TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Come leggere il genoma e costruire un essere umano
Filmed:
Readability: 3.6
1,834,677 views
I segreti, le malattie e la bellezza sono tutti racchiusi nel genoma umano, la serie completa di istruzioni genetiche che servono per costruire un essere umano. Ora, come ci mostra lo scienziato e imprenditore Riccardo Sabatini, abbiamo il potere di leggere questo complesso codice, riuscendo a prevedere cose come l'altezza, il colore degli occhi, l'età ed anche la struttura facciale - tutto a partire da una fialetta di sangue. E presto, dice Sabatini, la nostra nuove conoscenze sul genoma ci permetterà di personalizzare le cure per malattie come il cancro. Abbiamo il potere di cambiare la vita così come l'abbiamo sempre conosciuta. Come lo useremo?
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.
Nei prossimi 16 minuti,
vi condurrò in un viaggio
vi condurrò in un viaggio
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
che è probabilmente
il più grande sogno dell'umanità:
il più grande sogno dell'umanità:
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
comprendere il codice della vita.
00:18
to understand the code of life.
2
6508
2015
Per me tutto iniziò molti anni fa,
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
quando incontrai la prima stampante 3D.
00:23
when I met the first 3D printer.
4
11839
2723
Il concetto era affascinante.
00:26
The concept was fascinating.
5
14586
1674
00:28
A 3D printer needs three elements:
6
16284
2022
A una stampante 3D bastano tre elementi
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
- un po' di informazione, un po'
di materia prima e un po' di energia -
di materia prima e un po' di energia -
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
per creare qualsiasi oggetto
prima inesistente.
prima inesistente.
Studiavo fisica,
e mentre tornavo a casa
e mentre tornavo a casa
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
mi resi conto che in realtà
avevo sempre conosciuto una stampante 3D.
avevo sempre conosciuto una stampante 3D.
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
Tutti la conoscono.
00:44
And everyone does.
11
32140
1336
Era mia mamma.
00:45
It was my mom.
12
33500
1158
(Risate)
00:46
(Laughter)
13
34682
1001
Mia mamma ha usato tre elementi:
00:47
My mom takes three elements:
14
35707
2414
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
un po' di informazione, in questo caso
sia sua che di mio padre,
sia sua che di mio padre,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
materia prima ed energia
nello stesso supporto, cioè cibo,
nello stesso supporto, cioè cibo,
00:58
and after several months, produces me.
17
46323
2508
e dopo qualche mese produce me.
Che non esistevo prima.
01:00
And I was not existent before.
18
48855
1812
Quindi al di là dello shock di mia madre
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
quando ha scoperto
di essere una stampante 3D,
di essere una stampante 3D,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
sono stato catturato
fin da subito dal primo elemento,
fin da subito dal primo elemento,
01:11
the first one, the information.
21
59239
1717
l'informazione.
01:12
What amount of information does it take
22
60980
2251
Quanta informazione serve per creare
e assemblare un essere umano?
e assemblare un essere umano?
01:15
to build and assemble a human?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
Ne serve tanta? Ne basta poca?
01:18
How many thumb drives can you fill?
25
66813
2180
Quante chiavette USB potremmo riempire?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
All'inizio delle ricerca
stavo ancora studiando fisica
stavo ancora studiando fisica
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
e ho approssimato un essere umano
a un gigantesco pezzo di Lego.
a un gigantesco pezzo di Lego.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Immaginate che i mattoni da costruzione
siano piccoli atomi:
siano piccoli atomi:
un idrogeno qui,
un carbonio qui, un azoto qui.
un carbonio qui, un azoto qui.
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
01:37
So in the first approximation,
30
85772
1571
Come prima approssimazione,
se riesco ad elencare il numero di atomi
che compongono un essere umano,
che compongono un essere umano,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
lo posso costruire.
01:43
I can build it.
32
91734
1387
01:45
Now, you can run some numbers
33
93145
2029
Se fate due conti,
il numero che viene fuori
è strabiliante.
è strabiliante.
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
01:50
So the number of atoms,
35
98499
2757
Il numero di atomi,
il file che salverò sulla penna USB
per assemblare un bebè,
per assemblare un bebè,
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
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
riempirebbe un intero Titanic
di chiavette --
di chiavette --
02:02
multiplied 2,000 times.
