TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Hogyan olvassuk a genomot, és hogyan alkossunk meg egy emberi lényt?
Filmed:
Readability: 3.6
1,834,677 views
Titkok, betegség és szépség – mind bele van írva az emberi genomba, ebbe az emberi lény megalkotásához szükséges teljes genetikai kézikönyvbe. Riccardo Sabatini kutató és vállalkozó bemutatja, hogy megvan a hatalmunk e komplex kód kiolvasására. A kódok egy kémcsőnyi vérből megjósolhatják a testmagasságot, a szem színét, sőt, még az arc szerkezetét is. Sabatini elmondja, hogy a genom újfajta értelmezése lehetővé fogja tenni a betegségek, pl. a rák személyre szabott kezelését. Megvan a hatalmunk, hogy a jelenlegi életünket megváltoztassuk. Hogyan éljünk e hatalommal?
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Double-click the English transcript below to play the video.
00:12
For the next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
A következő 16 percben
utazásra hívom önöket,
utazásra hívom önöket,
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
amely talán az emberiség legnagyobb álma:
00:18
to understand the code of life.
2
6508
2015
az élet kódjának megértése.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Számomra minden régen kezdődött,
00:23
when I met the first 3D printer.
4
11839
2723
amikor az első 3D-nyomtatót megláttam.
00:26
The concept was fascinating.
5
14586
1674
Az ötlet elbűvölő volt.
00:28
A 3D printer needs three elements:
6
16284
2022
A 3D-nyomtatónak három dolog kell:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
egy kevés információ,
némi nyersanyag és némi energia,
némi nyersanyag és némi energia,
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
és így bármilyen új tárgyat
elő tud állítani.
elő tud állítani.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Tanultam fizikát, és ahogy hazatértem,
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
rájöttem, hogy voltaképpen mindig is
ismertem egy 3D-nyomtatót.
ismertem egy 3D-nyomtatót.
00:44
And everyone does.
11
32140
1336
De mindenki ismeri.
00:45
It was my mom.
12
33500
1158
A mamámról van szó.
00:46
(Laughter)
13
34682
1001
(Nevetés)
00:47
My mom takes three elements:
14
35707
2414
A mamámnak három összetevő kell:
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
egy kevés információ, ez esetben
a papám és őközötte,
a papám és őközötte,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
nyersanyagok és energia ugyanabban
a közegben, amelyet ételnek hívunk,
a közegben, amelyet ételnek hívunk,
00:58
and after several months, produces me.
17
46323
2508
és pár hónap múlva én le vagyok gyártva.
01:00
And I was not existent before.
18
48855
1812
Korábban nem léteztem.
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
Azon a megdöbbenésen túlmenően,
hogy a mamám egy 3D-nyomtató,
hogy a mamám egy 3D-nyomtató,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
rögtön megigézett közülük az első,
01:11
the first one, the information.
21
59239
1717
az információ.
01:12
What amount of information does it take
22
60980
2251
Mennyi információra van szükség
01:15
to build and assemble a human?
23
63255
1936
egy ember megalkotásához?
01:17
Is it much? Is it little?
24
65215
1574
Sok az, vagy kevés?
01:18
How many thumb drives can you fill?
25
66813
2180
Hány USB-adathordozóra fér rá?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Valaha tanultam fizikát,
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
és az embert megközelítőleg
egy óriási Legónak tekintettem.
egy óriási Legónak tekintettem.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Képzeljük el az épület tégláit
piciny atomoknak,
piciny atomoknak,
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
itt a hidrogén, itt a szén,
itt a nitrogén.
itt a nitrogén.
01:37
So in the first approximation,
30
85772
1571
Első közelítésben,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
ha kilistázhatom
az embert alkotó atomok számát,
az embert alkotó atomok számát,
01:43
I can build it.
32
91734
1387
föl tudom építeni.
01:45
Now, you can run some numbers
33
93145
2029
Futtathatunk egy pár számot,
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
és mellbevágó mennyiség jön ki.
