TED@Merck KGaA, Darmstadt, Germany
Irina Kareva: Math can help uncover cancer's secrets
Irina Kareva: A matematika segítségével felfedhetjük a rák titkait
Filmed:
Readability: 5.8
1,223,313 views
Irina Kareva a biológia és matematika nyelve között fordít. Matematikai modelleket alkot, melyek leírják a rák működését, azzal a céllal, hogy új gyógyszereket lehessen kifejleszteni, melyek célzottan a daganatokra hatnak. " A matematikai modellezés ereje és szépsége is abban rejlik, hogy azt, amit feltételezünk, szigorúan szabályozott rendszerbe kényszeríti." – mondja Kareva. "Ez segít abban, hogy merre kéne tovább vizsgálódni, és merre található zsákutca." Minden azon múlik, hogy jó kérdést tegyünk fel, és azt lefordítsuk a megfelelő egyenletre, majd vissza.
Irina Kareva - Theoretical biologist
Irina Kareva is looking for answers to biological questions using mathematical modeling. Full bio
Irina Kareva is looking for answers to biological questions using mathematical modeling. Full bio
Double-click the English transcript below to play the video.
00:12
I am a translator.
0
549
1243
Fordító vagyok.
00:14
I translate from biology into mathematics
1
2514
3191
A biológia és a matematika
nyelve között fordítok,
nyelve között fordítok,
00:17
and vice versa.
2
5729
1150
oda-vissza.
00:19
I write mathematical models
3
7588
1790
Matematikai modelleket alkotok,
00:21
which, in my case, are systems
of differential equations,
of differential equations,
4
9402
2847
ez nálam differenciálegyenletek
rendszereit jelenti,
rendszereit jelenti,
00:24
to describe biological mechanisms,
5
12273
1947
melyek biológiai folyamatokat írnak le,
00:26
such as cell growth.
6
14244
1158
például a sejtnövekedést.
00:28
Essentially, it works like this.
7
16122
1848
Nagyjából így működik:
00:30
First, I identify the key elements
8
18573
2469
először azonosítom egy bizonyos folyamat
00:33
that I believe may be driving
behavior over time
behavior over time
9
21066
2777
kulcsfontosságú részeit,
00:35
of a particular mechanism.
10
23867
1539
melyek befolyásolják annak viselkedését.
00:38
Then, I formulate assumptions
11
26230
1891
Majd hipotéziseket formálok arról,
00:40
about how these elements
interact with each other
interact with each other
12
28145
2886
hogyan hatnak egymásra
00:43
and with their environment.
13
31055
1337
és környezetükre ezek az elemek.
00:44
It may look something like this.
14
32916
1772
Ami például így néz ki.
00:46
Then, I translate
these assumptions into equations,
these assumptions into equations,
15
34712
3317
Ezután a hipotéziseket
egyenletekké fordítom le,
egyenletekké fordítom le,
00:50
which may look something like this.
16
38610
1824
amik nagyjából így néznek ki.
00:53
Finally, I analyze my equations
17
41434
1890
Végül elemzem az egyenleteimet,
00:55
and translate the results back
into the language of biology.
into the language of biology.
18
43348
3101
és visszafordítom őket
a biológia nyelvére.
a biológia nyelvére.
01:00
A key aspect of mathematical modeling
19
48156
2420
A matematikai modellezés fő eleme az,
01:02
is that we, as modelers,
do not think about what things are;
do not think about what things are;
20
50600
3908
hogy mi, modellezők,
nem azon gondolkozunk,
nem azon gondolkozunk,
hogy a dolgok miből állnak,
hanem hogy mi a funkciójuk.
hanem hogy mi a funkciójuk.
01:06
we think about what they do.
21
54532
1855
01:08
We think about relationships
between individuals,
between individuals,
22
56411
2489
Az egyedek közötti
kapcsolatrendszereket vizsgáljuk,
kapcsolatrendszereket vizsgáljuk,
01:10
whether they be cells, animals or people,
23
58924
2886
legyen szó sejtekről,
állatokról vagy emberekről,
állatokról vagy emberekről,
01:13
and how they interact with each other
and with their environment.
and with their environment.
