TEDMED 2017
Steve McCarroll: How data is helping us unravel the mysteries of the brain
Steve McCarroll: Hogyan segítenek az adatok az agy rejtelmeinek feltárásában
Filmed:
Readability: 4.8
1,529,178 views
Genetikusként Steve McCarroll fő célja az emberi testben, elsősorban az agyban található sejtek feltérképezése és működési mechanizmusainak megértése. Ebben az izgalmas és rendkívüli előadásában megosztja velünk, csapata felfedezéseit; beleértve az általuk kifejlesztett "Drop-seq" technológiát, ami lehetővé teszi a nagy mennyiségben jelenlévő különféle sejtek tanulmányozását egy eddig ismeretlen módon, ami kapukat nyithat olyan mentális betegségek kezelések előtt, mint például a skizofrénia.
Steve McCarroll - Geneticist
Steve McCarroll is conducting groundbreaking research on the causes of mental illness. Full bio
Steve McCarroll is conducting groundbreaking research on the causes of mental illness. Full bio
Double-click the English transcript below to play the video.
00:12
Nine years ago,
0
785
1704
Kilenc évvel ezelőtt
00:14
my sister discovered lumps
in her neck and arm
in her neck and arm
1
2513
3101
a nővérem csomókat fedezett fel
nyakán és karjában.
nyakán és karjában.
00:17
and was diagnosed with cancer.
2
5638
1760
A diagnózisból kiderült, hogy rákos.
00:20
From that day, she started to benefit
3
8985
3199
Attól a naptól kezdve
hasznára vált az ismeret,
hasznára vált az ismeret,
00:24
from the understanding
that science has of cancer.
that science has of cancer.
4
12208
3115
amit a tudomány tartott a rákról.
00:28
Every time she went to the doctor,
5
16206
2099
Minden alkalommal az orvos
00:30
they measured specific molecules
6
18329
2194
megmérte azon molekuláknak a számát,
00:32
that gave them information
about how she was doing
about how she was doing
7
20547
2881
melyek meghatározták az állapotát
00:35
and what to do next.
8
23452
1309
és a következő lépést.
00:38
New medical options
became available every few years.
became available every few years.
9
26095
3666
Új gyógyászati lehetőségek váltak
elérhetővé évről évre.
elérhetővé évről évre.
00:43
Everyone recognized
that she was struggling heroically
that she was struggling heroically
10
31070
4318
Mindenki látta, hogy hősiesen küzd
00:47
with a biological illness.
11
35412
1728
ezzel a biológiai betegséggel.
00:50
This spring, she received
an innovative new medical treatment
an innovative new medical treatment
12
38847
3657
Tavasszal egy klinikai kísérlet részeként
lehetősége volt egy új és innovatív
lehetősége volt egy új és innovatív
00:54
in a clinical trial.
13
42528
1202
kezelés kipróbálására.
00:55
It dramatically knocked back her cancer.
14
43754
2224
A kezelésnek hála a tumor visszahúzódott.
00:59
Guess who I'm going to spend
this Thanksgiving with?
this Thanksgiving with?
15
47446
2552
Tippeljenek, kivel fogom
tölteni a Hálaadást?
tölteni a Hálaadást?
01:02
My vivacious sister,
16
50022
2267
Az életerős testvéremmel,
01:04
who gets more exercise than I do,
17
52313
2629
aki fizikailag aktívabb nálam,
01:06
and who, like perhaps
many people in this room,
many people in this room,
18
54966
2859
és aki - mint ahogy néhány ember
itt ebben a teremben -
itt ebben a teremben -
01:09
increasingly talks about a lethal illness
19
57849
2292
múlt időben beszél
01:12
in the past tense.
20
60165
1263
egy halálos betegségről.
01:14
Science can, in our lifetimes --
even in a decade --
even in a decade --
21
62614
3863
A tudomány, a mi életünkben,
akár tíz éven belül átalakíthatja,
akár tíz éven belül átalakíthatja,
01:18
transform what it means
to have a specific illness.
to have a specific illness.
22
66501
3207
mit is jelent egy bizonyos
betegségben szenvedni.
betegségben szenvedni.
01:24
But not for all illnesses.
23
72055
1534
De nem mindegyikre igaz ez.
01:27
My friend Robert and I
were classmates in graduate school.
were classmates in graduate school.
24
75375
3722
A barátommal, Roberttel
osztálytársak voltunk középiskolába.
osztálytársak voltunk középiskolába.
01:31
Robert was smart,
25
79121
1801
Robert intelligens volt,
01:32
but with each passing month,
26
80946
1477
de ahogy teltek a hónapok,
01:34
his thinking seemed to become
more disorganized.
more disorganized.
27
82447
3154
a gondolkodása egyre zavarodottabbá vált.
01:38
He dropped out of school,
got a job in a store ...
got a job in a store ...
28
86241
3198
Az iskolát otthagyta,
és egy boltban kezdett el dolgozni.
és egy boltban kezdett el dolgozni.
01:41
But that, too, became too complicated.
29
89463
2218
De a munka is bonyolulttá vált.
01:44
Robert became fearful and withdrawn.
30
92559
2945
Robert félőssé és elszigetelté vált.
01:48
A year and a half later,
he started hearing voices
he started hearing voices
31
96281
2381
Másfél évvel később
hangokat kezdett hallani,
hangokat kezdett hallani,
01:50
and believing that people
were following him.
were following him.
32
98686
2197
és azt képzelte, hogy követik őt.
01:52
Doctors diagnosed him with schizophrenia,
33
100907
2722
Skizofréniával diagnosztizálták,
01:55
and they gave him
the best drug they could.
the best drug they could.
34
103653
2120
és a létező legjobb gyógyszert kapta,
01:57
That drug makes the voices
somewhat quieter,
somewhat quieter,
35
105797
3008
ami csendesítette a belső hangokat,
02:00
but it didn't restore his bright mind
or his social connectedness.
or his social connectedness.
36
108829
3989
de nem sikerült visszaállítani briliáns
elméjét, és javítani társas kapcsolatain.
elméjét, és javítani társas kapcsolatain.
