02:03
will go to thousands of downstream partners.
47
108000
2000
továbbhalad a többezer befogadó partner felé.
02:05
And this process, which takes just a millisecond or so,
48
110000
3000
Ez a folyamat, ami a másodperc ezred részéig tart,
02:08
happens thousands of times a minute
49
113000
2000
megtörténik több ezerszer percenként
02:10
in every one of your 100 billion cells,
50
115000
2000
mindegyikében a száz milliárd idegsejtből,
02:12
as long as you live
51
117000
2000
amíg csak él
02:14
and think and feel.
52
119000
3000
és gondolkodik és érez.
02:17
So how are we going to figure out what this circuit does?
53
122000
3000
Szóval hogyan is találhatnánk ki, hogy mit csinál ez az áramkör?
02:20
Ideally, we could go through the circuit
54
125000
2000
Ideálisan, mehetnénk akár ezen az áramkörön belül is
02:22
and turn these different kinds of cell on and off
55
127000
3000
és ki-be kapcsolhatnánk a különböző sejteket
02:25
and see whether we could figure out
56
130000
2000
majd meglátnánk, hogy képesek vagyunk e rájönni
02:27
which ones contribute to certain functions
57
132000
2000
melyek működnek közre a bizonyos funkcióknál
02:29
and which ones go wrong in certain pathologies.
58
134000
2000
és melyek működnek hibásan bizonyos patológiás eseteknél.
02:31
If we could activate cells, we could see what powers they can unleash,
59
136000
3000
Ha képesek lennénk aktiválni ezeket a sejteket, megláthatnánk milyen energiákat szabályoznak,
02:34
what they can initiate and sustain.
60
139000
2000
és mit képesek elindítani vagy fenntartani.
02:36
If we could turn them off,
61
141000
2000
Ha le tudnánk őket kapcsolni,
02:38
then we could try and figure out what they're necessary for.
62
143000
2000
akkor rájöhetnénk, hogy mihez is kellenek pontosan.
02:40
And that's a story I'm going to tell you about today.
63
145000
3000
És ez az a történet amit most el fogok mondani önöknek ma.
02:43
And honestly, where we've gone through over the last 11 years,
64
148000
3000
Őszintén, ahova jutottunk az elmúlt 11 évben,
02:46
through an attempt to find ways
65
151000
2000
a próbálkozásokon, hogy megtaláljuk az utat ahhoz,
02:48
of turning circuits and cells and parts and pathways of the brain
66
153000
2000
hogy képesek legyünk az áramköröket és sejteket és az agyban lévő pályákat
02:50
on and off,
67
155000
2000
be- és kikapcsolni,
02:52
both to understand the science
68
157000
2000
azért is, hogy megértsük tudományos szempontból,
02:54
and also to confront some of the issues
69
159000
3000
és azért is, hogy küzdhessünk néhány problémával
02:57
that face us all as humans.
70
162000
3000
amivel minden ember szembe kell hogy nézzen.
03:00
Now before I tell you about the technology,
71
165000
3000
Most pedig, mielőtt elmondanám a technológiáját,
03:03
the bad news is that a significant fraction of us in this room,
72
168000
3000
a rossz hírem az, hogy egy számottevő hányada az itt jelenlévőknek,
03:06
if we live long enough,
73
171000
2000
ha elég hosszú ideig fogunk élni,
03:08
will encounter, perhaps, a brain disorder.
74
173000
2000
fogunk talán találkozni egy agyi rendelleneséggel.
03:10
Already, a billion people
75
175000
2000
Már most egy milliárd embernek
03:12
have had some kind of brain disorder
76
177000
2000
volt valamilyen fajta ilyen rendellenesége
03:14
that incapacitates them,
77
179000
2000
ami munkaképtelenné tette őket.
03:16
and the numbers don't do it justice though.
78
181000
2000
A számok nem is igazolják őket.
03:18
These disorders -- schizophrenia, Alzheimer's,
79
183000
2000
A rendelleneségek -- skizofrénia, Alzheimer kór,
03:20
depression, addiction --
80
185000
2000
depresszió, függőség --
03:22
they not only steal our time to live, they change who we are.
81
187000
3000
nem csak az időnket rabolják ez az élettől, de megváltoztatnak minket;
03:25
They take our identity and change our emotions
82
190000
2000
elveszik az identitásunkat és megváltoztatják az érzelmeinket --
03:27
and change who we are as people.
83
192000
3000
majd megváltoztatnak minket mint embereket.
03:30
Now in the 20th century,
84
195000
3000
Nos, a 20-ik században
03:33
there was some hope that was generated
85
198000
3000
volt némi remény az agyi problémák kezelésére
03:36
through the development of pharmaceuticals for treating brain disorders,
86
201000
3000
a gyógyszeripar fejlődése miatt,
03:39
and while many drugs have been developed
87
204000
3000
és mivel sok orvosságot fejlesztettek ki
03:42
that can alleviate symptoms of brain disorders,
88
207000
2000
ami enyhítheti a problémák tüneteit,
03:44
practically none of them can be considered to be cured.
89
209000
3000
alapvetően egyik sem mondható gyógyulásnak.
03:47
And part of that's because we're bathing the brain in the chemical.
90
212000
3000
És ez részben azért van mert kemikáliával árasztjuk el az agyat.
03:50
This elaborate circuit
91
215000
2000
Ez egy bonyolult áramkör
03:52
made out of thousands of different kinds of cell
92
217000
2000
ami sok ezer különböző sejtből épül fel
03:54
is being bathed in a substance.
93
219000
2000
és egy kémiai anyagban fürdetik.
03:56
That's also why, perhaps, most of the drugs, and not all, on the market
94
221000
2000
Éppen ezért talán a legtöbb gyógyszer, de persze nem az összes, a piacon
03:58
can present some kind of serious side effect too.
95
223000
3000
okoz valamilyen komoly mellék hatást.
04:01
Now some people have gotten some solace
96
226000
3000
Néhány ember vigasztalódást nyert
04:04
from electrical stimulators that are implanted in the brain.
97
229000
3000
az agyba beültetett elektromos stimulátoroktól.
04:07
And for Parkinson's disease,
98
232000
2000
A Parkinzon kórnál,
04:09
Cochlear implants,
99
234000
2000
cochlea-implantátumoknál,
04:11
these have indeed been able
100
236000
2000
ezek csakugyan képesek voltak
04:13
to bring some kind of remedy
101
238000
2000
némi orvoslást nyújtani az embereknek
04:15
to people with certain kinds of disorder.
102
240000
2000
bizonyos fajta rendelleneségek esetében.
04:17
But electricity also will go in all directions --
103
242000
2000
Az elektromoság is halad minden irányban --
04:19
the path of least resistance,
104
244000
2000
a legkisebb ellenállás irányába,
04:21
which is where that phrase, in part, comes from.