01:50
So the number of atoms,
35
98499
2757
Azoknak az atomoknak a száma, a fájl,
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
amelyet egy csecsemő
összeállításához rögzítenem kell,
összeállításához rögzítenem kell,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
annyi pendrive-on férne el,
amennyi megtöltene
amennyi megtöltene
02:02
multiplied 2,000 times.
38
110750
2718
2000 Titanicot.
02:05
This is the miracle of life.
39
113957
3401
Ez az élet csodája.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Ezután ha egy állapotos nőt látnak,
tudjanak róla,
tudjanak róla,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
hogy a kismama épp
annyi információt rak össze,
annyi információt rak össze,
02:14
that you will ever encounter.
42
122898
1556
amennyit még nem is láttak.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Verjék ki a fejükből a big datát,
és amit róla hallottak.
és amit róla hallottak.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Ez a legnagyobb mennyiségű létező infó.
02:22
(Applause)
45
130357
3833
(Taps)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
De szerencsére a természet
okosabb az ifjú fizikusnál,
okosabb az ifjú fizikusnál,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
és 4 milliárd év alatt sikerült
az infót becsomagolnia
az infót becsomagolnia
02:34
in a small crystal we call DNA.
48
142482
2705
egy DNS-nek nevezett kristályba.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Először 1950-ben láttuk,
amikor Rosalind Franklin,
amikor Rosalind Franklin,
02:41
an amazing scientist, a woman,
50
149941
1556
egy rendkívül tehetséges kutatónő
02:43
took a picture of it.
51
151521
1389
lefényképezte.
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
De több mint 40 évig tartott,
amíg végre rábökhettünk az emberi sejtre,
amíg végre rábökhettünk az emberi sejtre,
02:50
take out this crystal,
53
158146
1602
és első ízben kihámozhattuk,
02:51
unroll it, and read it for the first time.
54
159772
3080
kigöngyölhettük belőle,
és elolvashattuk e kristályt.
és elolvashattuk e kristályt.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
A kód elég egyszerű ábécének látszik,
02:58
four letters: A, T, C and G.
56
166880
3772
négy betű: A, T, C és G.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Egy ember összeállításához
3 milliárdnyira van szükségünk.
3 milliárdnyira van szükségünk.
03:06
Three billion.
58
174933
1179
Három milliárd.
03:08
How many are three billion?
59
176136
1579
Mennyi az a 3 milliárdnyi?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Fogalmuk sincs, mekkora szám, ugye?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Törtem a fejem,
hogyan tudnám megértetni,
hogyan tudnám megértetni,
03:16
about how big and enormous this code is.
62
184634
3050
milyen óriási mennyiségű kód ez.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Most egy kis segítséget kérek;
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
s erre nincs alkalmasabb,
hogy bemutassa a kódot,
hogy bemutassa a kódot,
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
mint az, aki elsőként szekvenálta a kódot,
Dr. Craig Venter.
Dr. Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Üdvözlöm a színen, Dr. Craig Venter.
03:32
(Applause)
67
200997
6931
(Taps)
03:39
Not the man in the flesh,
68
207952
2256
Nem hús-vér ember,
03:43
but for the first time in history,
69
211448
2345
hanem a történelem során először,
03:45
this is the genome of a specific human,
70
213817
3462
ez egyvalaki genomja,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
amely oldalról oldalra, betűről betűre
van kinyomtatva:
van kinyomtatva:
03:53
262,000 pages of information,
72
221087
3996
262 ezer oldalnyi információ,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 kiló, amelyet az USA-ból
Kanadába szállítottak
Kanadába szállítottak
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
a Lulu.com start-upos Bruno Bowdennek
köszönhetően, ő csinált mindent.
köszönhetően, ő csinált mindent.
04:06
It was an amazing feat.
75
234362
1463
Elképesztő hőstett volt.
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
Szemmel is érzékelhetően
ez itt az élet kódja.
ez itt az élet kódja.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Most pedig, első ízben,
mutatok valami furcsát.
mutatok valami furcsát.
04:14
I can actually poke inside it and read.
