TED2016
Riccardo Sabatini: How to read the genome and build a human being
リッカルド・サバティーニ: ゲノムを読んで人間を作る方法
Filmed:
Readability: 3.6
1,834,677 views
秘密も病気も美もすべてが書かれたゲノム、それは人間を作り上げるのに必要なひとそろいの遺伝的手順書です。科学者であり起業家であるリッカルド・サバティーニが、今や小さなバイアル瓶の中の血液から複雑なゲノムの暗号を解読して身長、目の色、年齢、容貌まで予想できることを示します。ゲノムについての理解によってやがてガンのような病気に対する個別化医療が可能になるとサバティーニは言います。我々は生命そのものを変える力を手にしたのです。それをどのように使いましょう？
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
これからの16分で
人類最大の夢への旅に
お連れします
お連れします
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
生命の暗号を
理解するということです
理解するということです
00:18
to understand the code of life.
2
6508
2015
私にとって ことの始まりは
何年も前
何年も前
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
00:23
when I met the first 3D printer.
4
11839
2723
はじめて3Dプリンタに
出会ったときです
出会ったときです
魅惑的なコンセプトだと
思いました
思いました
00:26
The concept was fascinating.
5
14586
1674
00:28
A 3D printer needs three elements:
6
16284
2022
3Dプリンタは
３つの要素を必要とします
３つの要素を必要とします
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
少しばかりの情報と
原料と エネルギーです
原料と エネルギーです
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
そして それまで存在しなかった物を
何でも作れてしまうんです
何でも作れてしまうんです
私は物理をやっていましたが
家に帰ってきて
家に帰ってきて
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
3Dプリンタならずっと前から
知っていたことに気付きました
知っていたことに気付きました
00:44
And everyone does.
11
32140
1336
誰もが知っています
00:45
It was my mom.
12
33500
1158
それは母親です
00:46
(Laughter)
13
34682
1001
（笑）
母は３つの要素を
取り込みます
取り込みます
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
少しばかりの情報 —
今の場合 父と母が提供します
今の場合 父と母が提供します
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
原料とエネルギーは同じもの
食べ物から得ます
食べ物から得ます
00:58
and after several months, produces me.
17
46323
2508
そして数ヶ月の後に
私が製造されます
私が製造されます
それ以前に
私は存在しませんでした
私は存在しませんでした
01:00
And I was not existent before.
18
48855
1812
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
自分が3Dプリンタであることを知った
母の衝撃はさておき
母の衝撃はさておき
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
私はすぐに
最初の要素である
最初の要素である
情報に強く惹かれました
01:11
the first one, the information.
21
59239
1717
01:12
What amount of information does it take
22
60980
2251
人間を組み立てるために
01:15
to build and assemble a human?
23
63255
1936
どれほどの情報が
必要なのか？
必要なのか？
01:17
Is it much? Is it little?
24
65215
1574
多いのか？ 少ないのか？
01:18
How many thumb drives can you fill?
25
66813
2180
USBメモリ何本分になるのか？
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
私は当初
物理を勉強していたので
物理を勉強していたので
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
人間を巨大なレゴブロックとして
近似してみました
近似してみました
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
個々のブロックは
小さな原子です
小さな原子です
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
ここに水素があり ここに炭素があり
ここに窒素がある
ここに窒素がある
01:37
So in the first approximation,
30
85772
1571
最初の近似としては
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
人間の体を構成する個々の原子を
すべて特定できれば
すべて特定できれば
それで作り上げる
ことができます
ことができます
01:43
I can build it.
32
91734
1387
01:45
Now, you can run some numbers
33
93145
2029
計算してみると
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
驚くような結果になります
01:50
So the number of atoms,
35
98499
2757
私がUSBメモリに
収めようとしているファイル
収めようとしているファイル
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
小さな赤ん坊を組み立てるための
原子のデータは
原子のデータは
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
タイタニック号いっぱいの
USBメモリの
USBメモリの
02:02
multiplied 2,000 times.