105
246000
2000
amiből az a mondás, legalábbis részben, jön.
04:23
And it also will affect normal circuits as well as the abnormal ones that you want to fix.
106
248000
3000
Ez hatással lesz a normális áramkörökre is, és a nem normálisakra, amiket mi szeretnénk helyrehozni.
04:26
So again, we're sent back to the idea
107
251000
2000
Szóval mégegyszer, vissza kerültünk az alapötlethez
04:28
of ultra-precise control.
108
253000
2000
ami egy ultra-precíz kontrol.
04:30
Could we dial-in information precisely where we want it to go?
109
255000
3000
Képesek lennénk az információt pontosan oda irányítani ahova akarjuk ?
04:34
So when I started in neuroscience 11 years ago,
110
259000
4000
Amikor én 11 évvel ezelőtt elkezdtem foglalkozni idegtudománnyal,
04:38
I had trained as an electrical engineer and a physicist,
111
263000
3000
én egy képzett elektromérnök és fizikus voltam,
04:41
and the first thing I thought about was,
112
266000
2000
és az első dolog amit gondoltam az az volt,
04:43
if these neurons are electrical devices,
113
268000
2000
hogy ha ezek az idegsejtek elektromos eszközök,
04:45
all we need to do is to find some way
114
270000
2000
akkor csupán meg kell találnunk a módját annak,
04:47
of driving those electrical changes at a distance.
115
272000
2000
hogy messzebbre eljuttassuk azokat az elektromos változásokat.
04:49
If we could turn on the electricity in one cell,
116
274000
2000
Ha az elektromosságot be tudnánk kapcsolni egy sejtben,
04:51
but not its neighbors,
117
276000
2000
a szomszédos sejteket kihagyva,
04:53
that would give us the tool we need to activate and shut down these different cells,
118
278000
3000
akkor lenne egy szerszámunk amivel be- és kikapcsolhatnánk ezeket a különböző sejteket,
04:56
figure out what they do and how they contribute
119
281000
2000
kitalálva mit is csinálnak pontosan és hogy működnek közre
04:58
to the networks in which they're embedded.
120
283000
2000
a hálózatban amiben helyet foglalnak.
05:00
And also it would allow us to have the ultra-precise control we need
121
285000
2000
Továbbá lenne egy ultra-precíz vezérlésünk ahhoz,
05:02
in order to fix the circuit computations
122
287000
3000
hogy helyrehozzunk a számításokat amelyek
05:05
that have gone awry.
123
290000
2000
valahogy félresiklottak.
05:07
Now how are we going to do that?
124
292000
2000
Namost, hogyan is csináljuk mindezt?
05:09
Well there are many molecules that exist in nature,
125
294000
2000
Hát van egy csomó a természetben létező molekula,
05:11
which are able to convert light into electricity.
126
296000
3000
amely át tudja a fényt változtatni elektromossággá.
05:14
You can think of them as little proteins
127
299000
2000
Úgy is gondolhatunk rájuk mint kis fehérjékre
05:16
that are like solar cells.
128
301000
2000
amik olyanok mint a napelemek.
05:18
If we can install these molecules in neurons somehow,
129
303000
3000
Ha installálni tudnánk ezeket a molekulákat az idegsejtekbe valahogy,
05:21
then these neurons would become electrically drivable with light.
130
306000
3000
akkor ezek az idegsejtek fénnyel is stimulálhatók lennének.
05:24
And their neighbors, which don't have the molecule, would not.
131
309000
3000
A molekula nélküli szomszédok pedig nem.
05:27
There's one other magic trick you need to make this all happen,
132
312000
2000
És van itt egy másik trükk is amit végre kell hajtanunk,
05:29
and that's the ability to get light into the brain.
133
314000
3000
és az lenne a fénynek az agyba juttatása.
05:32
And to do that -- the brain doesn't feel pain -- you can put --
134
317000
3000
Mivel az agy nem érez fájdalmat, ezért használhatunk --
05:35
taking advantage of all the effort
135
320000
2000
kihasználva mindazt az erőfeszitést
05:37
that's gone into the Internet and communications and so on --
136
322000
2000
ami az internetbe és a kommunikációba ment --
05:39
optical fibers connected to lasers
137
324000
2000
lézerhez csatlakoztatott optikai szálakat,
05:41
that you can use to activate, in animal models for example,
138
326000
2000
amit az idegsejtek aktiválásra használnánk,
05:43
in pre-clinical studies,
139
328000
2000
mint az állatokkal végzett előklinikai kísérletekben,
05:45
these neurons and to see what they do.
140
330000
2000
hogy meglássuk mit is csinálnak az idegsejtek.
05:47
So how do we do this?
141
332000
2000
Hogyan is menne ez végbe?
05:49
Around 2004,
142
334000
2000
2004 körül,
05:51
in collaboration with Gerhard Nagel and Karl Deisseroth,
143
336000
2000
Gerhard Nagel és Karl Deisseroth közös munkájának köszönhetően,
05:53
this vision came to fruition.
144
338000
2000
ez az elképzelés kezdett valóra válni.
05:55
There's a certain alga that swims in the wild,
145
340000
3000
Létezik egy fajta alga ami szabadon úszik,
05:58
and it needs to navigate towards light
146
343000
2000
és a fény felé kell navigálnia,
06:00
in order to photosynthesize optimally.
147
345000
2000
hogy optimálissá tegye a fotoszintézisét.
06:02
And it senses light with a little eye-spot,
148
347000
2000
A fényt egy kis szemecskével érzékeli,
06:04
which works not unlike how our eye works.
149
349000
3000
amely nem úgy működik mint a mi szemünk.
06:07
In its membrane, or its boundary,
150
352000
2000
A membránjában vagy a külső felületén,
06:09
it contains little proteins
151
354000
3000
egy kevés proteint tartalmaz
06:12
that indeed can convert light into electricity.
152
357000
3000
mely valóban képes fényt elektromossággá konvertálni.
06:15
So these molecules are called channelrhodopsins.
153
360000
3000
Ezeket a bizonyos molekulákat csatorna-rodopszinnak nevezik.
06:18
And each of these proteins acts just like that solar cell that I told you about.
154
363000
3000
Az összes ilyen protein úgy viselkedik mint egy napelem amiről az előbb beszéltem.
06:21
When blue light hits it, it opens up a little hole
155
366000
3000
Amikor kék fény esik rá, akkor kinyit egy kis lyukat
06:24
and allows charged particles to enter the eye-spot,
156
369000
2000
mely beengedi a töltött részecskéket a szemecskébe,
06:26
and that allows this eye-spot to have an electrical signal
157
371000
2000
majd ettől lesz ennek a szemecskének egy elektronikus jele,
06:28
just like a solar cell charging up a battery.