38
110750
2718
moltiplicato per 2.000.
02:05
This is the miracle of life.
39
113957
3401
Questo è il miracolo della vita.
D'ora in poi, davanti
a una donna incinta, notatelo:
a una donna incinta, notatelo:
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
sta assemblando la più grande mole di dati
02:14
that you will ever encounter.
42
122898
1556
che abbiate mai incontrato.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Dimenticate i big data,
e qualsiasi cosa abbiate mai sentito.
e qualsiasi cosa abbiate mai sentito.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
È questa la più grande quantità
di informazione che esista.
di informazione che esista.
02:22
(Applause)
45
130357
3833
(Applausi)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
Ma la natura, per fortuna,
è molto più intelligente
di un giovane fisico,
di un giovane fisico,
e in 4 miliardi di anni è riuscita
a concentrare questa informazione
a concentrare questa informazione
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
in un piccolo cristallo,
che chiamiamo DNA.
che chiamiamo DNA.
02:34
in a small crystal we call DNA.
48
142482
2705
L'abbiamo visto per la prima volta
nel 1950, quando Rosalind Franklin,
nel 1950, quando Rosalind Franklin,
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
una brillante scienziata, lo fotografò.
02:41
an amazing scientist, a woman,
50
149941
1556
02:43
took a picture of it.
51
151521
1389
Ma abbiamo impiegato più di 40 anni
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
per poter finalmente curiosare
dentro una cellula umana,
dentro una cellula umana,
estrarre il cristallo,
srotolarlo e leggerlo per la prima volta.
srotolarlo e leggerlo per la prima volta.
02:50
take out this crystal,
53
158146
1602
02:51
unroll it, and read it for the first time.
54
159772
3080
Il codice si è rivelato
un alfabeto piuttosto semplice,
un alfabeto piuttosto semplice,
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
composto da quattro lettere:
A, T, C e G.
A, T, C e G.
02:58
four letters: A, T, C and G.
56
166880
3772
Per costruire un essere umano,
ne servono tre miliardi.
ne servono tre miliardi.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Tre miliardi.
03:06
Three billion.
58
174933
1179
Quanti sono tre miliardi?
03:08
How many are three billion?
59
176136
1579
Non ha alcun senso come numero, vero?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Stavo pensando a un modo
di comunicare meglio,
di comunicare meglio,
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
di farvi capire quando enorme
sia questo codice.
sia questo codice.
03:16
about how big and enormous this code is.
62
184634
3050
Ma c'è un modo -- capiamoci,
mi servirà un po' di aiuto,
mi servirà un po' di aiuto,
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
e la persona perfetta per aiutarmi
a presentarvi il codice
a presentarvi il codice
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
è il primo uomo che l'ha sequenziato,
Dr. Craig Venter.
Dr. Craig Venter.
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
Benvenuto sul palco, Dr. Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
(Applausi)
03:32
(Applause)
67
200997
6931
03:39
Not the man in the flesh,
68
207952
2256
Non l'uomo in carne e ossa:
per la prima volta nella storia,
03:43
but for the first time in history,
69
211448
2345
questo è il genoma di uno specifico uomo,
03:45
this is the genome of a specific human,
70
213817
3462
stampato pagina per pagina,
lettera per lettera:
lettera per lettera:
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
262.000 pagine di informazioni,
03:53
262,000 pages of information,
72
221087
3996
450 chili, spediti dagli Stati Uniti
al Canada
al Canada
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
grazie a Bruno Bowden, Lulu.com,
una start-up, che ha fatto tutto.
una start-up, che ha fatto tutto.
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
È stata un'impresa incredibile.
04:06
It was an amazing feat.
75
234362
1463
Ma questa è la percezione visiva
di ciò che è il codice della vita.
di ciò che è il codice della vita.
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
Ora, per la prima volta,
posso fare una cosa divertente:
posso fare una cosa divertente:
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
curiosarci dentro e leggerlo.
04:14
I can actually poke inside it and read.
78
242672
2547
Prendiamo un libro interessante...
questo, per esempio.
questo, per esempio.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Ho messo una nota:
è un libro piuttosto grande.