02:06
Robert struggled to remain connected
37
114270
1856
Robert próbált kapcsolatban maradni
02:08
to the worlds of school
and work and friends.
and work and friends.
38
116150
2857
az iskola világával,
a munkával és barátaival,
a munkával és barátaival,
02:11
He drifted away,
39
119031
1383
de az élete lassan kisiklott,
02:12
and today I don't know where to find him.
40
120438
2285
ma pedig azt sem tudom, hol keressem.
02:15
If he watches this,
41
123593
1479
Ha most néz,
02:17
I hope he'll find me.
42
125962
1628
remélem felkeres.
02:22
Why does medicine have
so much to offer my sister,
so much to offer my sister,
43
130639
4107
Miért segített a gyógyszer testvéremnek,
02:27
and so much less to offer
millions of people like Robert?
millions of people like Robert?
44
135540
4210
de miért nem több millió
olyan embernek, mint Robert?
olyan embernek, mint Robert?
02:32
The need is there.
45
140952
1290
Van rá igény.
02:34
The World Health Organization
estimates that brain illnesses
estimates that brain illnesses
46
142266
3153
A WHO adatai szerint az agy betegségei,
02:37
like schizophrenia, bipolar disorder
and major depression
and major depression
47
145443
4115
mint pl. skizofrénia,
bipoláris zavar vagy depresszió,
bipoláris zavar vagy depresszió,
02:41
are the world's largest cause
of lost years of life and work.
of lost years of life and work.
48
149582
4971
a legnagyobb mértékben
rabolja el az éveket az embertől.
rabolja el az éveket az embertől.
02:47
That's in part because these illnesses
often strike early in life,
often strike early in life,
49
155807
3561
Ugyanis ezek gyakran korán jelentkeznek,
02:51
in many ways, in the prime of life,
50
159392
2181
sokszor a nagybetűs élet kezdetén,
02:53
just as people are finishing
their educations, starting careers,
their educations, starting careers,
51
161597
4464
a tanulmányok befejezésével
a karrierkezdés, a kapcsolatok
a karrierkezdés, a kapcsolatok
02:58
forming relationships and families.
52
166085
2279
és családalapítás idején.
03:00
These illnesses can result in suicide;
53
168388
2829
Ezek a betegségek
öngyilkossággal is végződhetnek,
öngyilkossággal is végződhetnek,
03:03
they often compromise one's ability
to work at one's full potential;
to work at one's full potential;
54
171907
4567
és akadályozzák a beteget
maximális teljesítményének elérésében;
maximális teljesítményének elérésében;
03:09
and they're the cause of so many
tragedies harder to measure:
tragedies harder to measure:
55
177767
3455
emellett okozói megszámlálhatatlan
számú tragédiának:
számú tragédiának:
03:13
lost relationships and connections,
56
181246
2438
elveszett kapcsolatok és kötelékek,
03:15
missed opportunities
to pursue dreams and ideas.
to pursue dreams and ideas.
57
183708
3039
kihagyott lehetőségek az álmok elérésére.
03:19
These illnesses limit human possibilities
58
187533
3005
Ezek a fajta betegségek
oly módon korlátoznak minket,
oly módon korlátoznak minket,
03:22
in ways we simply cannot measure.
59
190562
2154
hogy az mérhetetlen.
03:27
We live in an era in which
there's profound medical progress
there's profound medical progress
60
195493
4016
Egy mélyreható orvostudományi
fejlődés korában élünk
fejlődés korában élünk
03:31
on so many other fronts.
61
199533
1811
mindenféle fronton.
03:33
My sister's cancer story
is a great example,
is a great example,
62
201368
2547
A testvérem betegségének
története nagyszerű példa,
története nagyszerű példa,
03:35
and we could say the same
of heart disease.
of heart disease.
63
203939
2062
és így van ez a szívmegbetegedéseknél is.
03:38
Drugs like statins will prevent
millions of heart attacks and strokes.
millions of heart attacks and strokes.
64
206025
3585
Gyógyszerek, mint a statins, milliókat
mentenek meg a szívrohamtól.
mentenek meg a szívrohamtól.
03:43
When you look at these areas
of profound medical progress
of profound medical progress
65
211047
2945
Amikor ezt a mélyreható fejlődést
nézzük az egészségügyben
nézzük az egészségügyben
03:46
in our lifetimes,
66
214016
1464
életünk során,
03:47
they have a narrative in common:
67
215504
1674
narratívájukban közös:
03:50
scientists discovered molecules
that matter to an illness,
that matter to an illness,
68
218067
4548
a tudósok a betegségre nézve
fontos molekulákat fedeztek fel,
fontos molekulákat fedeztek fel,
03:54
they developed ways to detect
and measure those molecules in the body,
and measure those molecules in the body,
69
222639
4679
és kialakítottak módokat
ezen molekulák felismerésére és mérésére,
ezen molekulák felismerésére és mérésére,
04:00
and they developed ways
to interfere with those molecules
to interfere with those molecules
70
228492
2778
valamint azok megállítására
04:03
using other molecules -- medicines.
71
231294
2048
más molekulákkal, azaz gyógyszerekkel.
04:05
It's a strategy that has worked
again and again and again.
again and again and again.
72
233921
4020
Ez egy stratégia,
ami folyamatos sikerrel járt.
ami folyamatos sikerrel járt.
04:11
But when it comes to the brain,
that strategy has been limited,
that strategy has been limited,
73
239403
3642
De az agy esetében
az eszközeink korlátozottak,
az eszközeink korlátozottak,
04:15
because today, we don't know
nearly enough, yet,
nearly enough, yet,
74
243069
4602
mert még nem tudunk eleget arról,
04:19
about how the brain works.
75
247695
1852
hogyan is működik az agy.
04:22
We need to learn which of our cells
matter to each illness,
matter to each illness,
76
250526
4266
Fel kell ismernünk, mely sejtek
játszanak szerepet az egyes betegségeknél,
játszanak szerepet az egyes betegségeknél,
04:26
and which molecules in those cells
matter to each illness.
matter to each illness.