158
373000
3000
pontosan úgy mintha egy napelem töltene fel egy elemet.
06:31
So what we need to do is to take these molecules
159
376000
2000
Ezért annyit kell tennünk, hogy ezeket a molekulákat
06:33
and somehow install them in neurons.
160
378000
2000
az idegsejtekbe installáljuk.
06:35
And because it's a protein,
161
380000
2000
És mivel egy fehérjéről beszélünk,
06:37
it's encoded for in the DNA of this organism.
162
382000
3000
ennek az organizmusnak a DNS-be van bekódolva.
06:40
So all we've got to do is take that DNA,
163
385000
2000
Ezért annyit kell csupán tennünk, hogy vesszük azt a DNS-t,
06:42
put it into a gene therapy vector, like a virus,
164
387000
3000
és belehelyezzük egy génterápiás virális vektorba,
06:45
and put it into neurons.
165
390000
3000
és az idegsejtbe juttatjuk.
06:48
So it turned out that this was a very productive time in gene therapy,
166
393000
3000
Amint kiderült, ez egy nagyon produktív időszak volt a génterápiában,
06:51
and lots of viruses were coming along.
167
396000
2000
és sok vírust fejlesztettek ki .
06:53
So this turned out to be very simple to do.
168
398000
2000
Tehát ezt nagyon egyszerűen végre lehetett hajtani.
06:55
And early in the morning one day in the summer of 2004,
169
400000
3000
2004 nyarának egyik napján, kora reggel,
06:58
we gave it a try, and it worked on the first try.
170
403000
2000
megpróbáltuk, és működött elsőre.
07:00
You take this DNA and you put it into a neuron.
171
405000
3000
Vesszük ezt a DNS-t és belehelyezzük az idegsejtbe.
07:03
The neuron uses its natural protein-making machinery
172
408000
3000
Az idegsejt használja saját fehérje előállító mechanizmusát,
07:06
to fabricate these little light-sensitive proteins
173
411000
2000
hogy létrehozza ezeket a kis fényérzékeny fehérjéket
07:08
and install them all over the cell,
174
413000
2000
és installálja őket mindenfelé a sejtben,
07:10
like putting solar panels on a roof,
175
415000
2000
mint ahogy napelem-paneleket szerelünk a tetőre.
07:12
and the next thing you know,
176
417000
2000
A következő lépést már tudják,
07:14
you have a neuron which can be activated with light.
177
419000
2000
kapunk egy idegsejtet ami fénnyel aktiválható.
07:16
So this is very powerful.
178
421000
2000
Ez egy hatalmas dolog.
07:18
One of the tricks you have to do
179
423000
2000
Egy szükséges trükk: ki kell találnunk,
07:20
is to figure out how to deliver these genes to the cells that you want
180
425000
2000
hogy milyen módon szállíthatjuk ezeket a géneket a kívánt sejtekhez,
07:22
and not all the other neighbors.
181
427000
2000
nem pedig a többi szomszédhoz.
07:24
And you can do that; you can tweak the viruses
182
429000
2000
Ezt meg lehet tenni: betudjuk állítani ezeket a vírusokat úgy,
07:26
so they hit just some cells and not others.
183
431000
2000
hogy csak egyes sejteket támadjanak meg, ne másokat.
07:28
And there's other genetic tricks you can play
184
433000
2000
És van egy másik genetikai trükk amivel játszhatunk
07:30
in order to get light-activated cells.
185
435000
3000
azért hogy ilyen fényérzékeny sejteket kapjunk.
07:33
This field has now come to be known as optogenetics.
186
438000
4000
Ezt a területet most úgy ismerik, hogy optogenetika.
07:37
And just as one example of the kind of thing you can do,
187
442000
2000
És csak egy példa arra, hogy mit lehet elérni,
07:39
you can take a complex network,
188
444000
2000
mondjuk vesszük az egész bonyolult hálózatot,
07:41
use one of these viruses to deliver the gene
189
446000
2000
használunk egy ilyen vírust ami elszállítja a gént
07:43
just to one kind of cell in this dense network.
190
448000
3000
csak az egyik fajta sejthez ebben a sűrű hálóban.
07:46
And then when you shine light on the entire network,
191
451000
2000
Majd amikor megvilágítjuk az egész hálózatot,
07:48
just that cell type will be activated.
192
453000
2000
csak az a bizonyos típusú sejt aktiválódik.
07:50
So for example, lets sort of consider that basket cell I told you about earlier --
193
455000
3000
Például, vegyük a kosár sejtet amiről már korábban beszéltünk --
07:53
the one that's atrophied in schizophrenia
194
458000
2000
az amelyik elsorvad a skizofrénia esetében
07:55
and the one that is inhibitory.
195
460000
2000
és ugyebár ez egy gátló fajta.
07:57
If we can deliver that gene to these cells --
196
462000
2000
Ha eljuttatnánk ezeket a géneket ezekhez a sejtekhez --
07:59
and they're not going to be altered by the expression of the gene, of course --
197
464000
3000
és nem fognak módosulni a gének hatására, természetesen --
08:02
and then flash blue light over the entire brain network,
198
467000
3000
majd kék fényt bocsájtunk az egész hálózatra,
08:05
just these cells are going to be driven.
199
470000
2000
akkor csak ezek a sejtek fognak működésbe lépni.
08:07
And when the light turns off, these cells go back to normal,
200
472000
2000
Majd mikor a fény kialszik, a sejtek újra normálisan működnek,
08:09
so they don't seem to be averse against that.
201
474000
3000
szóval nem tűnik úgy mintha idegenkednének.
08:12
Not only can you use this to study what these cells do,
202
477000
2000
Ez a módszer nem csak a sejtek működésének tanulmányozására használható,
08:14
what their power is in computing in the brain,
203
479000
2000
vagyis mi a szerepük az agyműködésben,
08:16
but you can also use this to try to figure out --
204
481000
2000
de arra is használható a módszer, hogy kitaláljuk --
08:18
well maybe we could jazz up the activity of these cells,
205
483000
2000
sőt talán helyre is hozhatjuk ezen sejtek aktivitását,
08:20
if indeed they're atrophied.
206
485000
2000
ha valóban elsorvadtak.
08:22
Now I want to tell you a couple of short stories
207
487000
2000
Szeretnék elmondani egy pár rövid történetet
08:24
about how we're using this,
208
489000
2000
arról, hogy miként használjuk ezt,
08:26
both at the scientific, clinical and pre-clinical levels.
209
491000
3000
mind a tudományos, a klinikai és a elő-klinikai szinten.