78
242672
2547
Rámutathatok valamire, és elolvashatom.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Kiveszek egy érdekes kötetet... pl. ezt.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Meg kell jegyeznem,
hogy ez elég nagy könyv.
hogy ez elég nagy könyv.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
De csak azért, hogy lássák,
mi az élet kódja.
mi az élet kódja.
04:32
Thousands and thousands and thousands
82
260566
3391
Betűk ezrei és ezrei,
04:35
and millions of letters.
83
263981
2670
több millió betű.
04:38
And they apparently make sense.
84
266675
2396
Kétségtelenül van értelmük.
04:41
Let's get to a specific part.
85
269095
1757
Nézzünk egy konkrét részt.
04:43
Let me read it to you:
86
271571
1362
Fölolvasom önöknek:
04:44
(Laughter)
87
272957
1021
(Nevetés)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it sounds like mute letters,
89
278965
2067
Önöknek ezek semmitmondó betűknek tűnnek,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
de ez a szekvencia adja meg
Craig szemének a színét.
Craig szemének a színét.
04:57
I'll show you another part of the book.
91
285633
1932
Mutatok egy másik részt a kötetekből.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Egy kissé bonyolultabbat.
05:02
Chromosome 14, book 132:
93
290983
2647
14. sz. kromoszóma, 132. kötet:
05:05
(Laughter)
94
293654
2090
(Nevetés)
05:07
As you might expect.
95
295768
1277
Ahogy számíthattak rá...
05:09
(Laughter)
96
297069
3466
(Nevetés)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT."
05:20
This human is lucky,
98
308329
1687
Ez az ember boldog,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
mert ha csak 2 betű
hiányzik erről a helyről,
hiányzik erről a helyről,
05:26
two letters of our three billion --
100
314581
1877
2 betű a 3 milliárdból,
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
szörnyű betegségre lenne kárhoztatva:
05:30
cystic fibrosis.
102
318525
1440
a cisztás fibrózisra.
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
Nem gyógyítható, nem tudunk rá megoldást,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
és csak két betű eltérése miatt.
05:39
A wonderful book, a mighty book,
105
327585
2705
Csodálatos könyv, nagyszerű könyv,
05:43
a mighty book that helped me understand
106
331115
1998
tekintélyes könyv, ami hozzásegített,
05:45
and show you something quite remarkable.
107
333137
2753
hogy megértsek és megmutassak
valami igazán érdekeset.
valami igazán érdekeset.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Mindannyiunknak ennyi kell,
hogy azzá legyünk, akik vagyunk:
hogy azzá legyünk, akik vagyunk:
05:52
is just about five million of these,
109
340939
2954
ötmillió betű,
05:55
half a book.
110
343917
1228
egy fél könyv.
05:58
For the rest,
111
346015
1663
Ettől eltekintve
05:59
we are all absolutely identical.
112
347702
2562
teljesen egyformák vagyunk.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Ötszáz oldal – az életük csodája.
06:07
The rest, we all share it.
114
355050
2531
A többi – közös bennünk.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Erre gondoljanak megint,
amikor a különbözőségünkről esik szó.
amikor a különbözőségünkről esik szó.
06:12
This is the amount that we share.
116
360538
2221
Ennyi közös van bennünk.
06:15
So now that I have your attention,
117
363441
3429
Most, hogy már figyelnek rám,
06:18
the next question is:
118
366894
1359
a következő kérdés:
06:20
How do I read it?
119
368277
1151
Hogy olvasom a könyvet?
06:21
How do I make sense out of it?
120
369452
1509
Hogyan értelmezem?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Bármilyen ügyesek legyenek
svéd bútorok összeszerelésében,
svéd bútorok összeszerelésében,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
ezt a kézikönyvet egész életükben
sem tudnák feltörni.
sem tudnák feltörni.
06:31
(Laughter)
123
379260
1603
(Nevetés)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
2014-ben két híres TED-es,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis és Craig Venter
06:38
decided to assemble a new company.
126
386587
1927
új céget alapított.