77
254816
3570
illetve mely molekulái
vezetnek a betegség kialakulásához.
vezetnek a betegség kialakulásához.
04:31
And that's the mission
I want to tell you about today.
I want to tell you about today.
78
259058
2651
Ez az a küldetés,
amiről szeretnék ma beszélni.
amiről szeretnék ma beszélni.
04:34
My lab develops technologies
with which we try to turn the brain
with which we try to turn the brain
79
262781
3809
A laboratóriumom technológiákat fejleszt,
amivel az agyat megpróbáljuk
amivel az agyat megpróbáljuk
04:38
into a big-data problem.
80
266614
1700
adathalmazként kezelni.
04:40
You see, before I became a biologist,
I worked in computers and math,
I worked in computers and math,
81
268338
3536
Informatikával és számtannal
foglalkoztam biológusi pályám előtt,
foglalkoztam biológusi pályám előtt,
04:43
and I learned this lesson:
82
271898
1324
és egyet megtanultam:
04:46
wherever you can collect vast amounts
of the right kinds of data
of the right kinds of data
83
274365
4184
Ha nagy mennyiségben
tudunk használható adatot gyűjteni
tudunk használható adatot gyűjteni
04:50
about the functioning of a system,
84
278573
2030
egy adott rendszer működéséről,
04:53
you can use computers in powerful new ways
85
281365
3618
akkor a technológia számos hatékony
lehetőséggel szolgál
lehetőséggel szolgál
04:57
to make sense of that system
and learn how it works.
and learn how it works.
86
285007
3225
egy rendszer működésének
és mibenlétének megismeréséhez.
és mibenlétének megismeréséhez.
05:00
Today, big-data approaches
are transforming
are transforming
87
288256
2522
Ma a nagy mennyiségű
adathoz való viszonyulás
adathoz való viszonyulás
05:02
ever-larger sectors of our economy,
88
290802
2483
átalakítja szélesebb
ágazatait a gazdaságnak,
ágazatait a gazdaságnak,
05:05
and they could do the same
in biology and medicine, too.
in biology and medicine, too.
89
293309
3286
és ugyanez lehetséges a biológia
és a gyógyászat területén.
és a gyógyászat területén.
05:08
But you have to have
the right kinds of data.
the right kinds of data.
90
296619
2557
Ehhez megfelelő adatok kellenek.
05:11
You have to have data
about the right things.
about the right things.
91
299200
2259
Megfelelő adatok megfelelő dolgokról.
05:13
And that often requires
new technologies and ideas.
new technologies and ideas.
92
301917
3865
Ez pedig gyakran igényel
új technológiákat és gondolatokat.
új technológiákat és gondolatokat.
05:18
And that is the mission that animates
the scientists in my lab.
the scientists in my lab.
93
306815
3494
Ez az a küldetés, ami lelkesíti
a kutatókat laboratóriumomban.
a kutatókat laboratóriumomban.
05:23
Today, I want to tell you
two short stories from our work.
two short stories from our work.
94
311251
2974
Most meg szeretnék osztani
két rövid történetet önökkel.
két rövid történetet önökkel.
05:27
One fundamental obstacle we face
95
315427
3104
Egyik alapvető akadály előttünk,
05:30
in trying to turn the brain
into a big-data problem
into a big-data problem
96
318555
2660
hogy az agy adathalmazzá formálása során
05:33
is that our brains are composed of
and built from billions of cells.
and built from billions of cells.
97
321946
4538
az agyunkban kialakult
több milliárd sejttel kell számolnunk.
több milliárd sejttel kell számolnunk.
05:39
And our cells are not generalists;
they're specialists.
they're specialists.
98
327246
3859
Sejtjeink funkciója széles skálán mozog.
05:43
Like humans at work,
99
331129
2089
Mint az emberek a munkájukban,
05:45
they specialize into thousands
of different cellular careers,
of different cellular careers,
100
333242
5274
a sejtek is több ezer
sejtfunkció vagy pozíció
sejtfunkció vagy pozíció
05:50
or cell types.
101
338540
1367
betöltésére jelentkezhetnek.
05:52
In fact, each of
the cell types in our body
the cell types in our body
102
340796
2571
Voltaképpen minden egyes sejttípus
05:55
could probably give a lively TED Talk
103
343391
1878
tarthatna egy TED-előadást
05:57
about what it does at work.
104
345293
1542
főbb feladatairól munkájában.
06:00
But as scientists,
we don't even know today
we don't even know today
105
348422
2370
De a kutatók még mai napig nem tudják,
06:02
how many cell types there are,
106
350816
1907
hányféle sejttípus létezik,
06:04
and we don't know what the titles
of most of those talks would be.
of most of those talks would be.
107
352747
3277
és nem tudjuk azt sem, mi lenne
a sejtek előadásainak a címe.
a sejtek előadásainak a címe.
06:11
Now, we know many
important things about cell types.
important things about cell types.
108
359809
2970
Sok lényeges információnk
van a sejttípusokról.
van a sejttípusokról.
06:14
They can differ dramatically
in size and shape.
in size and shape.
109
362803
2751
Méretben és formában is
drasztikusan eltérnek.
drasztikusan eltérnek.
06:17
One will respond to a molecule
that the other doesn't respond to,
that the other doesn't respond to,
110
365578
4135
Az egyik reagál egy molekulára,
amire a másik nem.
amire a másik nem.
06:21
they'll make different molecules.
111
369737
1794
Különböző molekulákat tartalmaznak.
06:23
But science has largely
been reaching these insights
been reaching these insights
112
371555
2521
Jórészt a tudomány
eseti megoldásokat használ,
eseti megoldásokat használ,
06:26
in an ad hoc way, one cell type at a time,
113
374100
2943
a sejtek és molekulák
06:29
one molecule at a time.
114
377067
1486
megismerésére.
06:31
We wanted to make it possible to learn
all of this quickly and systematically.
all of this quickly and systematically.
115
379854
4731
Lehetővé akartuk tenni, hogy gyorsan
és szisztematikusan tanulhassunk róluk.