38
110750
2718
２千倍になるんです
02:05
This is the miracle of life.
39
113957
3401
これこそ 生命の奇跡です
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
今後 妊婦を見かけたら
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
その人は 皆さんが
出会うであろう
出会うであろう
最大の情報を
組み上げているのです
組み上げているのです
02:14
that you will ever encounter.
42
122898
1556
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
ビッグデータなんて
目じゃありません
目じゃありません
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
これは存在する
最大の情報なのです
最大の情報なのです
02:22
(Applause)
45
130357
3833
（笑）
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
幸い自然界は
この駆け出しの物理学者よりずっと賢く
この駆け出しの物理学者よりずっと賢く
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
40億年の間に
この情報を
この情報を
DNAと呼ばれる小さな結晶に
詰め込みました
詰め込みました
02:34
in a small crystal we call DNA.
48
142482
2705
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
私たちがこれに出会ったのは
1950年
1950年
素晴らしい女性科学者
ロザリンド・フランクリンが
ロザリンド・フランクリンが
02:41
an amazing scientist, a woman,
50
149941
1556
02:43
took a picture of it.
51
151521
1389
写真に収めた時です
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
しかし人類が
ヒトの細胞の中をつついて
ヒトの細胞の中をつついて
この結晶を取り出し
広げて 読むようになるまでには
40年以上かかりました
40年以上かかりました
02:50
take out this crystal,
53
158146
1602
02:51
unroll it, and read it for the first time.
54
159772
3080
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
その暗号は４種の単純な
アルファベットで書かれています
アルファベットで書かれています
02:58
four letters: A, T, C and G.
56
166880
3772
A - T - C - G
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
そして人間を作るには
30億文字必要です
30億文字必要です
03:06
Three billion.
58
174933
1179
30億というのは
03:08
How many are three billion?
59
176136
1579
どんな数でしょう？
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
見当が付かないような数字です
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
この暗号がどれほど巨大かを
03:16
about how big and enormous this code is.
62
184634
3050
どうしたら説明できるか
考えました
考えました
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
そして 人の助けを
借りることにしました
借りることにしました
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
この暗号を説明する
手助けとして
手助けとして
ゲノム解読の先駆者 クレイグ・
ヴェンター以上の人はいないでしょう
ヴェンター以上の人はいないでしょう
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
ご紹介します
クレイグ・ヴェンター博士です
クレイグ・ヴェンター博士です
03:32
(Applause)
67
200997
6931
（拍手）
03:39
Not the man in the flesh,
68
207952
2256
その人物そのものではなく
03:43
but for the first time in history,
69
211448
2345
歴史上初めて
特定の人間のゲノムを
本に印刷したものです
本に印刷したものです
03:45
this is the genome of a specific human,
70
213817
3462
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
１ページ１ページ
１文字１文字
１文字１文字
03:53
262,000 pages of information,
72
221087
3996
26万2千ページの情報です
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450キログラムあります
アメリカからカナダに運んできました
アメリカからカナダに運んできました
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
ブルーノ・ボウデンと ベンチャーのLulu.comが
すべてやってくれました
すべてやってくれました
04:06
It was an amazing feat.
75
234362
1463
大した偉業です
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
これが生命の暗号を
視覚化したものです
視覚化したものです
今や ちょっと面白い
ことができます
ことができます
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
04:14
I can actually poke inside it and read.
78
242672
2547
中を覗いて
読むことができるんです
読むことができるんです
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
面白そうな本を見てみましょう
たとえばこれ
たとえばこれ
付箋を付けておきました
すごく大きな本なので
すごく大きな本なので
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
生命の暗号がどんなものか
お見せしましょう
お見せしましょう
何千 何万 何億という
04:32
Thousands and thousands and thousands
82
260566
3391
04:35
and millions of letters.