06:40
Human Longevity was born,
127
388538
1412
Létrejött a Human Longevity,
06:41
with one mission:
128
389974
1370
amelynek egy feladata volt:
06:43
trying everything we can try
129
391368
1861
megpróbálni mindent, amit lehet,
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
és megismerni mindent,
amit ezekből a könyvekből lehet –
amit ezekből a könyvekből lehet –
06:48
with one target --
131
396036
1705
egyetlen célból:
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
a személyre szabott gyógyítás
álmának megvalósításáért,
álmának megvalósításáért,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
hogy megértsük, mi a teendőnk
egészségünk javítása érdekében,
egészségünk javítása érdekében,
06:57
and what are the secrets in these books.
134
405478
2283
és miben áll e könyvek titka.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Egy nagyszerű csapat, 40 adattudós,
és még sokan mások,
és még sokan mások,
07:04
a pleasure to work with.
136
412603
1350
öröm velük dolgozni.
07:05
The concept is actually very simple.
137
413977
2253
Az elgondolás nagyon egyszerű.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Az ún. gépi tanulás
technológiáját fogjuk használni.
technológiáját fogjuk használni.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Egyfelől több ezer genomunk van.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
Másrészt, az emberi faj legnagyobb
adatbázisát gyűjtöttük össze:
adatbázisát gyűjtöttük össze:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
fenotípusokat, 3D-szkennelést, mágneses
magrezonanciát, bármi elképzelhetőt.
magrezonanciát, bármi elképzelhetőt.
07:24
Inside there, on these two opposite sides,
142
432340
2899
Belül, a két ellentétes oldalon van
07:27
there is the secret of translation.
143
435263
2442
a fordítás titka.
07:29
And in the middle, we build a machine.
144
437729
2472
Középre építjük be a gépet.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
Építünk egy gépet, és tanítjuk –
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
nem is egy gépet, hanem nagyon sokat –,
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
hogy megértse és lefordítsa
a fenotípusban lévő genomot.
a fenotípusban lévő genomot.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Mik ezek a betűk, és mi a szerepük?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
E módszert minden területen
alkalmazhatjuk,
alkalmazhatjuk,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
de a genomikai alkalmazása
elég bonyolult.
elég bonyolult.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Lassacskán növekedtünk,
és más feladatba is bele akartunk fogni.
és más feladatba is bele akartunk fogni.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Eleinte a közös vonásokkal foglalkoztunk.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
A közös vonásokban
az a jó, hogy közösek,
az a jó, hogy közösek,
08:01
everyone has them.
154
469197
1184
mindenkiben megvannak.
08:02
So we started to ask our questions:
155
470405
2494
Kezdtük sorolni a kérdéseinket:
08:04
Can we predict height?
156
472923
1380
A könyvek alapján
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
megjósolhatjuk valaki testmagasságát?
08:09
Well, we actually can,
158
477186
1151
A válasz: igen,
08:10
with five centimeters of precision.
159
478361
1793
ötcentis pontossággal.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
A testtömeg-index jócskán függ
az életmódunktól,
az életmódunktól,
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
de kb. nyolckilós pontossággal
mégis megjósolható.
mégis megjósolható.
08:19
Can we predict eye color?
162
487225
1231
És a szemünk színe?
08:20
Yeah, we can.
163
488480
1158
Megjósolható,
08:21
Eighty percent accuracy.
164
489662
1324
8%-os pontossággal.
08:23
Can we predict skin color?
165
491466
1858
Hát a bőrszín megjósolható?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
80%-os pontossággal.
08:27
Can we predict age?
167
495813
1340
És az életkort?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Meg lehet, mert a kód
életünk során változik.
életünk során változik.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Megrövidül, elveszít részeket,
betoldásokkal bővül.
betoldásokkal bővül.
08:37
We read the signals, and we make a model.
170
505190
2555
Elolvassuk a jeleket, és modellt alkotunk.
08:40
Now, an interesting challenge:
171
508438
1475
Még egy érdekes feladat:
08:41
Can we predict a human face?
172
509937
1729
Megjósolhatjuk az emberi arcot?