és szisztematikusan tanulhassunk róluk.
06:37
Now, until recently, it was the case
116
385673
1748
Mostanáig az volt a rutin,
06:39
that if you wanted to inventory
all of the molecules
all of the molecules
117
387445
3076
hogy ha leltározni akarták
az összes molekulát
az összes molekulát
06:42
in a part of the brain or any organ,
118
390545
2925
az agy vagy egyéb szerv egy részéből,
06:45
you had to first grind it up
into a kind of cellular smoothie.
into a kind of cellular smoothie.
119
393494
3954
egy sejttel teli turmixot
kellett készíteniük először.
kellett készíteniük először.
06:50
But that's a problem.
120
398678
1230
A gond itt kezdődik.
06:52
As soon as you've ground up the cells,
121
400737
2538
A sejtek felőrlése után
06:55
you can only study the contents
of the average cell --
of the average cell --
122
403299
3511
azok csak általánosságban
tanulmányozhatók,
tanulmányozhatók,
06:58
not the individual cells.
123
406834
1595
nem pedig egyenként.
07:01
Imagine if you were trying to understand
how a big city like New York works,
how a big city like New York works,
124
409182
3709
Mintha meg akarnák érteni a nagyvárosok,
pl. New York működését,
pl. New York működését,
07:04
but you could only do so
by reviewing some statistics
by reviewing some statistics
125
412915
2542
de csak néhány statisztikai adathoz lenne
07:07
about the average resident of New York.
126
415481
2029
hozzáférésük az átlagos városlakóról.
07:10
Of course, you wouldn't learn very much,
127
418637
1979
Természetesen alig tanulnának belőle,
07:12
because everything that's interesting
and important and exciting
and important and exciting
128
420640
3000
mert ami érdekes, izgalmas és fontos,
07:15
is in all the diversity
and the specializations.
and the specializations.
129
423664
2732
az a sokszínűségben
és az elkülönülésben rejlik.
és az elkülönülésben rejlik.
07:18
And the same thing is true of our cells.
130
426420
2606
És a sejtekre is ugyanez igaz.
07:21
And we wanted to make it possible to study
the brain not as a cellular smoothie
the brain not as a cellular smoothie
131
429050
4750
Lehetővé akartuk tenni,
hogy az agyat ne sejtturmixként
hogy az agyat ne sejtturmixként
07:25
but as a cellular fruit salad,
132
433824
2478
hanem gyümölcssalátaként tanulmányozzuk,
07:28
in which one could generate
data about and learn from
data about and learn from
133
436326
2604
amelyből több adat nyerhető ki,
és többet megtudhatunk
és többet megtudhatunk
07:30
each individual piece of fruit.
134
438954
1838
az egyes "gyümölcsökről".
07:34
So we developed
a technology for doing that.
a technology for doing that.
135
442253
2718
Így kifejlesztettünk egy technológiát.
07:36
You're about to see a movie of it.
136
444995
1729
Jön egy film erről most.
07:41
Here we're packaging
tens of thousands of individual cells,
tens of thousands of individual cells,
137
449477
4028
Itt csomagolunk több ezer egyedi sejtet,
07:45
each into its own tiny water droplet
138
453529
2923
mindegyiket megtartva saját környezetében,
07:48
for its own molecular analysis.
139
456476
2211
a saját molekuláris elemzésük érdekében.
07:51
When a cell lands in a droplet,
it's greeted by a tiny bead,
it's greeted by a tiny bead,
140
459921
4123
Amikor egy sejtet egy cseppbe helyezünk
egy apró vízgyöngy veszi körül,
egy apró vízgyöngy veszi körül,
07:56
and that bead delivers millions
of DNA bar code molecules.
of DNA bar code molecules.
141
464068
3694
ami milliónyi DNS-molekulát szállít,
08:01
And each bead delivers
a different bar code sequence
a different bar code sequence
142
469115
3308
mindegyik más-más vonalkód sorrendiséggel
08:04
to a different cell.
143
472447
1243
sejtenként.
08:06
We incorporate the DNA bar codes
144
474884
2581
Egyesítjük a DNA-vonalkód rendszert
08:09
into each cell's RNA molecules.
145
477489
3058
minden egyes sejt
ribonuksleinsav-molekulájával.
ribonuksleinsav-molekulájával.
08:12
Those are the molecular
transcripts it's making
transcripts it's making
146
480571
2836
Ez az adott génekből létrejövő
molekuláris átirat,
molekuláris átirat,
08:15
of the specific genes
that it's using to do its job.
that it's using to do its job.
147
483431
3103
amelyet a feladatok elvégzésére használ.
08:19
And then we sequence billions
of these combined molecules
of these combined molecules
148
487383
4207
Aztán sorba rendezzük a milliárdnyi
összekapcsolt molekulát,
összekapcsolt molekulát,
08:24
and use the sequences to tell us
149
492532
2498
és a sorrendjük alapján meghatározzuk
08:27
which cell and which gene
150
495054
2602
az egyes sejtek, gének
08:29
every molecule came from.
151
497680
1540
és molekulák eredetét.
08:32
We call this approach "Drop-seq,"
because we use droplets
because we use droplets
152
500561
3292
Ezt a módszert Drop-seq-nek nevezzük,
mivel cseppmódszerrel választjuk
mivel cseppmódszerrel választjuk
08:35
to separate the cells for analysis,
153
503877
2575
szét a sejteket tanulmányozásra,
08:38
and we use DNA sequences
to tag and inventory
to tag and inventory
154
506476
3445
és DNS-bázissorrendet
használunk az azonosításra
használunk az azonosításra
08:41
and keep track of everything.
155
509945
1488
és leltározásra.
08:44
And now, whenever we do an experiment,
156
512727
1976
Amikor kísérletet végzünk,
08:46
we analyze tens of thousands
of individual cells.
of individual cells.
157
514727
3243
több tízezer egyedi sejtet elemzünk.