83
263981
2670
文字があります
04:38
And they apparently make sense.
84
266675
2396
ここには何か意味があるはずです
04:41
Let's get to a specific part.
85
269095
1757
特定の部分を見てみます
読んで差し上げましょう
04:43
Let me read it to you:
86
271571
1362
04:44
(Laughter)
87
272957
1021
（笑）
04:46
"AAG, AAT, ATA."
88
274002
4006
AAG AAT ATA
04:50
To you it sounds like mute letters,
89
278965
2067
黙字のように聞こえますが
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
この配列はクレイグの目の色を
指定しています
指定しています
04:57
I'll show you another part of the book.
91
285633
1932
別の巻を見てみましょう
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
こちらは もう少し複雑です
05:02
Chromosome 14, book 132:
93
290983
2647
染色体14 第132巻
05:05
(Laughter)
94
293654
2090
（笑）
05:07
As you might expect.
95
295768
1277
お察しの通り
05:09
(Laughter)
96
297069
3466
（笑）
05:14
"ATT, CTT, GATT."
97
302857
4507
ATT CTT GATT
05:20
This human is lucky,
98
308329
1687
この人は幸運です
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
この部分の２文字が
欠けただけで —
欠けただけで —
30億文字中の たった２文字が
欠けているだけで
欠けているだけで
05:26
two letters of our three billion --
100
314581
1877
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
恐ろしい病気を
運命付けられてしまいます
運命付けられてしまいます
05:30
cystic fibrosis.
102
318525
1440
嚢胞性線維症です
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
治す方法も救う方法も
わかっていません
わかっていません
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
それがたった２文字の違いで
引き起こされるのです
引き起こされるのです
05:39
A wonderful book, a mighty book,
105
327585
2705
素晴らしい本 強力な本
05:43
a mighty book that helped me understand
106
331115
1998
この本は ある極めて驚くべきことを
教えてくれます
教えてくれます
05:45
and show you something quite remarkable.
107
333137
2753
お見せしましょう
どんな人であれ 私を私
皆さんを皆さんたらしめているのは
皆さんを皆さんたらしめているのは
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
05:52
is just about five million of these,
109
340939
2954
このうちの たったの５百万字
05:55
half a book.
110
343917
1228
１冊の半分たらずで
05:58
For the rest,
111
346015
1663
残りの部分は
05:59
we are all absolutely identical.
112
347702
2562
まったく同一なんです
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
500ページが 皆さんという
生命の奇跡を作り出し
生命の奇跡を作り出し
06:07
The rest, we all share it.
114
355050
2531
残りはみんなと共通です
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
人は皆違うと思った時
そのことを考えてみてください
そのことを考えてみてください
06:12
This is the amount that we share.
116
360538
2221
私たちが共有している量を
06:15
So now that I have your attention,
117
363441
3429
少し興味を持って
いただけたと思うので
いただけたと思うので
06:18
the next question is:
118
366894
1359
次の疑問ですが
どうやってこれを読むのか？
06:20
How do I read it?
119
368277
1151
06:21
How do I make sense out of it?
120
369452
1509
どうすれば
意味を取れるのか？
意味を取れるのか？
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
どんなにスウェーデン家具の組み立てが
得意だろうと
得意だろうと
この組み立て手順書は
一生かかっても解読できないでしょう
一生かかっても解読できないでしょう
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
06:31
(Laughter)
123
379260
1603
（笑）
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
そのため 2014年に
著名な２人のTED講演者
著名な２人のTED講演者
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
ピーター・ディアマンディスと
クレイグ・ヴェンターその人が
クレイグ・ヴェンターその人が
06:38
decided to assemble a new company.