24
61834
3048
és azt, ahogyan hatnak egymásra,
illetve a környezetükre.
illetve a környezetükre.
01:17
Let me give you an example.
25
65639
1340
Hadd mondjak egy példát:
01:19
What do foxes and immune cells
have in common?
have in common?
26
67719
3803
Mi a közös a rókákban
és az immunsejtekben?
és az immunsejtekben?
01:24
They're both predators,
27
72793
1459
Mindketten ragadozók,
01:26
except foxes feed on rabbits,
28
74744
2723
csak a rókák nyulakra vadásznak,
01:29
and immune cells feed on invaders,
such as cancer cells.
such as cancer cells.
29
77491
3330
míg az immunsejtek a behatolókra,
például a ráksejtekre.
például a ráksejtekre.
01:33
But from a mathematical point of view,
30
81273
2345
De egy matematikai nézőpontból szemlélve
01:35
a qualitatively same system
of predator-prey type equations
of predator-prey type equations
31
83642
4156
egy minőségileg azonos
ragadozó-préda-rendszer képlete
ragadozó-préda-rendszer képlete
01:39
will describe interactions
between foxes and rabbits
between foxes and rabbits
32
87822
3245
jellemzi a kölcsönhatást
a rókák és a nyulak,
a rókák és a nyulak,
01:43
and cancer and immune cells.
33
91091
1774
illetve a rák- és immunsejtek között.
A ragadozó-préda típusú rendszereket
mélyrehatóan tanulmányozták már
mélyrehatóan tanulmányozták már
01:45
Predator-prey type systems
have been studied extensively
have been studied extensively
34
93609
2708
01:48
in scientific literature,
35
96341
1269
a tudományos irodalomban,
01:49
describing interactions
of two populations,
of two populations,
36
97634
2378
leírják a két populáció
közti kölcsönhatást,
közti kölcsönhatást,
01:52
where survival of one depends
on consuming the other.
on consuming the other.
37
100036
2775
melyben az egyik túlélése azon múlik,
hogy elfogyasztja a másikat.
hogy elfogyasztja a másikat.
01:55
And these same equations
provide a framework
provide a framework
38
103485
2620
Ezek az egyenletek keretet adnak ahhoz,
hogy megértsük, hogyan hatnak
egymásra a rák- és immunsejtek,
egymásra a rák- és immunsejtek,
01:58
for understanding
cancer-immune interactions,
cancer-immune interactions,
39
106129
2311
02:00
where cancer is the prey,
40
108464
1841
ahol a ráksejt a préda
02:02
and the immune system is the predator.
41
110329
2372
és az immunrendszer a ragadozó.
02:04
And the prey employs all sorts of tricks
to prevent the predator from killing it,
to prevent the predator from killing it,
42
112725
4032
Persze a préda bevet mindenféle trükköt,
hogy megmeneküljön a ragadozó elől,
hogy megmeneküljön a ragadozó elől,
02:08
ranging from camouflaging itself
43
116781
1820
az álcázástól kezdve
02:10
to stealing the predator's food.
44
118625
1839
a ragadozó élelmének ellopásáig.
02:13
This can have some very
interesting implications.
interesting implications.
45
121352
2562
Ennek nagyon érdekes
következményei lehetnek.
következményei lehetnek.
02:15
For example, despite enormous successes
in the field of immunotherapy,
in the field of immunotherapy,
46
123938
4822
Például, az immunterápia területén
elért hatalmas sikerek ellenére
elért hatalmas sikerek ellenére
02:20
there still remains
somewhat limited efficacy
somewhat limited efficacy
47
128784
2461
még mindig korlátozott a hatékonyság
02:23
when it comes solid tumors.
48
131269
1542
a szolid tumorok esetében.
02:25
But if you think about it ecologically,
49
133423
2559
De ha ökológiailag szempontból vizsgáljuk,
02:28
both cancer and immune cells --
50
136006
2090
mind a rák- és immunsejtnek –
02:30
the prey and the predator --
51
138120
1600
a zsákmánynak és a ragadozónak –
02:31
require nutrients
such as glucose to survive.
such as glucose to survive.
52
139744
3031
táplálékra van szüksége, például
glükózra, hogy életben maradjon.
glükózra, hogy életben maradjon.