08:51
And today in this area of science,
158
519018
2624
Ma a tudomány ezen területén
08:53
the challenge is increasingly
how to learn as much as we can
how to learn as much as we can
159
521666
4931
a kihívás abban rejlik, hogyan tudunk
megismerni valamit a lehető
megismerni valamit a lehető
08:58
as quickly as we can
160
526621
1872
legrövidebb idő alatt ebből
09:00
from these vast data sets.
161
528517
1738
a hatalmas adatállományból.
09:04
When we were developing Drop-seq,
people used to tell us,
people used to tell us,
162
532914
2770
A Drop-seq fejlesztése során
az emberek azt mondogatták,
az emberek azt mondogatták,
09:07
"Oh, this is going to make you guys
the go-to for every major brain project."
the go-to for every major brain project."
163
535708
4804
"mindenki hozzátok fog fordulni
az agykutatás témájában".
az agykutatás témájában".
09:13
That's not how we saw it.
164
541257
1544
De ezt mi nem így láttuk.
09:14
Science is best when everyone
is generating lots of exciting data.
is generating lots of exciting data.
165
542825
4531
A tudomány akkor fejlődik, ha mindenki
nagy mennyiségű adatot termel.
nagy mennyiségű adatot termel.
09:20
So we wrote a 25-page instruction book,
166
548197
3214
Így írtunk egy 25 oldalas
használati útmutatót,
használati útmutatót,
09:23
with which any scientist could build
their own Drop-seq system from scratch.
their own Drop-seq system from scratch.
167
551435
4578
aminek segítségével minden kutató
képes a Drop-seq stratégia használatára.
képes a Drop-seq stratégia használatára.
09:28
And that instruction book has been
downloaded from our lab website
downloaded from our lab website
168
556037
3697
Ezt az útmutatót közel 50 ezren
töltötték le weboldalunkról
töltötték le weboldalunkról
09:31
50,000 times in the past two years.
169
559758
2965
az elmúlt két évben.
09:35
We wrote software
that any scientist could use
that any scientist could use
170
563598
3052
Olyan szoftvert írtunk,
amit bármely kutató tud használni,
amit bármely kutató tud használni,
09:38
to analyze the data
from Drop-seq experiments,
from Drop-seq experiments,
171
566674
2898
hogy a Drop-seq kisérletből
származó adatokat elemezzen.
származó adatokat elemezzen.
09:41
and that software is also free,
172
569596
1715
A szoftver pedig ingyenes,
09:43
and it's been downloaded from our website
30,000 times in the past two years.
30,000 times in the past two years.
173
571335
4388
és már közel 30 ezren töltötték le
az utóbbi két évben a weboldalunkról.
az utóbbi két évben a weboldalunkról.
09:48
And hundreds of labs have written us
about discoveries that they've made
about discoveries that they've made
174
576328
4979
Már rengeteg laboratórium írt
kutatási eredményeinkről,
kutatási eredményeinkről,
09:53
using this approach.
175
581331
1443
amiket az eljárással értek el.
09:54
Today, this technology is being used
to make a human cell atlas.
to make a human cell atlas.
176
582798
3560
Ma ezt a technológiát a sejtek
sokaságának feltérképezésére használják.
sokaságának feltérképezésére használják.
09:58
It will be an atlas of all
of the cell types in the human body
of the cell types in the human body
177
586382
3354
Ez térképként mutatja az emberi test
összes létező sejttípusát
összes létező sejttípusát
10:01
and the specific genes
that each cell type uses to do its job.
that each cell type uses to do its job.
178
589760
3680
és a sejt által használt bizonyos géneket.
10:08
Now I want to tell you about
a second challenge that we face
a second challenge that we face
179
596133
2876
Mesélek most a második nehézségről,
amivel szembe kell nézni
amivel szembe kell nézni
10:11
in trying to turn the brain
into a big data problem.
into a big data problem.
180
599033
2448
az agy sejtjeinek adathalmazzá
alakítása során.
alakítása során.
10:13
And that challenge is that
we'd like to learn from the brains
we'd like to learn from the brains
181
601505
3279
A nehézség pedig az, hogy több százezer
10:16
of hundreds of thousands of living people.
182
604808
2444
élő ember agyát tanulmányozzuk.
10:19
But our brains are not physically
accessible while we're living.
accessible while we're living.
183
607998
3704
De az agyunk fizikailag
nem vizsgálható míg élünk.
nem vizsgálható míg élünk.
10:24
But how can we discover molecular factors
if we can't hold the molecules?
if we can't hold the molecules?
184
612895
3960
Hogy fedezünk fel molekuláris tényezőket,
ha a molekulákat nem foghatjuk meg?
ha a molekulákat nem foghatjuk meg?
10:30
An answer comes from the fact that
the most informative molecules, proteins,
the most informative molecules, proteins,
185
618352
4548
A válasz abban rejlik, hogy a legtöbb
adattal szolgáló molekulák, a fehérjék
adattal szolgáló molekulák, a fehérjék
10:34
are encoded in our DNA,
186
622924
1782
a DNS-ünkbe vannak kódolva,
10:36
which has the recipes our cells follow
to make all of our proteins.
to make all of our proteins.
187
624730
4530
amely utasításokat ad
a sejteknek termelésükre.
a sejteknek termelésükre.
10:41
And these recipes vary
from person to person to person
from person to person to person
188
629999
4946
Ezek az utasítások pedig
személyenként különböznek,
személyenként különböznek,
10:46
in ways that cause the proteins
to vary from person to person
to vary from person to person
189
634969
3342
ami hozzájárul a fehérjék személyenkénti,
10:50
in their precise sequence
190
638335
1787
sorrendbeli eltérésükhöz is,
10:52
and in how much each cell type
makes of each protein.
makes of each protein.
191
640146
3151
és ahhoz, hogy a sejttípusok
milyen fehérjéket termelnek.
milyen fehérjéket termelnek.
10:56
It's all encoded in our DNA,
and it's all genetics,
and it's all genetics,
192
644441
3393
Mindez a DNS-ünkbe van kódolva,
ebből áll a genetika,
ebből áll a genetika,
10:59
but it's not the genetics
that we learned about in school.
that we learned about in school.