126
386587
1927
新会社を作ることにしました
ヒューマン・ロンジェビティ社の
06:40
Human Longevity was born,
127
388538
1412
06:41
with one mission:
128
389974
1370
ミッションは１つ
06:43
trying everything we can try
129
391368
1861
この本について
学べることをすべて学び
学べることをすべて学び
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
試せることをすべて試して
個別化医療の夢の実現を目指し
06:48
with one target --
131
396036
1705
より良い健康のために
何をしなければならないか
何をしなければならないか
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
この本の秘密は何なのか
解明するということです
06:57
and what are the secrets in these books.
134
405478
2283
40名のデータ科学者をはじめ
様々な人の素晴らしいチームで
様々な人の素晴らしいチームで
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
07:04
a pleasure to work with.
136
412603
1350
共に働けるのは喜びです
07:05
The concept is actually very simple.
137
413977
2253
概念的には
とてもシンプルです
とてもシンプルです
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
機械学習という
技術を使います
技術を使います
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
一方には何千という
ゲノムがあります
ゲノムがあります
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
他方には人間に関する
最大級のデータベースがあります
最大級のデータベースがあります
表現形 3Dスキャン NMR
思いつく限りあらゆるものが入っています
思いつく限りあらゆるものが入っています
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
07:24
Inside there, on these two opposite sides,
142
432340
2899
この二者の間には
07:27
there is the secret of translation.
143
435263
2442
未知の変換過程があります
07:29
And in the middle, we build a machine.
144
437729
2472
私たちは中間に機械を構築し
トレーニングしています
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
１台だけでなく
沢山の機械があって
沢山の機械があって
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
ゲノムから表現形への変換を
理解しようと試みています
理解しようと試みています
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
この文字列は何であり
何をするのか？
何をするのか？
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
これは何にでも使える
アプローチですが
アプローチですが
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
ゲノミクスにおいては
特に複雑です
特に複雑です
少しずつ拡大して
違う挑戦へと手を広げてきました
違う挑戦へと手を広げてきました
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
最初はありふれた形質から
始めました
始めました
ありふれた形質がいいのは
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
ありふれていて
誰でも持っていることです
誰でも持っていることです
08:01
everyone has them.
154
469197
1184
08:02
So we started to ask our questions:
155
470405
2494
そして こんなことを
問い始めました
問い始めました
08:04
Can we predict height?
156
472923
1380
この本を読んで
身長は予測できるか？
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
08:09
Well, we actually can,
158
477186
1151
実際可能です
08:10
with five centimeters of precision.
159
478361
1793
5センチの精度で
予測できます
予測できます
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
体重は生活習慣に
大きく依存していますが
大きく依存していますが
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
それでも おおよその予測はできます
8キロの精度です
8キロの精度です
目の色は
予測できるか？
予測できるか？
08:19
Can we predict eye color?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
できます
80パーセントの正確さです
08:21
Eighty percent accuracy.
164
489662
1324
肌の色は予測できるか？
08:23
Can we predict skin color?
165
491466
1858
できます
80パーセントの正確さです
80パーセントの正確さです
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
08:27
Can we predict age?
167
495813
1340
年齢は予測できるか？
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
できます 生きている間に
塩基配列は変化していくからです
塩基配列は変化していくからです
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
短くなり 欠落や挿入が起きます
08:37
We read the signals, and we make a model.
170
505190
2555
いろいろな特徴から
モデルを作れます
モデルを作れます
08:40
Now, an interesting challenge:
171
508438
1475
興味深い課題は
人の顔は予想できるか
ということです
ということです
08:41
Can we predict a human face?
172
509937
1729
これはちょっと難しいです
08:45
It's a little complicated,
173
513014
1278
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
人の顔を決める情報は
何百万という塩基配列に分散しているし
何百万という塩基配列に分散しているし
人の顔というのは
あまり綺麗に定義できません
あまり綺麗に定義できません
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
08:52
So, we had to build an entire tier of it
176
520184
2051
それを学ぶために
まるまる階層を構築し
まるまる階層を構築し
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
機械に顔とは何か教え
埋め込み圧縮する
必要がありました
必要がありました
08:56
and embed and compress it.