02:35
If cancer cells outcompete
the immune cells for shared nutrients
the immune cells for shared nutrients
53
143358
4789
Ha a ráksejtek több táplálékhoz jutnak
a daganat mikrokörnyezetében,
a daganat mikrokörnyezetében,
02:40
in the tumor microenvironment,
54
148171
1793
mint az immunsejtek,
02:41
then the immune cells will physically
not be able to do their job.
not be able to do their job.
55
149988
3414
akkor utóbbiak fizikailag képtelenek
lesznek elvégezni a feladatukat.
lesznek elvégezni a feladatukat.
02:46
This predator-prey-shared
resource type model
resource type model
56
154291
2868
Ezzel a ragadózó-préda-megosztott
erőforrás típusú modellel
erőforrás típusú modellel
02:49
is something I've worked on
in my own research.
in my own research.
57
157183
2297
foglalkoztam a saját kutatásaimban is.
02:51
And it was recently shown experimentally
58
159504
2724
Nemrégiben kísérletileg kimutatták,
02:54
that restoring the metabolic balance
in the tumor microenvironment --
in the tumor microenvironment --
59
162252
4054
hogy ha visszaállítják
az anyagcsere-egyensúlyt
az anyagcsere-egyensúlyt
02:58
that is, making sure
immune cells get their food --
immune cells get their food --
60
166330
3531
a tumor mikrokörnyezetében, táplálékot
biztosítva az immunsejteknek,
biztosítva az immunsejteknek,
03:01
can give them, the predators, back
their edge in fighting cancer, the prey.
their edge in fighting cancer, the prey.
61
169885
5245
esélyt nyújtanak nekik, a ragadozóknak
a rák, vagyis a zsákmány legyőzésére.
a rák, vagyis a zsákmány legyőzésére.
03:08
This means that if you abstract a bit,
62
176440
2339
Ez azt jelenti, hogyha
kicsit elvonatkoztatunk,
kicsit elvonatkoztatunk,
03:10
you can think about cancer itself
as an ecosystem,
as an ecosystem,
63
178803
2955
tekinthetünk úgy is a rákra,
mint egy ökoszisztémára,
mint egy ökoszisztémára,
03:13
where heterogeneous populations of cells
compete and cooperate
compete and cooperate
64
181782
4287
ahol heterogén sejtpopulációk
versengenek és együttműködnek
versengenek és együttműködnek
03:18
for space and nutrients,
65
186093
2017
területért és táplálékért,
03:20
interact with predators --
the immune system --
the immune system --
66
188134
2672
kölcsönhatásba lépnek a ragadozókkal –
az immunsejtekkel –,
az immunsejtekkel –,
03:22
migrate -- metastases --
67
190830
2241
vándorolnak – áttétet képeznek –,
03:25
all within the ecosystem
of the human body.
of the human body.
68
193095
2467
mindezt az emberi test
ökoszisztémáján belül.
ökoszisztémáján belül.
03:28
And what do we know about most
ecosystems from conservation biology?
ecosystems from conservation biology?
69
196221
3869
Mit is tanultunk az ökoszisztémákról
természetvédelmi biológiából?
természetvédelmi biológiából?
03:32
That one of the best ways
to extinguish species
to extinguish species
70
200643
2852
A legjobb módszer egy faj kiirtására
03:35
is not to target them directly
71
203519
1952
nem az, ha közvetlenül
a populációt célozzuk meg,
a populációt célozzuk meg,
03:37
but to target their environment.
72
205495
2439
hanem annak környezetét.
03:40
And so, once we have identified
the key components
the key components
73
208880
3070
Ha tehát sikerül azonosítani
a tumor környezetének
a tumor környezetének
03:43
of the tumor environment,
74
211974
1644
kulcsfontosságú elemeit,
03:45
we can propose hypotheses
75
213642
1948
hipotéziseket állíthatunk fel,
03:47
and simulate scenarios
and therapeutic interventions
and therapeutic interventions
76
215614
3294
forgatókönyveket és terápiás
beavatkozásokat szimulálhatunk
beavatkozásokat szimulálhatunk
03:50
all in a completely safe
and affordable way
and affordable way
77
218932
3425
biztonságos, költséghatékony módon,
03:54
and target different components
of the microenvironment
of the microenvironment
78
222381
3369
megcélozva a mikrokörnyezet
különböző elemeit,
különböző elemeit,
03:57
in such a way as to kill the cancer
without harming the host,
without harming the host,
79
225774
3996
ily módon elpusztulnak a ráksejtek,
de a gazdaszervezet nem sérül,
de a gazdaszervezet nem sérül,
04:01
such as me or you.