08:45
It's a little complicated,
173
513014
1278
Ez egy kissé bonyolult,
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
mert az emberi arc jellemzői
eloszlanak a milliónyi betű közt.
eloszlanak a milliónyi betű közt.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Ráadásul, az arc nem egyértelműen
meghatározott tárgy.
meghatározott tárgy.
08:52
So, we had to build an entire tier of it
176
520184
2051
Sorba kellett szednünk a jellemzőit,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
hogy magunk megtanuljuk,
és megtanítsuk a gépnek,
és megtanítsuk a gépnek,
08:56
and embed and compress it.
178
524993
2037
miben áll az arc lényege.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Ha már a kisujjukban van
a gépi tanulás,
a gépi tanulás,
09:01
you understand what the challenge is here.
180
529326
2284
akkor értik meg igazán,
mekkora feladat ez.
mekkora feladat ez.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Idén októberben, 15 évvel azután,
hogy elolvastuk az első szekvenciát,
hogy elolvastuk az első szekvenciát,
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
kezdtünk megérteni bizonyos jeleket.
09:13
And it was a very emotional moment.
183
541049
2455
Ez nagyon érzelemteli pillanat volt.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Ő az egyik kísérleti alanyunk.
09:19
This is a face for us.
185
547619
1928
Ez számunkra egy arc.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Vesszük az alany arcát, leegyszerűsítjük,
09:25
because not everything is in your face --
187
553226
1970
mert nem minden jellemzője,
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
pl. sok vonása, hibája,
aszimmetriája adódik az életéből.
aszimmetriája adódik az életéből.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Szimmetrikussá tesszük,
futtatjuk az algoritmusunkat.
futtatjuk az algoritmusunkat.
09:35
The results that I show you right now,
190
563245
1898
Az eredmény – rögtön megmutatom –
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
a vér alapján jósolható meg.
09:41
(Applause)
192
569596
1524
(Taps)
09:43
Wait a second.
193
571144
1435
Egy pillanat.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
E pillanatokban szemükkel
összevetik a bal és a jobb oldalt,
összevetik a bal és a jobb oldalt,
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
agyuk pedig azt szeretné,
hogy a képek egyezzenek meg.
hogy a képek egyezzenek meg.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Kérem önöket, végezzenek el
egy másik gyakorlatot.
egy másik gyakorlatot.
09:55
Please search for the differences,
197
583743
2287
Keressék meg a különbségeket.
09:58
which are many.
198
586054
1361
Sok van belőlük.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
A legtöbb vonás az alany neméből adódik,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
a többi a korából, testtömeg-
indexéből és etnikumából.
indexéből és etnikumából.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
E jelek erősítése sokkal bonyolultabb.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
De amit itt látnak, az eltérések ellenére,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
tudtunkra adja, hogy jó a közelítésünk,
10:17
that we are getting closer.
204
605919
1348
a jóslat pontosabbá válik.
10:19
And it's already giving you some emotions.
205
607291
2349
S ez már érzelmeket visz a dologba.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
Ő egy másik alany,
10:24
and this is a prediction.
207
612391
1409
ez pedig a jóslat.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Az arc valamivel kisebb, nem jutottunk el
ugyan a teljes koponyaszerkezetig,
ugyan a teljes koponyaszerkezetig,
10:30
but still, it's in the ballpark.
209
618444
2651
de a közelítés mégis jó.
10:33
This is a subject that comes in our lab,
210
621634
2224
Ez a kísérleti alanyunk,
10:35
and this is the prediction.
211
623882
1443
ez pedig a jóslat.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
A gép fölkészítése során
ők soha nem szerepeltek.
ők soha nem szerepeltek.
10:42
These are the so-called "held-out" set.
213
630756
2837
Ők a tartalékcsoport tagjai.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
De nekik valószínűleg
soha nem hinnének.
soha nem hinnének.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Mindent tudományos lapokban
teszünk közzé,
teszünk közzé,
10:52
you can read it.