è un libro piuttosto grande.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Ma è per farvi vedere
cos'è il codice della vita:
cos'è il codice della vita:
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
migliaia e migliaia e migliaia
04:32
Thousands and thousands and thousands
82
260566
3391
e milioni di lettere.
04:35
and millions of letters.
83
263981
2670
Che all'apparenza non hanno alcun senso.
04:38
And they apparently make sense.
84
266675
2396
Andiamo a un punto specifico.
04:41
Let's get to a specific part.
85
269095
1757
Ve la leggo:
04:43
Let me read it to you:
86
271571
1362
(Risate)
04:44
(Laughter)
87
272957
1021
"AAG, AAT, ATA."
04:46
"AAG, AAT, ATA."
88
274002
4006
Per voi queste lettere
non hanno alcun senso,
non hanno alcun senso,
04:50
To you it sounds like mute letters,
89
278965
2067
ma questa sequenza
dà a Craig il colore degli occhi.
dà a Craig il colore degli occhi.
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
Vi mostrerò un'altra parte del libro.
04:57
I'll show you another part of the book.
91
285633
1932
Questo è un po' più complicato, in realtà.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Cromosoma 14, libro 132:
05:02
Chromosome 14, book 132:
93
290983
2647
(Risate)
05:05
(Laughter)
94
293654
2090
Come forse vi aspettavate.
05:07
As you might expect.
95
295768
1277
05:09
(Laughter)
96
297069
3466
(Risate)
"ATT, CTT, GATT."
05:14
"ATT, CTT, GATT."
97
302857
4507
Questo essere umano è fortunato,
05:20
This human is lucky,
98
308329
1687
perché se mancassero solo
due lettere, in questo punto --
due lettere, in questo punto --
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
due lettere su tre miliardi --
05:26
two letters of our three billion --
100
314581
1877
sarebbe condannato
ad una terribile malattia:
ad una terribile malattia:
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
fibrosi cistica.
05:30
cystic fibrosis.
102
318525
1440
Non esiste una cura,
non sappiamo come curarla,
non sappiamo come curarla,
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
e bastano due lettere
a fare tutta la differenza.
a fare tutta la differenza.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
Un libro bellissimo, potente,
05:39
A wonderful book, a mighty book,
105
327585
2705
05:43
a mighty book that helped me understand
106
331115
1998
che mi ha aiutato a capire
e mostrarvi qualcosa di notevole.
e mostrarvi qualcosa di notevole.
05:45
and show you something quite remarkable.
107
333137
2753
Le lettere che identificano me,
e ognuno di voi,
e ognuno di voi,
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
sono solo 5 milioni circa,
05:52
is just about five million of these,
109
340939
2954
mezzo libro.
05:55
half a book.
110
343917
1228
Per il resto,
05:58
For the rest,
111
346015
1663
siamo tutti assolutamente identici.
05:59
we are all absolutely identical.
112
347702
2562
500 pagine è il miracolo della vita
che solo voi siete.
che solo voi siete.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Il resto lo condividiamo tutti.
06:07
The rest, we all share it.
114
355050
2531
Ripensateci, quando credete
di essere tanto speciali.
di essere tanto speciali.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Questo è quanto abbiamo in comune.
06:12
This is the amount that we share.
116
360538
2221
Adesso che ho la vostra attenzione,
06:15
So now that I have your attention,
117
363441
3429
la prossima domanda è:
06:18
the next question is:
118
366894
1359
come lo leggo?
06:20
How do I read it?
119
368277
1151
Come lo comprendo?
06:21
How do I make sense out of it?
120
369452
1509
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Per quanto bravi possiate essere
a montare mobili svedesi,
a montare mobili svedesi,
questo libretto delle istruzioni
è fuori dalla vostra portata.
è fuori dalla vostra portata.
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
(Risate)
06:31
(Laughter)
123
379260
1603
Quindi nel 2014, due famosi TEDster,
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
Peter Diamandis e lo stesso Craig Venter,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
decisero di creare una nuova azienda.
06:38
decided to assemble a new company.