193
647858
2817
de nem az a fajta genetika,
amit az iskolában tanítottak.
amit az iskolában tanítottak.
11:03
Do you remember big B, little b?
194
651572
1983
Emlékeznek még a kis és nagy B-re?
11:06
If you inherit big B, you get brown eyes?
195
654260
2400
Nagy B-nél barna szemet örökölnek?
11:09
It's simple.
196
657085
1223
Ez egyszerű.
11:11
Very few traits are that simple.
197
659451
3173
Nagyon kevés jellemvonás ennyire egyszerű.
11:15
Even eye color is shaped by much more
than a single pigment molecule.
than a single pigment molecule.
198
663232
4725
Nem csak egy pigmentmolekula van
befolyással szemszínünkre.
befolyással szemszínünkre.
11:20
And something as complex
as the function of our brains
as the function of our brains
199
668861
4250
És valami, ami olyan bonyolult,
mint az agyunk működése,
mint az agyunk működése,
11:25
is shaped by the interaction
of thousands of genes.
of thousands of genes.
200
673135
3247
még inkább ezer gén
kölcsönhatása által vezérelt.
kölcsönhatása által vezérelt.
11:28
And each of these genes
varies meaningfully
varies meaningfully
201
676406
2340
És a gének mindegyike nagy mértékben eltér
11:30
from person to person to person,
202
678770
1838
egymástól személyenként,
11:32
and each of us is a unique
combination of that variation.
combination of that variation.
203
680632
3517
és mindannyiunk ezen gének
egyedi kombinációja.
egyedi kombinációja.
11:37
It's a big data opportunity.
204
685419
2216
Ez egy hatalmas "adatlehetőség",
11:40
And today, it's increasingly
possible to make progress
possible to make progress
205
688214
3176
és ma az előrelépés
oly mértékben lehetséges,
oly mértékben lehetséges,
11:43
on a scale that was never possible before.
206
691414
2796
amilyen ezelőtt sohasem volt.
11:46
People are contributing to genetic studies
207
694234
2405
Rekordmennyiségben járulunk hozzá
11:48
in record numbers,
208
696663
1594
a genetikai kutatásokhoz,
11:51
and scientists around the world
are sharing the data with one another
are sharing the data with one another
209
699085
4087
a kutatók pedig folyamatosan
megosztják adataikat egymással,
megosztják adataikat egymással,
11:55
to speed progress.
210
703196
1571
hogy felgyorsítsák a haladást.
11:57
I want to tell you a short story
about a discovery we recently made
about a discovery we recently made
211
705514
3239
Megosztanék egy történetet
egy közelmúltban tett felfedezésünkről
egy közelmúltban tett felfedezésünkről
12:00
about the genetics of schizophrenia.
212
708777
1894
a skizofrénia genetikájáról.
12:03
It was made possible
by 50,000 people from 30 countries,
by 50,000 people from 30 countries,
213
711506
4596
Ezt a felfedezést 50 ezer ember 30
különböző országból tette lehetővé,
különböző országból tette lehetővé,
12:08
who contributed their DNA
to genetic research on schizophrenia.
to genetic research on schizophrenia.
214
716126
4700
akik hozzájárulnak a DNS-ük
használatához genetikai kutatás céljából.
használatához genetikai kutatás céljából.
12:14
It had been known for several years
215
722406
2096
Már jó néhány éve köztudott,
12:16
that the human genome's largest influence
on risk of schizophrenia
on risk of schizophrenia
216
724526
4111
hogy a humán genom legnagyobb hatása
a skizofrénia kialakulásának kockázatára
a skizofrénia kialakulásának kockázatára
12:20
comes from a part of the genome
217
728661
1802
a genom olyan részéből származik,
12:22
that encodes many of the molecules
in our immune system.
in our immune system.
218
730487
3344
ami az immunrendszer molekuláit kódolja.
12:25
But it wasn't clear which gene
was responsible.
was responsible.
219
733855
3034
De sosem volt világos,
hogy melyik gén felelős.
hogy melyik gén felelős.
12:29
A scientist in my lab developed
a new way to analyze DNA with computers,
a new way to analyze DNA with computers,
220
737746
4040
Egy kutató a laboromban
kifejlesztett egy új módszert
kifejlesztett egy új módszert
a DNS számítógépes analizálására,
és nagyon érdekes felfedezésre jutott.
és nagyon érdekes felfedezésre jutott.
12:33
and he discovered something
very surprising.
very surprising.
221
741810
3095
12:36
He found that a gene called
"complement component 4" --
"complement component 4" --
222
744929
3251
Felfedezte, hogy a komplement
komponens 4 gén,
komponens 4 gén,
12:40
it's called "C4" for short --
223
748204
1799
röviden C4
12:43
comes in dozens of different forms
in different people's genomes,
in different people's genomes,
224
751036
3889
többféle különböző formában
létezik a humán genomban,
létezik a humán genomban,
12:46
and these different forms
make different amounts
make different amounts
225
754949
3197
és különféle variánsai változó
mennyiségű C4 proteint
mennyiségű C4 proteint
12:50
of C4 protein in our brains.
226
758170
2242
állítanak elő az agyunkban.
12:52
And he found that the more
C4 protein our genes make,
C4 protein our genes make,
227
760957
3985
Rájött, hogy minél nagyobb mennyiségben
van jelen a C4 protein,
van jelen a C4 protein,
12:56
the greater our risk for schizophrenia.
228
764966
2112
annál nagyobb az esély a betegségre.
12:59
Now, C4 is still just one risk factor
in a complex system.
in a complex system.
229
767919
4907
Persze, a C4 protein csak egy a kockázati
tényezők közül az összetett rendszerben.
tényezők közül az összetett rendszerben.
13:04
This isn't big B,
230
772850
1989
Ez nem a nagy B,
13:06
but it's an insight about
a molecule that matters.
a molecule that matters.
231
774863
3557
de betekintést nyújt
egy molekulába, ami számít.
egy molekulába, ami számít.