08:29
One of the questions we've confronted
210
494000
2000
Egy kérdés amivel szembe kellett néznünk:
08:31
is, what are the signals in the brain that mediate the sensation of reward?
211
496000
3000
milyen jelek segítik elő a jutalom érzését az agyban?
08:34
Because if you could find those,
212
499000
2000
Mert ha mi megtaláljuk azokat,
08:36
those would be some of the signals that could drive learning.
213
501000
2000
akkor azok lennének a jelek amelyek a tanuláshoz vezetnek.
08:38
The brain will do more of whatever got that reward.
214
503000
2000
Az agy többet is csinál abból amiért jutalmat kap.
08:40
And also these are signals that go awry in disorders such as addiction.
215
505000
3000
Ezek azok a jelek amelyek félre mennek bizonyos esetekben, mint például a függőség.
08:43
So if we could figure out what cells they are,
216
508000
2000
Szóval ha rájönnénk melyek ezek a sejtek,
08:45
we could maybe find new targets
217
510000
2000
akkor talán új célokat találhatnánk
08:47
for which drugs could be designed or screened against,
218
512000
2000
amikhez gyógyszereket fejlesztenénk ki,
08:49
or maybe places where electrodes could be put in
219
514000
2000
vagy talán helyeket ahová elektródák helyezhetők
08:51
for people who have very severe disability.
220
516000
3000
azon emberek számára akik súlyos rendellenességekkel küzdenek.
08:54
So to do that, we came up with a very simple paradigm
221
519000
2000
Ehhez egy nagyon egyszerű paradigmával álltunk elő
08:56
in collaboration with the Fiorella group,
222
521000
2000
együttműködésben a Fiorella csoporttal,
08:58
where one side of this little box,
223
523000
2000
ahol egy kis doboz egyik oldalán,
09:00
if the animal goes there, the animal gets a pulse of light
224
525000
2000
ha az állat arra megy, egy fény villanás éri
09:02
in order to make different cells in the brain sensitive to light.
225
527000
2000
azért, hogy különböző sejteket fényérzékennyé tegyen az agyban.
09:04
So if these cells can mediate reward,
226
529000
2000
Ha ezek a sejtek elősegítik a jutalmat,
09:06
the animal should go there more and more.
227
531000
2000
az állat egyre többször fog arra menni.
09:08
And so that's what happens.
228
533000
2000
És pontosan ez történik.
09:10
This animal's going to go to the right-hand side and poke his nose there,
229
535000
2000
Az állat megy a jobb oldalra és az orrával bökdösi azt,
09:12
and he gets a flash of blue light every time he does that.
230
537000
2000
és akkor kap egy adag kék fényt minden egyes alkalommal.
09:14
And he'll do that hundreds and hundreds of times.
231
539000
2000
Majd ő ezt ismételgeti több százszor.
09:16
These are the dopamine neurons,
232
541000
2000
Ezek a dopamin neuronjai,
09:18
which some of you may have heard about, in some of the pleasure centers in the brain.
233
543000
2000
amelyekről talán hallottak már, az agy örömkeltő központjaiban vannak.
09:20
Now we've shown that a brief activation of these
234
545000
2000
Megmutattuk, hogy ezeknek egy rövid aktiválása
09:22
is enough, indeed, to drive learning.
235
547000
2000
elég, hogy segítse a tanulást.
09:24
Now we can generalize the idea.
236
549000
2000
Általánosíthatjuk az ötletet.
09:26
Instead of one point in the brain,
237
551000
2000
Az agy egy bizonyos pontja helyett,
09:28
we can devise devices that span the brain,
238
553000
2000
tervezhetünk eszközöket melyek átfogják az agyat,
09:30
that can deliver light into three-dimensional patterns --
239
555000
2000
és képesek három dimenzióban fényt közvetíteni --
09:32
arrays of optical fibers,
240
557000
2000
a tömbbe rendezett optikai szálak,
09:34
each coupled to its own independent miniature light source.
241
559000
2000
mindegyik a saját miniatűr fényforrásával.
09:36
And then we can try to do things in vivo
242
561000
2000
Megpróbálhatunk olyan dolgokat élőben
09:38
that have only been done to-date in a dish --
243
563000
3000
amiket eddig csakis csészében tudtunk --
09:41
like high-throughput screening throughout the entire brain
244
566000
2000
mint egy mélyreható átvilágitása az egész agynak,
09:43
for the signals that can cause certain things to happen.
245
568000
2000
olyan jelek után amik bizonyos dolgokat okoznak.
09:45
Or that could be good clinical targets
246
570000
2000
Vagy lehetnének jó klinikai célpontok is
09:47
for treating brain disorders.
247
572000
2000
az agyi rendellenességek kezelésénél.
09:49
And one story I want to tell you about
248
574000
2000
Egy történet amit szeretnék elmondani arról,
09:51
is how can we find targets for treating post-traumatic stress disorder --
249
576000
3000
hogy hogyan találhatnánk meg a módját a poszttraumatikus stressz szindróma kezelésének --
09:54
a form of uncontrolled anxiety and fear.
250
579000
3000
ami egy nem kontrollált idegesség és félelem forma.
09:57
And one of the things that we did
251
582000
2000
És egy dolog amit megtettünk az az volt,
09:59
was to adopt a very classical model of fear.
252
584000
3000
hogy egy nagyon klasszikus félelem-modelt használtunk.
10:02
This goes back to the Pavlovian days.
253
587000
3000
Ez visszanyúlik a Pavlovi időkbe.
10:05
It's called Pavlovian fear conditioning --
254
590000
2000
Úgy hívják, hogy Pavlovi félelem kondicionálás --
10:07
where a tone ends with a brief shock.
255
592000
2000
ahol a hangot egy rövid elektrosokk követ.
10:09
The shock isn't painful, but it's a little annoying.
256
594000
2000
Az elektrosokk nem fájdalmas, inkább csak idegesítő.
10:11
And over time -- in this case, a mouse,
257
596000
2000
Majd később -- ebben az esetben az egér,
10:13
which is a good animal model, commonly used in such experiments --
258
598000
2000
amely nagyon jó állat-modell, gyakran használt ilyen kísérletekben --
10:15
the animal learns to fear the tone.
259
600000
2000
az állat megtanul félni a hangtól.
10:17
The animal will react by freezing,
260
602000
2000
Az állat megdermed a hangtól,
10:19
sort of like a deer in the headlights.
261
604000
2000
ahogy a szarvas a fényszórótól.
10:21
Now the question is, what targets in the brain can we find
262
606000
3000
A kérdés az, hogy miféle célpontot találhatunk az agyban
10:24
that allow us to overcome this fear?
263
609000
2000
ami segít leküzdeni ezt a félelmet?