126
386587
1927
Nacque Human Longevity,
con una missione:
con una missione:
06:40
Human Longevity was born,
127
388538
1412
06:41
with one mission:
128
389974
1370
fare tutto il possibile
06:43
trying everything we can try
129
391368
1861
e imparare il massimo possibile
da questi libri,
da questi libri,
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
con un obiettivo --
06:48
with one target --
131
396036
1705
realizzare il sogno
della medicina personalizzata,
della medicina personalizzata,
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
capire cosa bisognerebbe fare
per migliorare la salute
per migliorare la salute
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
e quali sono i segreti di questi libri.
06:57
and what are the secrets in these books.
134
405478
2283
Un'incredibile squadra, 40 analisti
dei dati e molte altre persone
dei dati e molte altre persone
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
con cui è bello lavorare.
07:04
a pleasure to work with.
136
412603
1350
Il concetto è, in realtà, molto semplice.
07:05
The concept is actually very simple.
137
413977
2253
Useremo una tecnologia
chiamata apprendimento automatico.
chiamata apprendimento automatico.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Da un lato ci sono
i genomi -- a migliaia.
i genomi -- a migliaia.
Dall'altro abbiamo collezionato
il più grande database di esseri umani:
il più grande database di esseri umani:
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
fenotipi, scansione 3D, NMR --
tutto ciò che vi viene in mente.
tutto ciò che vi viene in mente.
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
Lì dentro, ai due estremi,
07:24
Inside there, on these two opposite sides,
142
432340
2899
c'è il segreto della traduzione.
07:27
there is the secret of translation.
143
435263
2442
Nel mezzo costruiamo la macchina.
07:29
And in the middle, we build a machine.
144
437729
2472
Costruiamo una macchina
e alleniamo la macchina
e alleniamo la macchina
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
- beh, non proprio una:
molte, molte macchine -
molte, molte macchine -
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
per capire e tradurre
il genoma in un fenotipo.
il genoma in un fenotipo.
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
Cosa sono quelle lettere,
e cosa fanno.
e cosa fanno.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
È un metodo che può essere usato
per qualsiasi cosa,
per qualsiasi cosa,
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
ma applicarlo alla genomica
è particolarmente complicato.
è particolarmente complicato.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Piano piano siamo cresciuti
e cercavamo altre sfide.
e cercavamo altre sfide.
Abbiamo cominciato dalle basi,
dai tratti comuni.
dai tratti comuni.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
I tratti comuni sono semplici
perché sono comuni,
perché sono comuni,
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
tutti li hanno.
08:01
everyone has them.
154
469197
1184
Quindi abbiamo iniziato
a porci un po' di domande:
a porci un po' di domande:
08:02
So we started to ask our questions:
155
470405
2494
possiamo predire l'altezza?
08:04
Can we predict height?
156
472923
1380
Possiamo leggere quei libri
e predire l'altezza?
e predire l'altezza?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
In effetti si,
08:09
Well, we actually can,
158
477186
1151
con un margine di precisione
di 5 centimetri.
di 5 centimetri.
08:10
with five centimeters of precision.
159
478361
1793
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
L'IMC è abbastanza collegato
allo stile di vita,
allo stile di vita,
ma ce la facciamo ancora, ci siamo vicini
con un margine di errore di 8 chili.
con un margine di errore di 8 chili.
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
Il colore degli occhi?
08:19
Can we predict eye color?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Sì, possiamo prevederlo.
Con una precisione dell'80%.
Con una precisione dell'80%.
08:21
Eighty percent accuracy.
164
489662
1324
Possiamo predire il colore della pelle?
08:23
Can we predict skin color?
165
491466
1858
Sì, possiamo,
con una precisione dell'80%.
con una precisione dell'80%.
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Possiamo predire l'età?
08:27
Can we predict age?
167
495813
1340
Si, perché sembra che il codice
cambi nel corso della vita.
cambi nel corso della vita.
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Si accorcia, si perdono pezzi,
compaiono delle aggiunte.
compaiono delle aggiunte.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
08:37
We read the signals, and we make a model.
170
505190
2555
Noi leggiamo i segnali
e creiamo un modello.
e creiamo un modello.
E ora una sfida interessante:
08:40
Now, an interesting challenge:
171
508438
1475
possiamo prevedere un volto umano?