13:11
Complement proteins like C4
were known for a long time
were known for a long time
232
779492
3637
Komplement fehérjék,
mint a C4, már régóta ismertek
mint a C4, már régóta ismertek
13:15
for their roles in the immune system,
233
783153
1953
immunrendszeribeli szerepük miatt,
13:17
where they act as a kind of
molecular Post-it note
molecular Post-it note
234
785130
2778
ahol mint molekuláris
jelölőcímke viselkedik,
jelölőcímke viselkedik,
13:19
that says, "Eat me."
235
787932
1580
mely azt üzeni: "egyél meg".
13:22
And that Post-it note
gets put on lots of debris
gets put on lots of debris
236
790475
2667
És ez a címke nagyon sok törmeléket
13:25
and dead cells in our bodies
237
793166
2357
és elhalt sejtet húz magához,
13:27
and invites immune cells
to eliminate them.
to eliminate them.
238
795547
2490
majd az immunsejteket
megsemmisítésükre ösztönzi.
megsemmisítésükre ösztönzi.
13:30
But two colleagues of mine found
that the C4 Post-it note
that the C4 Post-it note
239
798779
3539
Két kollégám rájött, hogy a C4 jelölőcímke
13:35
also gets put on synapses in the brain
240
803183
3298
az agyi szinapszisokra is rá van rakva,
13:38
and prompts their elimination.
241
806505
1864
és elősegítik eltávolításukat.
13:41
Now, the creation and elimination
of synapses is a normal part
of synapses is a normal part
242
809154
3266
Tehát a szinapszisok keletkezése
és eltávolítása alapvető része
és eltávolítása alapvető része
13:44
of human development and learning.
243
812444
1854
az emberi fejlődésnek és tanulásnak.
13:46
Our brains create and eliminate
synapses all the time.
synapses all the time.
244
814322
2921
Az agyunk folyamatosan létrehoz
és megsemmisít szinapszisokat.
és megsemmisít szinapszisokat.
13:49
But our genetic results suggest
that in schizophrenia,
that in schizophrenia,
245
817921
2960
De genetikai eredményeink szerint
a skizofrénia esetében
a skizofrénia esetében
13:52
the elimination process
may go into overdrive.
may go into overdrive.
246
820905
3233
az eltávolítási folyamat túllépi
a normális mértéket.
a normális mértéket.
13:57
Scientists at many drug companies tell me
they're excited about this discovery,
they're excited about this discovery,
247
825185
3929
A kutatók sok gyógyszercégnél állítják,
hogy izgatottak az új fejfedezés kapcsán,
hogy izgatottak az új fejfedezés kapcsán,
14:01
because they've been working
on complement proteins for years
on complement proteins for years
248
829138
3239
mivel már hosszú évek óta foglalkoznak
az immunrendszerbeli
az immunrendszerbeli
14:04
in the immune system,
249
832401
1540
komplement fehérjékkel,
14:05
and they've learned a lot
about how they work.
about how they work.
250
833965
2206
és sokat megtanultak működésükről.
14:08
They've even developed molecules
that interfere with complement proteins,
that interfere with complement proteins,
251
836885
3894
Még olyan molekulákat is fejlesztettek,
amik akadályozzák a komplement fehérjét,
amik akadályozzák a komplement fehérjét,
14:12
and they're starting to test them
in the brain as well as the immune system.
in the brain as well as the immune system.
252
840803
3607
és tesztelik őket az agyban
és az immunrendszerben egyaránt.
és az immunrendszerben egyaránt.
14:17
It's potentially a path toward a drug
that might address a root cause
that might address a root cause
253
845124
4721
Így lehetőség rejlene egy gyógyszer
kifejlesztésében, ami nem a tünetet,
kifejlesztésében, ami nem a tünetet,
14:21
rather than an individual symptom,
254
849869
2649
hanem a betegséget szüntetné meg.
14:24
and we hope very much that this work
by many scientists over many years
by many scientists over many years
255
852542
4048
Reméljük, hogy ez az évek
során végzett munka
során végzett munka
14:28
will be successful.
256
856614
1152
sikeres lesz.
14:31
But C4 is just one example
257
859689
3014
De a C4 csak egy példa
14:34
of the potential for data-driven
scientific approaches
scientific approaches
258
862727
3112
az adatvezérelt kutatási megközelítésekre,
14:37
to open new fronts on medical problems
that are centuries old.
that are centuries old.
259
865863
3903
ami ajtókat nyithat meg régóta
megoldatlan problémák előtt.
megoldatlan problémák előtt.
14:42
There are hundreds of places
in our genomes
in our genomes
260
870144
2745
Több száz hely van a genomunkban,
14:44
that shape risk for brain illnesses,
261
872913
2585
amelyek kockázatot jelentenek
agyi megbetegedésekre,
agyi megbetegedésekre,
14:47
and any one of them could lead us
to the next molecular insight
to the next molecular insight
262
875522
4066
és bármelyikük elvezethet minket
a következő, fontos szerepet játszó
a következő, fontos szerepet játszó
14:51
about a molecule that matters.
263
879612
2020
molekula felismeréséhez.
14:53
And there are hundreds of cell types that
use these genes in different combinations.
use these genes in different combinations.
264
881656
3987
Rengeteg sejttípus van, ami a géneket
különböző kombinációkban használja.
különböző kombinációkban használja.
14:57
As we and other scientists
work to generate
work to generate
265
885667
2069
Mi és más kutatók, egy még szükséges
14:59
the rest of the data that's needed
266
887760
2069
adathalmaz felépítésén dolgozunk,
15:01
and to learn all that we can
from that data,
from that data,
267
889853
2393
és a lehetséges adatokat megszerezve
15:04
we hope to open many more new fronts.
268
892270
2403
reméljük új ajtókat nyithatunk meg.
15:08
Genetics and single-cell analysis
are just two ways
are just two ways
269
896483
5079
A genetika és a sejtenkénti elemzés
csupán kétféle mód
csupán kétféle mód
15:13
of trying to turn the brain
into a big data problem.
into a big data problem.