80
229794
1570
sem önök, sem én.
04:05
And so while the immediate
goal of my research
goal of my research
81
233029
3002
Bár a kutatásom közvetlen célja
04:08
is to advance research and innovation
82
236055
2266
a kutatás fejlesztése, újítás
04:10
and to reduce its cost,
83
238345
1896
és költségcsökkentés,
04:12
the real intent, of course,
is to save lives.
is to save lives.
84
240265
2517
az igazi célja természetesen
életek megmentése.
életek megmentése.
04:15
And that's what I try to do
85
243278
1771
Ezt próbálom elérni
04:17
through mathematical modeling
applied to biology,
applied to biology,
86
245073
2747
a matematikai modellezés
biológiai alkalmazásával
biológiai alkalmazásával
04:19
and in particular,
to the development of drugs.
to the development of drugs.
87
247844
2471
és főleg gyógyszerfejlesztéssel.
04:22
It's a field that until relatively
recently has remained somewhat marginal,
recently has remained somewhat marginal,
88
250895
4056
Ezt a szakágat nem is olyan rég még
viszonylag jelentéktelennek vélték,
viszonylag jelentéktelennek vélték,
04:26
but it has matured.
89
254975
1452
de azóta ez sokat változott.
04:28
And there are now very well-developed
mathematical methods,
mathematical methods,
90
256451
3149
Ma már jól kifejlesztett
matematikai módszerek,
matematikai módszerek,
04:31
a lot of preprogrammed tools,
91
259624
1899
temérdek előreprogramozott eszköz,
04:33
including free ones,
92
261547
1496
közülük több ingyenes,
04:35
and an ever-increasing amount
of computational power available to us.
of computational power available to us.
93
263067
4047
és egyre nagyobb informatikai
teljesítmény áll rendelkezésünkre.
teljesítmény áll rendelkezésünkre.
04:40
The power and beauty
of mathematical modeling
of mathematical modeling
94
268718
3399
A matematikai modellezés
ereje és szépsége is
ereje és szépsége is
04:44
lies in the fact
that it makes you formalize,
that it makes you formalize,
95
272141
2641
abban rejlik, hogy amit tudni vélünk,
04:46
in a very rigorous way,
96
274806
2087
azt szigorúan szabályozott
04:48
what we think we know.
97
276917
1465
rendszerbe kényszeríti.
04:50
We make assumptions,
98
278904
1444
Felállítunk egy hipotézist,
04:52
translate them into equations,
99
280372
1568
lefordítjuk egyenletekké,
04:53
run simulations,
100
281964
1311
szimulációkat futtatunk,
04:55
all to answer the question:
101
283299
1773
hogy megválaszolhassuk a kérdést:
04:57
In a world where my assumptions are true,
102
285096
2246
Olyan világban, ahol
a hipotéziseim igazak,
a hipotéziseim igazak,
04:59
what do I expect to see?
103
287366
1570
mit kéne látnom?
05:01
It's a pretty simple conceptual framework.
104
289890
2086
Elég egyszerű szabálykeret.
05:04
It's all about asking the right questions.
105
292000
2226
Csak jól kell feltenni a kérdést.
05:06
But it can unleash numerous opportunities
for testing biological hypotheses.
for testing biological hypotheses.
106
294603
4095
De ez számos lehetőséget nyit
biológiai feltevések tesztelésére.
biológiai feltevések tesztelésére.
05:11
If our predictions match our observations,
107
299696
2600
Ha feltételezéseink egybevágnak
megfigyeléseinkkel,
megfigyeléseinkkel,
05:14
great! -- we got it right,
so we can make further predictions
so we can make further predictions
108
302320
3027
szuper! – eltaláltuk, így további
következtetéseket vonhatunk le,
következtetéseket vonhatunk le,
05:17
by changing this or that
aspect of the model.
aspect of the model.