08:41
Can we predict a human face?
172
509937
1729
È un po' complicato,
08:45
It's a little complicated,
173
513014
1278
perché un volto umano è disperso
tra milioni di queste lettere.
tra milioni di queste lettere.
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
E un volto umano
non è un oggetto ben definito.
non è un oggetto ben definito.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Abbiamo dovuto quindi partire da zero
08:52
So, we had to build an entire tier of it
176
520184
2051
per capire come insegnare
alla macchina cos'è una faccia,
alla macchina cos'è una faccia,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
e poi incorporare e compattare il codice.
08:56
and embed and compress it.
178
524993
2037
Se conoscete un po'
l'apprendimento automatico,
l'apprendimento automatico,
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
potete immaginare
che genere di sfida sia stata.
che genere di sfida sia stata.
09:01
you understand what the challenge is here.
180
529326
2284
Adesso, dopo 15 anni -- 15 anni
dalla lettura della prima sequenza --
dalla lettura della prima sequenza --
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
a ottobre abbiamo iniziato
a ricevere dei segnali.
a ricevere dei segnali.
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
È stato un momento emozionante.
09:13
And it was a very emotional moment.
183
541049
2455
Qui vedete un soggetto
del nostro laboratorio.
del nostro laboratorio.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Per noi questa è una faccia.
09:19
This is a face for us.
185
547619
1928
Quindi prendiamo la vera faccia
di un soggetto, riduciamo la complessità,
di un soggetto, riduciamo la complessità,
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
perché i geni non spiegano tutto:
09:25
because not everything is in your face --
187
553226
1970
molti tratti, difetti e asimmetrie
derivano dalla vita.
derivano dalla vita.
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
Rendiamo la faccia simmetrica
e applichiamo il nostro algoritmo.
e applichiamo il nostro algoritmo.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Ora vi mostro i risultati:
09:35
The results that I show you right now,
190
563245
1898
questa è la previsione
che otteniamo dal sangue.
che otteniamo dal sangue.
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
(Applauso)
09:41
(Applause)
192
569596
1524
Aspettate un attimo.
09:43
Wait a second.
193
571144
1435
In questo istante state guardando
a sinistra e a destra, sinistra e destra,
a sinistra e a destra, sinistra e destra,
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 il vostro cervello cerca
di convincersi che sono uguali.
di convincersi che sono uguali.
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
Quindi ora vi chiederò
di fare l'esercizio opposto:
di fare l'esercizio opposto:
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
cercate le differenze,
09:55
Please search for the differences,
197
583743
2287
che sono molte.
09:58
which are many.
198
586054
1361
La maggiore parte di segnali
deriva dal genere,
deriva dal genere,
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
poi dall'età, dall'IMC,
dall'etnia di un essere umano.
dall'etnia di un essere umano.
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
E fare meglio di quel segnale
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
è molto più complicato.
Ma quello che potete vedere,
nonostante le differenze,
nonostante le differenze,
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
vi fa capire che siamo
sulla strada giusta,
sulla strada giusta,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
che ci stiamo avvicinando.
10:17
that we are getting closer.
204
605919
1348
E già ci impressiona.
10:19
And it's already giving you some emotions.
205
607291
2349
Questo è un altro soggetto analizzato,
e questa è una previsione.
e questa è una previsione.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
10:24
and this is a prediction.
207
612391
1409
Il viso è un po' più piccolo,
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
non abbiamo individuato
la completa struttura del cranio,
la completa struttura del cranio,
ma comunque è una buona approssimazione.
10:30
but still, it's in the ballpark.
209
618444
2651
Questo è un soggetto
che viene al nostro laboratorio,
che viene al nostro laboratorio,
10:33
This is a subject that comes in our lab,
210
621634
2224
10:35
and this is the prediction.
211
623882
1443
e questa è la previsione.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Queste persone non sono mai state viste
durante la preparazione della macchina.
durante la preparazione della macchina.
Sono le cosiddette
serie escluse.
serie escluse.
10:42
These are the so-called "held-out" set.
213
630756
2837
Ma probabilmente,
non immaginereste mai chi sono.
non immaginereste mai chi sono.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Stiamo pubblicando tutto
su una rivista scientifica,
su una rivista scientifica,
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
che potrete leggere.