270
901586
3767
az agy adathalmazzá alakításában.
15:18
There is so much more we can do.
271
906424
2159
Sokkal többre vagyunk képesek.
15:21
Scientists in my lab
are creating a technology
are creating a technology
272
909235
3074
A kutatók a laboromban
egy olyan technológián dolgoznak,
egy olyan technológián dolgoznak,
15:24
for quickly mapping the synaptic
connections in the brain
connections in the brain
273
912333
3196
amely rövid időn belül térképezi fel
az agyi szinapszisokat,
az agyi szinapszisokat,
15:27
to tell which neurons are talking
to which other neurons
to which other neurons
274
915553
2938
hogy információt nyújtson a neuronok
információcseréjéről,
információcseréjéről,
15:30
and how that conversation changes
throughout life and during illness.
throughout life and during illness.
275
918515
3996
annak változásáról életünk, illetve
megbetegedéseink során.
megbetegedéseink során.
15:35
And we're developing a way
to test in a single tube
to test in a single tube
276
923467
4520
Olyan módszeren dolgozunk,
ami egyetlen csőben vizsgálja,
ami egyetlen csőben vizsgálja,
15:40
how cells with hundreds
of different people's genomes
of different people's genomes
277
928011
2718
hogyan reagálnak
a különböző genomok sejtjei
a különböző genomok sejtjei
15:42
respond differently to the same stimulus.
278
930753
2170
ugyanazon ingerre.
15:46
These projects bring together
people with diverse backgrounds
people with diverse backgrounds
279
934248
4903
Ezek a projektek eltérő háttérrel,
érdeklődéssel és képzettséggel
érdeklődéssel és képzettséggel
15:51
and training and interests --
280
939175
2493
rendelkező egyéneket hoznak össze –
15:53
biology, computers, chemistry,
math, statistics, engineering.
math, statistics, engineering.
281
941692
5877
például a biológiát, informatikát, kémiát,
matematikát, statisztikát és gépészetet.
matematikát, statisztikát és gépészetet.
16:00
But the scientific possibilities
rally people with diverse interests
rally people with diverse interests
282
948205
4232
De a tudományos lehetőségek azok,
melyek hajtják a különböző szaktudás
melyek hajtják a különböző szaktudás
16:04
into working intensely together.
283
952461
2235
birtoklóit a közös munkára.
16:08
What's the future
that we could hope to create?
that we could hope to create?
284
956871
2551
Mit érhetünk el a jövőben?
16:12
Consider cancer.
285
960267
1350
Gondoljunk a rákra.
16:14
We've moved from an era of ignorance
about what causes cancer,
about what causes cancer,
286
962193
3922
Már túl vagyunk a tudatlanság időszakán
a rákbetegségeket illetően,
a rákbetegségeket illetően,
16:18
in which cancer was commonly ascribed
to personal psychological characteristics,
to personal psychological characteristics,
287
966139
6988
hisz tudjuk, nem egyéni
élettani jellemzők a felelősek,
élettani jellemzők a felelősek,
16:26
to a modern molecular understanding
of the true biological causes of cancer.
of the true biological causes of cancer.
288
974238
5395
mert eljutottunk egy molekuláris
felismerésig a betegséget illetően.
felismerésig a betegséget illetően.
16:32
That understanding today
leads to innovative medicine
leads to innovative medicine
289
980100
3074
Ez a szakértelem ma innovatív
gyógymódhoz vezet,
gyógymódhoz vezet,
16:35
after innovative medicine,
290
983198
1696
és ebből következik –
16:36
and although there's still
so much work to do,
so much work to do,
291
984918
2839
habár még mindig sok a teendő –,
16:39
we're already surrounded by people
who have been cured of cancers
who have been cured of cancers
292
987781
3394
hogy vannak emberek, akiket sikerült
kigyógyítani egy olyan betegségből,
kigyógyítani egy olyan betegségből,
16:43
that were considered untreatable
a generation ago.
a generation ago.
293
991199
3269
ami egy generációval ezelőtt
lehetetlen volt.
lehetetlen volt.
16:48
And millions of cancer survivors
like my sister
like my sister
294
996254
3376
És a milliónyi túlélője a ráknak,
ahogy a testvérem is,
ahogy a testvérem is,
16:51
find themselves with years of life
that they didn't take for granted
that they didn't take for granted
295
999654
4401
évekkel hosszabb élet elé néz,
ami előtte nem volt garantált,
ami előtte nem volt garantált,
16:56
and new opportunities
296
1004079
1769
és új lehetőségek elé is
16:57
for work and joy and human connection.
297
1005872
3930
a munka, a boldogság
és emberi kapcsolatok terén.
és emberi kapcsolatok terén.
17:03
That is the future that we are determined
to create around mental illness --
to create around mental illness --
298
1011358
4378
Ez lenne számunkra a jövőkép
a mentális betegségek terén is –
a mentális betegségek terén is –
17:08
one of real understanding and empathy
299
1016581
4119
az igazi megértés, együttérzés
17:12
and limitless possibility.
300
1020724
1816
és a határtalan lehetőségek.
17:15
Thank you.
301
1023159
1190
Köszönöm.
17:16
(Applause)
302
1024374
4062
(Taps)
ABOUT THE SPEAKER
Steve McCarroll - GeneticistSteve McCarroll is conducting groundbreaking research on the causes of mental illness.
Why you should listen
Steve McCarroll and the scientists in his lab use human genetics, molecular biology and engineering to create new ways of studying the human brain, reveal the ways in which genomes vary from person to person and discover the molecular and cellular processes that underlie brain illness. McCarroll and his team at Harvard have linked schizophrenia to specific gene variations that recruit immune molecules into "pruning" synapses in the brain, a discovery that is leading toward new ways of thinking about the biological basis of schizophrenia and new approaches for discovering medicines.
Prior to leading his lab, McCarroll earned his PhD in neuroscience at the University of California, San Francisco. He is also currently serving as Director of Genetics for the Broad Institute's Stanley Center for Psychiatric Research.
Steve McCarroll | Speaker | TED.com