109
305371
2560
a modell néhány tulajdonságát módosítva.
05:20
If, however, our predictions
do not match our observations,
do not match our observations,
110
308733
3700
Ha viszont a feltevéseink nem bizonyulnak
igaznak a megfigyeléseink alapján,
igaznak a megfigyeléseink alapján,
05:24
that means that some
of our assumptions are wrong,
of our assumptions are wrong,
111
312457
2585
az azt jelenti, hogy a hipotézisünk téves,
05:27
and so our understanding
of the key mechanisms
of the key mechanisms
112
315066
2433
és hiányos a megértésünk
05:29
of underlying biology
113
317523
1439
a kulcsfontosságú biológiai
05:30
is still incomplete.
114
318986
1270
szerkezettel kapcsolatosan.
05:32
Luckily, since this is a model,
115
320829
2362
Szerencsére, mivel ez csak egy modell,
05:35
we control all the assumptions.
116
323215
1889
mi szabjuk meg a feltevéseket.
05:37
So we can go through them, one by one,
117
325128
2140
Így végig tudtunk rajtuk menni egyesével,
05:39
identifying which one or ones
are causing the discrepancy.
are causing the discrepancy.
118
327292
3829
azonosítva azt az egyet vagy akár többet,
melyekből az eltérés adódik.
melyekből az eltérés adódik.
Ezután megpróbáljuk ezt a feltevést
kísérleti és elméleti megközelítéssel
kísérleti és elméleti megközelítéssel
05:43
And then we can fill this newly
identified gap in knowledge
identified gap in knowledge
119
331637
3356
05:47
using both experimental
and theoretical approaches.
and theoretical approaches.
120
335017
2715
kiegészíteni, pontosítani.
05:50
Of course, any ecosystem
is extremely complex,
is extremely complex,
121
338699
2821
Természetesen minden ökoszisztéma
rettentően összetett,
rettentően összetett,
05:53
and trying to describe all the moving
parts is not only very difficult,
parts is not only very difficult,
122
341544
3843
és nemcsak nagyon nehéz leírni
minden dinamikus elemét,
minden dinamikus elemét,
05:57
but also not very informative.
123
345411
1662
de kevésbé informatív is.
És persze az időigényesség
problémája is fennáll,
problémája is fennáll,
05:59
There's also the issue of timescales,
124
347518
2066
06:01
because some processes take place
on a scale of seconds, some minutes,
on a scale of seconds, some minutes,
125
349608
3668
hisz némely folyamat
másodpercekig, percekig tart,
másodpercekig, percekig tart,
mások viszont napokig, hónapokig
vagy évekig is elhúzódnak.
vagy évekig is elhúzódnak.
06:05
some days, months and years.
126
353300
1948
06:07
It may not always be possible
to separate those out experimentally.
to separate those out experimentally.
127
355272
3199
Nem mindig lehetséges ezeket
kísérletileg szétválasztani.
kísérletileg szétválasztani.
06:11
And some things happen
so quickly or so slowly
so quickly or so slowly
128
359143
3384
Más folyamatok pedig olyan
gyorsan vagy lassan történnek,
gyorsan vagy lassan történnek,
06:14
that you may physically
never be able to measure them.
never be able to measure them.
129
362551
2720
hogy fizikailag mérhetetlenek.
06:17
But as mathematicians,
130
365295
2288
Matematikusként azonban
06:19
we have the power to zoom in
on any subsystem in any timescale
on any subsystem in any timescale
131
367607
5645
bármely alrendszert bármennyi idő alatt
alaposan megfigyelhetünk,
alaposan megfigyelhetünk,
06:25
and simulate effects of interventions
132
373276
2124
és bármilyen beavatkozást szimulálhatunk,
06:27
that take place in any timescale.
133
375424
2701
időkorláttól függetlenül.
06:31
Of course, this isn't the work
of a modeler alone.
of a modeler alone.
134
379942
2934
Ez természetesen nem egyedül
a modellező munkája.
a modellező munkája.