216
640081
1151
minden elolvasható.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
De mióta a színpadon vagyunk,
Chris folyton cikiz,
Chris folyton cikiz,
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
hogy nyilván lebuktam,
mert olyanokról adok közre jóslatot,
mert olyanokról adok közre jóslatot,
10:59
someone that you might recognize.
219
647274
2831
akit önök valószínűleg fölismernek.
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
E vérrel teli kémcsőben...
– higgyék el, fogalmuk sincs,
– higgyék el, fogalmuk sincs,
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
mi minden kellett, hogy ezt a vért
eljuttathassuk ide –,
eljuttathassuk ide –,
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
...e vérrel teli kémcsőben
biológiai információ van,
biológiai információ van,
11:13
that we need to do a full genome sequence.
223
661748
2277
ami a teljes genomszekvenáláshoz kell.
11:16
We just need this amount.
224
664049
2070
Ennyire van szükségünk.
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
Elvégeztük a szekvenálást,
és most önökkel együtt fogom csinálni.
és most önökkel együtt fogom csinálni.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Az összes tudásunkat fölhasználjuk.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
A kémcső tartalma alapján
azt jósoltuk, hogy férfiről van szó.
azt jósoltuk, hogy férfiről van szó.
11:29
And the subject is a male.
228
677134
1364
A személy egy férfi.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Azt jósoltuk, hogy 176 cm magas.
11:33
The subject is a meter and 77 cm.
230
681458
2392
A férfi 177 centiméter magas.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Azt jósoltuk, hogy 76 kilós;
az alany 82 kilós.
az alany 82 kilós.
11:40
We predict his age, 38.
232
688701
2632
Azt jósoltuk, hogy 38 éves.
11:43
The subject is 35.
233
691357
1904
Az alany 35 éves.
11:45
We predict his eye color.
234
693851
2124
Megjósoltuk a szeme színét.
11:48
Too dark.
235
696824
1211
Túl sötét.
11:50
We predict his skin color.
236
698059
1555
Megjósoltuk a bőrszínét.
11:52
We are almost there.
237
700026
1410
Majdnem eltaláltuk.
11:53
That's his face.
238
701899
1373
Ilyen az arca.
11:57
Now, the reveal moment:
239
705172
3269
Eljött az igazság pillanata:
12:00
the subject is this person.
240
708465
1770
ő az alany.
12:02
(Laughter)
241
710259
1935
(Nevetés)
12:04
And I did it intentionally.
242
712218
2058
Szándékosan csináltam.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Nagyon különös és furcsa etnikumú vagyok.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Dél-európai, olasz,
mi soha nem illünk a modellekbe.
mi soha nem illünk a modellekbe.
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
Azért különös, mert az etnikum
a modellünk komplex határesete.
a modellünk komplex határesete.
12:18
But there is another point.
246
726144
1509
Van még valami.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Az emberek azonosítására
gyakran használt egyik tényező
gyakran használt egyik tényező
12:23
will never be written in the genome.
248
731178
1722
soha nem lesz beleírva a genomba.
12:24
It's our free will, it's how I look.
249
732924
2317
Ez a szabad döntésünk,
hogy hogyan nézzünk ki.
hogy hogyan nézzünk ki.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Ez esetben nem a frizurám,
hanem a szakállviseletem.
hanem a szakállviseletem.
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
Megmutatom, ez esetben átteszem...
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
nem modellezek, csupán
a Photoshopot használom,
a Photoshopot használom,
12:36
the beard on the subject.
253
744884
1713
és a szakáll már ott az alanyon.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Rögtön sokkal jobban érezzük magunkat.
12:42
So, why do we do this?