10:26
So what we do is we play that tone again
264
611000
2000
Tehát lejátszuk azt a hangot megint
10:28
after it's been associated with fear.
265
613000
2000
miután az asszociálódott a félelemmel.
10:30
But we activate targets in the brain, different ones,
266
615000
2000
Ugyanakkor aktiváljuk a különféle célterületeket az agyban,
10:32
using that optical fiber array I told you about in the previous slide,
267
617000
3000
használva a tömbbe rendezett optikai szálakat,
10:35
in order to try and figure out which targets
268
620000
2000
azért, hogy megtudjuk melyik célterület
10:37
can cause the brain to overcome that memory of fear.
269
622000
3000
okozhatja az agyban a félelem emlékének legyőzését.
10:40
And so this brief video
270
625000
2000
Ez a rövid videó megmutatja
10:42
shows you one of these targets that we're working on now.
271
627000
2000
az egyik ilyen célterületet amin éppen dolgozunk.
10:44
This is an area in the prefrontal cortex,
272
629000
2000
Ez a terület a prefrontális agykéregben van,
10:46
a region where we can use cognition to try to overcome aversive emotional states.
273
631000
3000
ahol az ismeretet használva próbáljuk legyőzni az ellenséges érzelmi állapotokat.
10:49
And the animal's going to hear a tone -- and a flash of light occurred there.
274
634000
2000
Az állat hallani fogja a hangot -- majd ott felvillant a fény.
10:51
There's no audio on this, but you can see the animal's freezing.
275
636000
2000
Itt most nem lesz hang, de láthatják, hogy az állat megdermed.
10:53
This tone used to mean bad news.
276
638000
2000
Ez a hang rosszat szokott jelenteni.
10:55
And there's a little clock in the lower left-hand corner,
277
640000
2000
És van egy kicsi óra az bal alsó sarokban,
10:57
so you can see the animal is about two minutes into this.
278
642000
3000
és láthatják, hogy az állat két perce van így.
11:00
And now this next clip
279
645000
2000
Most pedig itt van a következő klipp,
11:02
is just eight minutes later.
280
647000
2000
csak nyolc perccel később.
11:04
And the same tone is going to play, and the light is going to flash again.
281
649000
3000
Ugyanaz a hang fog szólni most is, és a fény is fel fog villanni.
11:07
Okay, there it goes. Right now.
282
652000
3000
Rendben, most indul. Éppen most.
11:10
And now you can see, just 10 minutes into the experiment,
283
655000
3000
És láthatják is, csak tíz perce megy a kísérlet,
11:13
that we've equipped the brain by photoactivating this area
284
658000
3000
ahol a fénnyel való aktiválás folyik az agynak eme területén,
11:16
to overcome the expression
285
661000
2000
hogy legyőzzük a a félelem
11:18
of this fear memory.
286
663000
2000
emlékének kifejeződését.
11:20
Now over the last couple of years, we've gone back to the tree of life
287
665000
3000
Az elmúlt néhány évben visszatértünk az élet fájához,
11:23
because we wanted to find ways to turn circuits in the brain off.
288
668000
3000
mert kerestünk módokat az agyi áramkörök kikapcsolására.
11:26
If we could do that, this could be extremely powerful.
289
671000
3000
Ha ezt meg tudnánk tenni, akkor ez hatalmas dolog lenne.
11:29
If you can delete cells just for a few milliseconds or seconds,
290
674000
3000
Ha tudnánk sejteket kikapcsolni , akár néhány ezredmásodpercre vagy másodpercre,
11:32
you can figure out what necessary role they play
291
677000
2000
akkor rájöhetnénk, hogy milyen szerepet játszanak
11:34
in the circuits in which they're embedded.
292
679000
2000
az áramkörökben, ahova be vannak épülve.
11:36
And we've now surveyed organisms from all over the tree of life --
293
681000
2000
És most már felmértük az organizmusokat az egész életfáról --
11:38
every kingdom of life except for animals, we see slightly differently.
294
683000
3000
és az élet minden területét egy kicsit másként látjuk, kivéve az állatokét.
11:41
And we found all sorts of molecules, they're called halorhodopsins or archaerhodopsins,
295
686000
3000
És találtunk mindenféle molekulát, halorhodopsinokat vagy archaerhodopsinokat,
11:44
that respond to green and yellow light.
296
689000
2000
amik a zöld és sárga fényre reagálnak.
11:46
And they do the opposite thing of the molecule I told you about before
297
691000
2000
Pontosan az ellenkezőjét csinálják mint az előbb említett molekula,
11:48
with the blue light activator channelrhodopsin.
298
693000
3000
a kék fény aktiválására képes csatorna-rodopszin.
11:52
Let's give an example of where we think this is going to go.
299
697000
3000
Nézzünk meg egy példát arra, hogy ez az egész merre tarthat.
11:55
Consider, for example, a condition like epilepsy,
300
700000
3000
Vegyünk például egy állapotot mint az epilepszia,
11:58
where the brain is overactive.
301
703000
2000
amikor az agy túlzottan tevékeny.
12:00
Now if drugs fail in epileptic treatment,
302
705000
2000
Ha a gyógyszer nem hat az epilepszia kezelése során,
12:02
one of the strategies is to remove part of the brain.
303
707000
2000
egy stratégia lehet az agy egy részének eltávolítása.
12:04
But that's obviously irreversible, and there could be side effects.
304
709000
2000
Ez természetesen egy visszafordíthatatlan folyamat, és lehetnek mellékhatásai.
12:06
What if we could just turn off that brain for a brief amount of time,
305
711000
3000
Mi lenne, ha ki tudnánk kapcsolni az agy azon részét egy rövid időre,
12:09
until the seizure dies away,
306
714000
3000
amíg a roham meg nem szűnik,
12:12
and cause the brain to be restored to its initial state --
307
717000
3000
és az agy vissza állítódna az eredeti állapotába --
12:15
sort of like a dynamical system that's being coaxed down into a stable state.
308
720000
3000
mint egyfajta dinamikus rendszer ami visszakerülne a stabil állapotába.
12:18
So this animation just tries to explain this concept
309
723000
3000
Ez az animáció megpróbálja elmagyarázni ezt a koncepciót,
12:21
where we made these cells sensitive to being turned off with light,
310
726000
2000
amiben ezeket a sejteket fényérzékennyé tettük,
12:23
and we beam light in,
311
728000
2000
majd fényt irányítottunk rá,
12:25
and just for the time it takes to shut down a seizure,
312
730000
2000
csak arra az időre amíg a roham megszűnik,
12:27
we're hoping to be able to turn it off.
313
732000
2000
reméljük, hogy ki tudnánk kapcsolni őket.