10:52
you can read it.
216
640081
1151
Ma dato che siamo sul palco,
Chris mi ha sfidato.
Chris mi ha sfidato.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Forse mi sono esposto
nel cercare di fare una previsione
nel cercare di fare una previsione
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
10:59
someone that you might recognize.
219
647274
2831
di una persona che potreste riconoscere.
In questa fialetta di sangue --
e credetemi, non avete idea
e credetemi, non avete idea
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
di cosa abbiamo fatto
per potervela mostrare --
per potervela mostrare --
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
in questa fialetta di sangue
c'è sufficiente informazione biologica
c'è sufficiente informazione biologica
per permetterci di elaborare
un'intera sequenza genomica.
un'intera sequenza genomica.
11:13
that we need to do a full genome sequence.
223
661748
2277
Ne basta davvero così poco.
11:16
We just need this amount.
224
664049
2070
Abbiamo eseguito la sequenza,
e ora lo rifarò con voi.
e ora lo rifarò con voi.
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
Poi abbiamo iniziato ad accumulare
tutta la conoscenza che avevamo.
tutta la conoscenza che avevamo.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Dalla fialetta di sangue,
abbiamo previsto che fosse maschio.
abbiamo previsto che fosse maschio.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
E il soggetto è un maschio.
11:29
And the subject is a male.
228
677134
1364
Abbiamo previsto
che fosse alto 1m e 76 cm.
che fosse alto 1m e 76 cm.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Il soggetto è alto 1m e 77cm.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Abbiamo previsto che pesasse 76kg;
il soggetto pesa 82kg.
il soggetto pesa 82kg.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Abbiamo previsto la sua età, 38.
Il soggetto ha 35 anni.
Il soggetto ha 35 anni.
11:40
We predict his age, 38.
232
688701
2632
11:43
The subject is 35.
233
691357
1904
Abbiamo previsto
il colore dei suoi occhi.
il colore dei suoi occhi.
11:45
We predict his eye color.
234
693851
2124
Troppo scuri.
11:48
Too dark.
235
696824
1211
Abbiamo previsto
il colore della sua pelle:
il colore della sua pelle:
11:50
We predict his skin color.
236
698059
1555
più o meno ci siamo.
11:52
We are almost there.
237
700026
1410
Quella è la sua faccia.
11:53
That's his face.
238
701899
1373
Adesso, la rivelazione:
11:57
Now, the reveal moment:
239
705172
3269
il soggetto è questa persona.
12:00
the subject is this person.
240
708465
1770
12:02
(Laughter)
241
710259
1935
(Risate)
L'ho fatto intenzionalmente.
12:04
And I did it intentionally.
242
712218
2058
Faccio parte di un'etnia
molto particolare:
molto particolare:
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
sudeuropea, italiani --
che non corrispondono mai ai modelli.
che non corrispondono mai ai modelli.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
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
È particolare -- questa etnia
è un complesso caso limite
è un complesso caso limite
per il nostro modello.
Ma c'è un altro motivo.
Ma c'è un altro motivo.
12:18
But there is another point.
246
726144
1509
Una delle cose su cui ci basiamo molto
per riconoscere le persone
per riconoscere le persone
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
non sarà mai scritto nel genoma.
12:23
will never be written in the genome.
248
731178
1722
È il nostro libero arbitrio,
è il mio aspetto.
è il mio aspetto.
12:24
It's our free will, it's how I look.
249
732924
2317
Non il mio taglio di capelli,
in questo caso, ma quello della mia barba.
in questo caso, ma quello della mia barba.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
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
Allora trasferirò, in questo caso --
solo con Photoshop,
senza modelli 3D --
senza modelli 3D --
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
la barba sul soggetto.
12:36
the beard on the subject.
253
744884
1713
Ed immediatamente siamo
molto molto più vicini.
molto molto più vicini.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
12:42
So, why do we do this?
255
750955
2709
Perché facciamo tutto questo?
Di certo non lo facciamo
per predire l'altezza
per predire l'altezza
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
o scattare una bella foto
dal nostro sangue.
dal nostro sangue.