255
750955
2709
Miért csináljuk?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Biztos nem azért, hogy megjósoljuk
a testmagasságot,
a testmagasságot,
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
vagy a vérmintájukat
gyönyörű fotóvá alakítsuk.
gyönyörű fotóvá alakítsuk.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Azért csináljuk, mert e módszer,
e technológia,
e technológia,
13:00
the machine learning of this code,
259
768432
2520
e kód gépi tanulása segít megérteni
13:02
is helping us to understand how we work,
260
770976
3137
a működésünket,
13:06
how your body works,
261
774137
1486
testünk működését,
13:07
how your body ages,
262
775647
1665
testünk öregedését,
13:09
how disease generates in your body,
263
777336
2769
hogyan keletkeznek bennünk a betegségek,
13:12
how your cancer grows and develops,
264
780129
2972
hogyan nő és fejlődik ki a rák,
13:15
how drugs work
265
783125
1783
hogyan hatnak a gyógyszerek,
13:16
and if they work on your body.
266
784932
2314
és hatnak-e a szervezetünkre.
13:19
This is a huge challenge.
267
787713
1667
Ez óriási feladat.
13:21
This is a challenge that we share
268
789894
1638
Ezen a feladaton dolgozunk
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
több ezer más kutatóval világszerte.
13:26
It's called personalized medicine.
270
794159
2222
Ezt hívják személyre szabott gyógyításnak.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
Ez lehetőség, hogy elmozduljunk
a statisztikai módszertől,
a statisztikai módszertől,
13:32
where you're a dot in the ocean,
272
800609
2032
amelyben csepp vagyok a tengerben,
13:34
to a personalized approach,
273
802665
1813
a személyre szabott módszer irányába,
13:36
where we read all these books
274
804502
2185
amelyben kiolvassuk ezeket a könyveket,
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
és megértjük, milyenek is vagyunk.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Ám ez nagyon összetett feladat,
13:45
because of all these books, as of today,
277
813646
3998
mert ma ezeknek a könyveknek
13:49
we just know probably two percent:
278
817668
2642
talán csak 2%-át ismerjük:
13:53
four books of more than 175.
279
821027
3653
4 könyvet a több mint 175 közül.
13:58
And this is not the topic of my talk,
280
826021
3206
Ez nem tárgya az előadásomnak,
14:02
because we will learn more.
281
830145
2598
mert majd többet fogunk tudni róla.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
A világ legjobb koponyái
foglalkoznak ezzel.
foglalkoznak ezzel.
14:09
The prediction will get better,
283
837048
1834
A jóslás följavul,
14:10
the model will get more precise.
284
838906
2253
a modell pontosabb lesz.
14:13
And the more we learn,
285
841183
1858
Minél többet tanulunk,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
annál inkább olyan
döntésekre kényszerülünk,
döntésekre kényszerülünk,
14:19
that we never had to face before
287
847919
3021
amelyekkel eddig soha nem szembesültünk:
14:22
about life,
288
850964
1435
az életről,
14:24
about death,
289
852423
1674
a halálról,
14:26
about parenting.
290
854121
1603
s arról, mit tesz szülőnek lenni.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Az élet működésének
legbelső bugyrait érintjük.
legbelső bugyrait érintjük.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
Ez a forradalom nem korlátozható
14:41
in the domain of science or technology.
293
869300
2659
a tudomány vagy a technika birodalmára.
14:44
This must be a global conversation.
294
872960
2244
Erről világszerte
párbeszédet kell folytatnunk.
párbeszédet kell folytatnunk.
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
El kell gondolkodnunk a jövőről,
amelyet mint emberiség építünk.
amelyet mint emberiség építünk.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Tárgyalnunk kell alkotókkal,
művészekkel, filozófusokkal,
művészekkel, filozófusokkal,
14:57
with politicians.
297
885127
1510
politikusokkal.
14:58
Everyone is involved,
298
886661
1158
Mindenkire számítunk,
14:59
because it's the future of our species.
299
887843
2825
mart fajunk jövőjéről van szó.
15:03
Without fear, but with the understanding
300
891273
3968
Félelem nélkül, de értőn,
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
hogy a jövőre hozott döntések
15:11
will change the course of history forever.
302
899160
3789
örökre megváltoztatják
a történelem irányát.
a történelem irányát.
15:15
Thank you.
303
903732
1160
Köszönöm.
15:16
(Applause)
304
904916
10159
(Taps)
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.
Why you should listen
Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.
In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.
Riccardo Sabatini | Speaker | TED.com