12:29
And so we don't have data to show you on this front,
314
734000
2000
Sajnos nincsen adatunk amit itt most meg tudnánk mutatni,
12:31
but we're very excited about this.
315
736000
2000
de már nagyon izgatottak vagyunk ez ügyben.
12:33
Now I want to close on one story,
316
738000
2000
Most szeretném lezárni az egyik történetet,
12:35
which we think is another possibility --
317
740000
2000
ami szerintünk egy másik lehetőség --
12:37
which is that maybe these molecules, if you can do ultra-precise control,
318
742000
2000
ahol ezek a molekulák, ha képesek vagyunk az ultra-precíz kontrollra,
12:39
can be used in the brain itself
319
744000
2000
használhatóak lennének magában az agyban,
12:41
to make a new kind of prosthetic, an optical prosthetic.
320
746000
3000
mint egy új fajta protézis, egy optikai protézis.
12:44
I already told you that electrical stimulators are not uncommon.
321
749000
3000
Már mondtam, hogy az elektromos stimulálás egyáltalán nem ritka.
12:47
Seventy-five thousand people have Parkinson's deep-brain stimulators implanted.
322
752000
3000
75,000 Parkinson kóros embernek van mélyagyi stimulátor beultetve.
12:50
Maybe 100,000 people have Cochlear implants,
323
755000
2000
Talán 100,000 embernek van Cochlear implantátuma,
12:52
which allow them to hear.
324
757000
2000
ami lehetővé teszi, hogy halljanak.
12:54
There's another thing, which is you've got to get these genes into cells.
325
759000
3000
És van egy másik haszna annak, hogy ezeket a géneket bejuttatjuk a sejtekbe.
12:57
And new hope in gene therapy has been developed
326
762000
3000
És kifejlődött egy új remény a gén terápiában
13:00
because viruses like the adeno-associated virus,
327
765000
2000
mert olyan vírusokat mint például az adeno-asszociált vírus --
13:02
which probably most of us around this room have,
328
767000
2000
ami talán többségünknek megvan itt a teremben,
13:04
and it doesn't have any symptoms,
329
769000
2000
és nincs semmi tünete --
13:06
which have been used in hundreds of patients
330
771000
2000
több száz páciensnél használtak már,
13:08
to deliver genes into the brain or the body.
331
773000
2000
hogy géneket jutassanak az agyba vagy a testbe.
13:10
And so far, there have not been serious adverse events
332
775000
2000
Ezidáig, nem volt semmilyen súlyos ellenhatás
13:12
associated with the virus.
333
777000
2000
ezzel a vírussal kapcsolatosan.
13:14
There's one last elephant in the room, the proteins themselves,
334
779000
3000
Van egy utolsó nyilvánvaló igazság: maguk a fehérjék,
13:17
which come from algae and bacteria and fungi,
335
782000
2000
amik algákból és baktériumokból és gombákból származnak,
13:19
and all over the tree of life.
336
784000
2000
meg mindenhonnan az életfáról.
13:21
Most of us don't have fungi or algae in our brains,
337
786000
2000
A többségünknek nincs gomba vagy alga az agyában,
13:23
so what is our brain going to do if we put that in?
338
788000
2000
vajon mit fog csinálni az agyunk ha ilyeneket teszünk bele?
13:25
Are the cells going to tolerate it? Will the immune system react?
339
790000
2000
Fogják-e a sejtek tolerálni? Fog-e az immunrendszer reagálni?
13:27
In its early days -- these have not been done on humans yet --
340
792000
2000
A kezdeti szakaszban -- ez még nem lett végrehajtva embereken --
13:29
but we're working on a variety of studies
341
794000
2000
de különböző tanulmányokon dolgozunk,
13:31
to try and examine this,
342
796000
2000
hogy megvizsgálhassuk ezt.
13:33
and so far we haven't seen overt reactions of any severity
343
798000
3000
Mostanáig nem láttunk semmi komolyabb nyilvánvaló reakciót
13:36
to these molecules
344
801000
2000
ezen molekulák ellen
13:38
or to the illumination of the brain with light.
345
803000
3000
vagy az agy megvilágítása ellen.
13:41
So it's early days, to be upfront, but we're excited about it.
346
806000
3000
Még korai, hogy végleges véleményt mondjunk, de nagyon izgatottak vagyunk miatta.
13:44
I wanted to close with one story,
347
809000
2000
Egy történettel akartam befejezni,
13:46
which we think could potentially
348
811000
2000
ami szerintünk lehetne egy
13:48
be a clinical application.
349
813000
2000
klinikai jellegű felhasználás.
13:50
Now there are many forms of blindness
350
815000
2000
Sokféle vakság létezik
13:52
where the photoreceptors,
351
817000
2000
ahol a fényérzékelők
13:54
our light sensors that are in the back of our eye, are gone.
352
819000
3000
amik a szemünkben vannak hátul, elhalnak.
13:57
And the retina, of course, is a complex structure.
353
822000
2000
És a retina, természetesen, egy bonyolult struktúra.
13:59
Now let's zoom in on it here, so we can see it in more detail.
354
824000
2000
Most közelítsünk rá, hogy részletesebben is lássuk.
14:01
The photoreceptor cells are shown here at the top,
355
826000
3000
A fényérzékelő sejtek itt vannak felül,
14:04
and then the signals that are detected by the photoreceptors
356
829000
2000
majd a fényérzékelők által észlelt jeleket
14:06
are transformed by various computations
357
831000
2000
változatos számításokkal átváltoztatják,
14:08
until finally that layer of cells at the bottom, the ganglion cells,
358
833000
3000
amíg végül az az alsó sejtréteg, a ganglion sejtek,
14:11
relay the information to the brain,
359
836000
2000
közvetítik az információt az agynak,
14:13
where we see that as perception.
360
838000
2000
ahol mi érzékeljuk azt.
14:15
In many forms of blindness, like retinitis pigmentosa,
361
840000
3000
Sokféle vakság esetében, mint például a retinitis pigmentosa,
14:18
or macular degeneration,
362
843000
2000
vagy a sárgafolt elfajulás,
14:20
the photoreceptor cells have atrophied or been destroyed.
363
845000
3000
a fényérzékelő sejtek sorvadnak vagy pusztulnak el.
14:23
Now how could you repair this?
364
848000
2000
Hogyan lehetne megjavítani ezeket?
14:25
It's not even clear that a drug could cause this to be restored,
365
850000
3000
Még az sem világos hogy egy gyógyszer képes lenne-e helyrehozni,
14:28
because there's nothing for the drug to bind to.
366
853000
2000
mert nincs semmi amihez a gyógyszer kötődni tudna.
14:30
On the other hand, light can still get into the eye.
367
855000
2000
Másrészről, a fény még képes bejutni a szembe.