06:34
It has to happen in close
collaboration with biologists.
collaboration with biologists.
135
382900
3289
Szoros együttműködésben kell
dolgozni biológusokkal.
dolgozni biológusokkal.
06:38
And it does demand
some capacity of translation
some capacity of translation
136
386213
3004
És szükség van némi fordítási készségre
06:41
on both sides.
137
389241
1204
mindkét szakma részéről.
06:43
But starting with a theoretical
formulation of a problem
formulation of a problem
138
391550
3788
De egy probléma elméleti
modelljéből kiindulva
modelljéből kiindulva
06:47
can unleash numerous opportunities
for testing hypotheses
for testing hypotheses
139
395362
3497
számos lehetőség adódik
hipotézisek tesztelésére,
hipotézisek tesztelésére,
06:50
and simulating scenarios
and therapeutic interventions,
and therapeutic interventions,
140
398883
3239
forgatókönyvek és terápiás
beavatkozások szimulálására,
beavatkozások szimulálására,
06:54
all in a completely safe way.
141
402146
2070
mindezt teljesen biztonságos módon.
06:56
It can identify gaps in knowledge
and logical inconsistencies
and logical inconsistencies
142
404977
5175
Rávilágít a tudásbéli hiányosságokra
és a logikai következetlenségekre,
és a logikai következetlenségekre,
07:02
and can help guide us
as to where we should keep looking
as to where we should keep looking
143
410176
2839
valamint segít abban, hogy merre
kéne tovább vizsgálódni,
kéne tovább vizsgálódni,
07:05
and where there may be a dead end.
144
413039
1895
és merre lehet zsákutca.
07:07
In other words:
145
415632
1247
Más szóval:
07:08
mathematical modeling
can help us answer questions
can help us answer questions
146
416903
3494
a matematikai modellezés segít
olyan kérdések megválaszolásában,
olyan kérdések megválaszolásában,
07:12
that directly affect people's health --
147
420421
2388
melyek közvetlenül hatnak
az emberek egészségére –
az emberek egészségére –
07:15
that affect each
person's health, actually --
person's health, actually --
148
423942
2704
minden ember egészségére –,
07:18
because mathematical modeling will be key
149
426670
2676
mivel a matematikai
modellezés lesz a kulcs,
modellezés lesz a kulcs,
07:21
to propelling personalized medicine.
150
429370
1834
mely a személyre szabott
orvostudományt fellendíti.
orvostudományt fellendíti.
07:24
And it all comes down
to asking the right question
to asking the right question
151
432112
3067
Az egész azon múlik,
hogy jó kérdést tegyünk fel,
hogy jó kérdést tegyünk fel,
07:27
and translating it
to the right equation ...
to the right equation ...
152
435711
2075
és azt lefordítsuk
a megfelelő egyenletre...
a megfelelő egyenletre...
07:30
and back.
153
438670
1150
majd vissza.
07:32
Thank you.
154
440533
1151
Köszönöm.
07:33
(Applause)
155
441708
3299
(Taps)
ABOUT THE SPEAKER
Irina Kareva - Theoretical biologistIrina Kareva is looking for answers to biological questions using mathematical modeling.
Why you should listen
Dr. Irina Kareva studies cancer as an evolving ecosystem, bringing in insights from various disciplines -- from evolutionary biology to paleontology to ergodic theory -- to understand how we can manage, if not cure, cancer like a chronic disease. She has authored more than 25 publications, including several papers with her parents, who are also mathematicians. The Kareva clan was featured in a Nature article entitled "Relationships: Scions of Science."
Kareva is a research scientist at EMD Serono Research Center near Boston Massachusetts, US. Her book, Understanding Cancer from a Systems Biology Point of View: From Observation to Theory and Back, was recently published by Elsevier, and a second book on mathematical modeling of the evolution of heterogeneous populations will be released in mid-2019.
In addition to her scientific studies and endeavors, Kareva also holds a degree in music and works actively as a professional opera singer. She is a member of the Boston Symphony Orchestra’s Tanglewood Festival Chorus, has performed solo roles in local productions, religious music performances, and can even occasionally be heard in pieces as varied as video game soundtracks and heavy metal recordings.
Irina Kareva | Speaker | TED.com