178
524993
2037
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
機械学習に馴染みがある人なら
09:01
you understand what the challenge is here.
180
529326
2284
難しさが分かると思います
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
私たちが最初の配列を読んで以来
15年が過ぎましたが
15年が過ぎましたが
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
去年10月に有意な結果を
目にするようになりました
目にするようになりました
09:13
And it was a very emotional moment.
183
541049
2455
とても感情的に高揚する瞬間でした
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
ご覧いただいているのは
実験室に来た被験者です
実験室に来た被験者です
09:19
This is a face for us.
185
547619
1928
この顔を使います
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
被験者の顔のデータを取り
複雑さを減らします
複雑さを減らします
顔のすべてが遺伝子で
決まるわけではなく
決まるわけではなく
09:25
because not everything is in your face --
187
553226
1970
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
様々な特徴や欠陥や非対称性が
生きている中で生じるからです
生きている中で生じるからです
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
顔を対称化し
アルゴリズムにかけます
アルゴリズムにかけます
09:35
The results that I show you right now,
190
563245
1898
次にご覧いただくのが
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
血液から予測した顔です
09:41
(Applause)
192
569596
1524
（拍手）
09:43
Wait a second.
193
571144
1435
ちょっとお待ちを
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
この瞬間 皆さんの目は
左の顔と右の顔を見比べ
左の顔と右の顔を見比べ
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
脳が 顔を同一視しようと
してしまいます
してしまいます
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
だから１つ課題を
出しましょう
出しましょう
09:55
Please search for the differences,
197
583743
2287
違いを探してください
09:58
which are many.
198
586054
1361
たくさんあります
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
最大の特徴は
性別から来ます
性別から来ます
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
それから年齢 BMI 人種
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
そこから先は
ずっと複雑になります
ずっと複雑になります
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
２つの顔に
違いはあるにしても
違いはあるにしても
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
概ね合っているのが
お分かりいただけると思います
お分かりいただけると思います
10:17
that we are getting closer.
204
605919
1348
どんどん近くなっていて
10:19
And it's already giving you some emotions.
205
607291
2349
感動すら覚えます
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
これは別の被験者です
10:24
and this is a prediction.
207
612391
1409
こちらが予測です
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
実際の顔は若干小さく
頭蓋の形が完全に合ってはいませんが
頭蓋の形が完全に合ってはいませんが
10:30
but still, it's in the ballpark.
209
618444
2651
大きくは外していません
10:33
This is a subject that comes in our lab,
210
621634
2224
これが被験者の顔
10:35
and this is the prediction.
211
623882
1443
これが予測した顔
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
マシンのトレーニングの時点では
これらの顔は見せていません
これらの顔は見せていません
10:42
These are the so-called "held-out" set.
213
630756
2837
ホールドアウト・セットと呼ばれる
評価用データです
評価用データです
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
これだけでは信じない
かもしれませんが
かもしれませんが
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
すべて科学論文として
発表しているので
発表しているので
お読みいただけます
10:52
you can read it.
216
640081
1151
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
クリスが私にステージでやる
挑戦を持ちかけました
挑戦を持ちかけました
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
真剣勝負をして
皆さんが認識できる顔の
予測をすべきだろうと
予測をすべきだろうと
10:59
someone that you might recognize.
219
647274
2831
このバイアル瓶の中の血液には —
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
この血液を手に入れる苦労は
想像もつかないでしょうが
想像もつかないでしょうが
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
このバイアル瓶の中の血液には
全ゲノム塩基配列同定のために
十分な情報があります
十分な情報があります
11:13
that we need to do a full genome sequence.
223
661748
2277
11:16
We just need this amount.