14:32
The eye is still transparent and you can get light in.
368
857000
3000
A szem még mindig átlátszó és így a fény behatolhat.
14:35
So what if we could just take these channelrhodopsins and other molecules
369
860000
3000
Mi történne, ha fognánk ezeket a csatorna-rodopszinokat és más molekulákat
14:38
and install them on some of these other spare cells
370
863000
2000
és elhelyeznénk őket ezekbe a megmaradt sejtekbe
14:40
and convert them into little cameras.
371
865000
2000
és átalakítanánk őket kicsi fényképezőgépekké.
14:42
And because there's so many of these cells in the eye,
372
867000
2000
És mert olyan sok van belőlük a szemben,
14:44
potentially, they could be very high-resolution cameras.
373
869000
3000
elvileg alkothatnának akár egy magas felbontású fényképezőgépet.
14:47
So this is some work that we're doing.
374
872000
2000
Szóval ilyenfajta dolgokon munkálkodunk.
14:49
It's being led by one of our collaborators,
375
874000
2000
Egy munkatársunk vezeti mindezt,
14:51
Alan Horsager at USC,
376
876000
2000
Alan Horsager az USC-nél,
14:53
and being sought to be commercialized by a start-up company Eos Neuroscience,
377
878000
3000
és kereskedelmi forgalomba hozná majd egy induló cég, az Eos Neuroscience,
14:56
which is funded by the NIH.
378
881000
2000
amit a NIH támogat.
14:58
And what you see here is a mouse trying to solve a maze.
379
883000
2000
Itt egy egér megpróbál megoldani egy labirintus-problémát.
15:00
It's a six-arm maze. And there's a bit of water in the maze
380
885000
2000
Ez egy hat ágú labirintus. És van egy kis víz is ebben a labirintusban,
15:02
to motivate the mouse to move, or he'll just sit there.
381
887000
2000
hogy az egeret motíválja valami, különben csak ülne ott.
15:04
And the goal, of course, of this maze
382
889000
2000
A célja ennek a labirintusnak, természetesen,
15:06
is to get out of the water and go to a little platform
383
891000
2000
az hogy kikerüljön a vízből a szárazra,
15:08
that's under the lit top port.
384
893000
2000
ami a fény alatti rész.
15:10
Now mice are smart, so this mouse solves the maze eventually,
385
895000
3000
Nos, az egerek okosak, ezért ő megoldja a labirintust végül,
15:13
but he does a brute-force search.
386
898000
2000
de végig próbálva az összes lehetőséget.
15:15
He's swimming down every avenue until he finally gets to the platform.
387
900000
3000
Leúszik mindegyik ágon amíg meg nem találja a száraz alapzatot.
15:18
So he's not using vision to do it.
388
903000
2000
Szóval nem használja a látását ehhez.
15:20
These different mice are different mutations
389
905000
2000
Ezek a különböző egerek különböző mutációk,
15:22
that recapitulate different kinds of blindness that affect humans.
390
907000
3000
amik különböző fajta, az embereket is érintő, vakságtól szenvednek.
15:25
And so we're being careful in trying to look at these different models
391
910000
3000
Tehát óvatosak próbálunk lenni amikor nézegetjük ezeket a különböző modelleket,
15:28
so we come up with a generalized approach.
392
913000
2000
és végül találtunk egy általános megközelítést.
15:30
So how are we going to solve this?
393
915000
2000
Hogyan is fogjuk megoldani ezt?
15:32
We're going to do exactly what we outlined in the previous slide.
394
917000
2000
Pontosan azt csináljuk amit vázoltunk az előző képen.
15:34
We're going to take these blue light photosensors
395
919000
2000
Fogjuk ezeket a kék fény érzékelőket
15:36
and install them on a layer of cells
396
921000
2000
és telepítjük őket egy sejtrétegbe
15:38
in the middle of the retina in the back of the eye
397
923000
3000
a retina középen, a szem belsejében
15:41
and convert them into a camera --
398
926000
2000
és fényképezőgéppé változtatjuk őket.
15:43
just like installing solar cells all over those neurons
399
928000
2000
Pont úgy mintha napelemeket telepítenénk mindenfele az idegsejtekben,
15:45
to make them light sensitive.
400
930000
2000
hogy fényérzékenyekké váljanak.
15:47
Light is converted to electricity on them.
401
932000
2000
A fény elektromossággá alakul bennük.
15:49
So this mouse was blind a couple weeks before this experiment
402
934000
3000
Szóval ez az egér vak volt néhány héttel a kísérlet előtt
15:52
and received one dose of this photosensitive molecule in a virus.
403
937000
3000
és kapott egy dózis fényérzékeny molekulákat tartalmazó vírust.
15:55
And now you can see, the animal can indeed avoid walls
404
940000
2000
És most már látható, hogy az állat képes elkerülni a falakat
15:57
and go to this little platform
405
942000
2000
és megy egyenesen a száraz területre
15:59
and make cognitive use of its eyes again.
406
944000
3000
és kognitiv módon használja újra a szemét.
16:02
And to point out the power of this:
407
947000
2000
És a módszer ereje abban van,
16:04
these animals are able to get to that platform
408
949000
2000
hogy ezek az állatok képesek a platformra jutni
16:06
just as fast as animals that have seen their entire lives.
409
951000
2000
éppoly gyorsan mint az állatok akik egész életükben láttak.
16:08
So this pre-clinical study, I think,
410
953000
2000
Szerintem ezek az elő-klinikai tanulmány
16:10
bodes hope for the kinds of things
411
955000
2000
reményt jósolhat azoknak a dolgoknak
16:12
we're hoping to do in the future.
412
957000
2000
amiket remélünk, hogy végre tudunk hajtani a jövőben.
16:14
To close, I want to point out that we're also exploring
413
959000
3000
Végül, szeretném kiemelni, hogy szintén próbálunk találni
16:17
new business models for this new field of neurotechnology.
414
962000
2000
új üzleti modelleket ehhez az új neurotechnológiai területhez.
16:19
We're developing these tools,
415
964000
2000
Fejlesztjük ezeket a módszereket,
16:21
but we share them freely with hundreds of groups all over the world,
416
966000
2000
de megosztjuk őket szabadon több száz csapattal mindenfelé a világon,
16:23
so people can study and try to treat different disorders.
417
968000
2000
így az emberek kipróbálhatják a különböző gyógymódokat a rendelleneségekre.