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
Lo facciamo perché la stessa tecnologia
e lo stesso approccio,
e lo stesso approccio,
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
l'apprendimento automatico
di questo codice,
di questo codice,
13:00
the machine learning of this code,
259
768432
2520
ci sta aiutando a capire come funzioniamo,
13:02
is helping us to understand how we work,
260
770976
3137
come funziona il nostro corpo,
13:06
how your body works,
261
774137
1486
come invecchia il nostro corpo,
13:07
how your body ages,
262
775647
1665
come si generano le malattie,
13:09
how disease generates in your body,
263
777336
2769
come il cancro nasce e si sviluppa,
13:12
how your cancer grows and develops,
264
780129
2972
come funzionano i farmaci
13:15
how drugs work
265
783125
1783
e se funzionano sul nostro corpo.
13:16
and if they work on your body.
266
784932
2314
È una sfida immensa.
13:19
This is a huge challenge.
267
787713
1667
È una sfida che condividiamo
13:21
This is a challenge that we share
268
789894
1638
con centinaia di altri ricercatori
nel mondo.
nel mondo.
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
Si chiama medicina personalizzata.
13:26
It's called personalized medicine.
270
794159
2222
Ed è la capacità di passare
da un approccio statistico,
da un approccio statistico,
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
dove siete un puntino nell'oceano,
13:32
where you're a dot in the ocean,
272
800609
2032
a un approccio personalizzato,
13:34
to a personalized approach,
273
802665
1813
in cui leggiamo tutti questi libri
13:36
where we read all these books
274
804502
2185
e capiamo esattamente come siete.
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
Ma è una sfida
particolarmente complicata,
particolarmente complicata,
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
perché di tutti questi libri, ad oggi,
13:45
because of all these books, as of today,
277
813646
3998
conosciamo solo il 2% circa:
13:49
we just know probably two percent:
278
817668
2642
quattro libri su più di 175.
13:53
four books of more than 175.
279
821027
3653
13:58
And this is not the topic of my talk,
280
826021
3206
Questo non è l'argomento del mio talk,
perché impareremo più di questo.
14:02
because we will learn more.
281
830145
2598
Le migliori menti al mondo
stanno lavorando su questo argomento.
stanno lavorando su questo argomento.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Le previsioni miglioreranno,
14:09
The prediction will get better,
283
837048
1834
il modello sarà più preciso.
14:10
the model will get more precise.
284
838906
2253
E più impareremo,
14:13
And the more we learn,
285
841183
1858
più dovremo confrontarci con decisioni
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
mai affrontate prima
14:19
that we never had to face before
287
847919
3021
sulla vita, sulla morte,
sull'essere genitori.
sull'essere genitori.
14:22
about life,
288
850964
1435
14:24
about death,
289
852423
1674
14:26
about parenting.
290
854121
1603
Quindi, questa conversazione --
stiamo indagando i meccanismi
più profondi della vita.
più profondi della vita.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Ed è una rivoluzione
che non può essere limitata
che non può essere limitata
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
al campo della scienza
o della tecnologia.
o della tecnologia.
14:41
in the domain of science or technology.
293
869300
2659
Deve diventare
una conversazione globale.
una conversazione globale.
14:44
This must be a global conversation.
294
872960
2244
Dobbiamo pensare al futuro
che stiamo costruendo come umanità.
che stiamo costruendo come umanità.
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
Dobbiamo collaborare con i creativi,
con gli artisti, con i filosofi,
con gli artisti, con i filosofi,
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
con i politici.
14:57
with politicians.
297
885127
1510
Siamo tutti coinvolti, perché in ballo
c'è il futuro della nostra specie.
c'è il futuro della nostra specie.
14:58
Everyone is involved,
298
886661
1158
14:59
because it's the future of our species.
299
887843
2825
Senza timori, ma con la consapevolezza
15:03
Without fear, but with the understanding
300
891273
3968
che le decisioni
che prenderemo nel prossimo anno
che prenderemo nel prossimo anno
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
cambieranno il corso della storia
per sempre.
per sempre.
15:11
will change the course of history forever.
302
899160
3789
Grazie.
15:15
Thank you.
303
903732
1160
(Applausi)
15:16
(Applause)
304
904916
10159
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