16:25
And our hope is that, by figuring out brain circuits
418
970000
3000
Reményünk az, hogy megértvén az agyunkban lévő áramköröket
16:28
at a level of abstraction that lets us repair them and engineer them,
419
973000
3000
egy elvont szinten ami lehetővé teszi számunkra, hogy megjavítsuk és tervezzük őket,
16:31
we can take some of these intractable disorders that I told you about earlier,
420
976000
3000
és vehetjük ezeket a konok betegségeket amikről beszéltünk már korábban,
16:34
practically none of which are cured,
421
979000
2000
melyek gyakorlatilag gyógyíthatatlanok,
16:36
and in the 21st century make them history.
422
981000
2000
és a 21-ik században múlttá tegyük őket.
16:38
Thank you.
423
983000
2000
Köszönöm.
16:40
(Applause)
424
985000
13000
(Taps)
16:53
Juan Enriquez: So some of the stuff is a little dense.
425
998000
3000
Juan Enriquesz: Szóval néhány dolog elég sűrű volt.
16:56
(Laughter)
426
1001000
2000
(Nevetés)
16:58
But the implications
427
1003000
2000
De a jelentősége
17:00
of being able to control seizures or epilepsy
428
1005000
3000
a képességnek, hogy a szélütés vagy az epilepszia kontrollálható lenne
17:03
with light instead of drugs,
429
1008000
2000
gyógyszerek helyett fény által,
17:05
and being able to target those specifically
430
1010000
3000
és képessé válni arra, hogy ezeket specifikusan megcélozhassuk,
17:08
is a first step.
431
1013000
2000
az egy első lépés.
17:10
The second thing that I think I heard you say
432
1015000
2000
A második dolog amit gondolom mondtál,
17:12
is you can now control the brain in two colors,
433
1017000
3000
hogy az agy kontrolálható két fény által,
17:15
like an on/off switch.
434
1020000
2000
mint egy ki/be kapcsoló.
17:17
Ed Boyden: That's right.
435
1022000
2000
Ed Boyden: Így van.
17:19
JE: Which makes every impulse going through the brain a binary code.
436
1024000
3000
JE: Ami minden minden agyi impulzust bináris kóddá tesz.
17:22
EB: Right, yeah.
437
1027000
2000
EB: Pontosan.
17:24
So with blue light, we can drive information, and it's in the form of a one.
438
1029000
3000
Szóval a kék fénnyel, információt vezetünk, ami az egyes formája.
17:27
And by turning things off, it's more or less a zero.
439
1032000
2000
A kikapcsolásával pedig többé-kevésbé zéró.
17:29
So our hope is to eventually build brain coprocessors
440
1034000
2000
Reményünk szerint végül is építenénk egy kisegítő agy-processzort
17:31
that work with the brain
441
1036000
2000
ami az aggyal együtt dolgozna,
17:33
so we can augment functions in people with disabilities.
442
1038000
3000
szóval így tudnánk fokozni a funkciókat a rokkantakban.
17:36
JE: And in theory, that means that,
443
1041000
2000
JE: És elméletben ez azt jelenti,
17:38
as a mouse feels, smells,
444
1043000
2000
hogy amit egy egér érez, szagol,
17:40
hears, touches,
445
1045000
2000
hall, tapogat,
17:42
you can model it out as a string of ones and zeros.
446
1047000
3000
lemodellezhetjük mint egyesek és zérók sorozata.
17:45
EB: Sure, yeah. We're hoping to use this as a way of testing
447
1050000
2000
EB: Úgy van. Reméljük, hogy ezt használva kiderítjük
17:47
what neural codes can drive certain behaviors
448
1052000
2000
melyik idegi kódok vezérelnek bizonyos viselkedéseket
17:49
and certain thoughts and certain feelings,
449
1054000
2000
és bizonyos gondolatokat és bizonyos érzéseket,
17:51
and use that to understand more about the brain.
450
1056000
3000
és ezt arra használni hogy jobban megértsük az agy müködését.
17:54
JE: Does that mean that some day you could download memories
451
1059000
3000
JE: Ez jelentheti-e vajon azt, hogy egy nap le tudnánk tölteni az emlékeket
17:57
and maybe upload them?
452
1062000
2000
és talán feltölteni is?
17:59
EB: Well that's something we're starting to work on very hard.
453
1064000
2000
EB: Hát ezen nagyon keményen kezdtünk el dolgozni.
18:01
We're now working on some work
454
1066000
2000
Most éppen dolgozunk valamin
18:03
where we're trying to tile the brain with recording elements too.
455
1068000
2000
ahol megpróbáljuk beburkolni az agyat felvevő egységekkel is.
18:05
So we can record information and then drive information back in --
456
1070000
3000
Így rögzíthetjük az információt majd vissza közvetítenénk azt --
18:08
sort of computing what the brain needs
457
1073000
2000
mintegy kiszámolva mire van szüksége az agynak,
18:10
in order to augment its information processing.
458
1075000
2000
azért, hogy javítsuk az információ feldolgozó képességét.
18:12
JE: Well, that might change a couple things. Thank you. (EB: Thank you.)
459
1077000
3000
JE: Hát, ez lehet hogy néhány dolgot meg fog változtatni. Köszönöm. (EB: Köszönöm.)
18:15
(Applause)
460
1080000
3000
(Taps)
ABOUT THE SPEAKER
Ed Boyden - NeuroengineerEd Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute.
Why you should listen
Ed Boyden leads the Synthetic Neurobiology Group, which develops tools for analyzing and repairing complex biological systems such as the brain. His group applies these tools in a systematic way in order to reveal ground truth scientific understandings of biological systems, which in turn reveal radical new approaches for curing diseases and repairing disabilities. These technologies include expansion microscopy, which enables complex biological systems to be imaged with nanoscale precision, and optogenetic tools, which enable the activation and silencing of neural activity with light (TED Talk: A light switch for neurons). Boyden also co-directs the MIT Center for Neurobiological Engineering, which aims to develop new tools to accelerate neuroscience progress.
Amongst other recognitions, Boyden has received the Breakthrough Prize in Life Sciences (2016), the BBVA Foundation Frontiers of Knowledge Award (2015), the Carnegie Prize in Mind and Brain Sciences (2015), the Jacob Heskel Gabbay Award (2013), the Grete Lundbeck Brain Prize (2013) and the NIH Director's Pioneer Award (2013). He was also named to the World Economic Forum Young Scientist list (2013) and the Technology Review World's "Top 35 Innovators under Age 35" list (2006). His group has hosted hundreds of visitors to learn how to use new biotechnologies and spun out several companies to bring inventions out of his lab and into the world. Boyden received his Ph.D. in neurosciences from Stanford University as a Hertz Fellow, where he discovered that the molecular mechanisms used to store a memory are determined by the content to be learned. Before that, he received three degrees in electrical engineering, computer science and physics from MIT. He has contributed to over 300 peer-reviewed papers, current or pending patents and articles, and he has given over 300 invited talks on his group's work.
Ed Boyden | Speaker | TED.com