224
664049
2070
これだけでいいのです
この塩基配列を調べたので
皆さんと一緒に見ていきましょう
皆さんと一緒に見ていきましょう
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
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
分かったことをすべて
積み上げていきます
積み上げていきます
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
この血液から男性と
予想しましたが
予想しましたが
11:29
And the subject is a male.
228
677134
1364
被験者は男性です
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
身長は176cmと
予想しましたが
予想しましたが
11:33
The subject is a meter and 77 cm.
230
681458
2392
実際は177cmです
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
予想は76キロで
実際は82キロ
実際は82キロ
11:40
We predict his age, 38.
232
688701
2632
予想年齢は38歳
11:43
The subject is 35.
233
691357
1904
実際は35歳
11:45
We predict his eye color.
234
693851
2124
予想した目の色は —
少し濃すぎました
11:48
Too dark.
235
696824
1211
11:50
We predict his skin color.
236
698059
1555
肌の色の予想は
11:52
We are almost there.
237
700026
1410
大体合っています
11:53
That's his face.
238
701899
1373
これが予想した顔です
11:57
Now, the reveal moment:
239
705172
3269
種明かしの瞬間です
12:00
the subject is this person.
240
708465
1770
これが被験者の顔です
12:02
(Laughter)
241
710259
1935
（笑）
12:04
And I did it intentionally.
242
712218
2058
意図的にやりました
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
私はごく特殊な妙な民族です
南欧はイタリア人で
モデルには決して合いません
モデルには決して合いません
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
この人種は我々のモデルでは
複雑な特殊ケースに当たります
複雑な特殊ケースに当たります
12:18
But there is another point.
246
726144
1509
しかし もう１つあります
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
人を見分ける時に
よく使われるものの１つは
よく使われるものの１つは
遺伝子に書かれていません
12:23
will never be written in the genome.
248
731178
1722
どういうルックスになるか
自由意志によるところがあります
自由意志によるところがあります
12:24
It's our free will, it's how I look.
249
732924
2317
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
ここでは髪型ではなく
髭です
髭です
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
髭を移してみましょう
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
モデリングではなく
単なる画像加工です
単なる画像加工です
12:36
the beard on the subject.
253
744884
1713
被験者の髭をコピーします
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
すると ずっと
似た感じになります
似た感じになります
12:42
So, why do we do this?
255
750955
2709
なぜ こんなことを
しているのか？
しているのか？
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
身長を予測するためでも
血液から綺麗な写真を
作るためでもありません
作るためでもありません
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
同じ技術 同じアプローチを使った
13:00
the machine learning of this code,
259
768432
2520
遺伝暗号の機械学習が
13:02
is helping us to understand how we work,
260
770976
3137
体について理解する
助けになるからです
助けになるからです
体はどのように働くのか
13:06
how your body works,
261
774137
1486
13:07
how your body ages,
262
775647
1665
体はどう老化するのか
13:09
how disease generates in your body,
263
777336
2769
病気はどのように
発生するのか
発生するのか
13:12
how your cancer grows and develops,
264
780129
2972
ガンはどのように
成長するのか
成長するのか
13:15
how drugs work
265
783125
1783
薬はどう働くのか
13:16
and if they work on your body.
266
784932
2314
自分の体には効くのか
13:19
This is a huge challenge.
267
787713
1667
これは大きな挑戦です
13:21
This is a challenge that we share
268
789894
1638
世界中の何千という研究者が
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
追いかけている挑戦で
13:26
It's called personalized medicine.
270
794159
2222
「個別化医療」と呼ばれています
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
人が海の中の点にすぎない
13:32
where you're a dot in the ocean,
272
800609
2032
統計的アプローチから
13:34
to a personalized approach,
273
802665
1813
この遺伝子の本を
すべて読んで
すべて読んで
13:36
where we read all these books
274
804502
2185
その人のことを
正確に理解してあたる
正確に理解してあたる
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
個別化アプローチへと
進むことができます
進むことができます
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
とても複雑な課題です
13:45
because of all these books, as of today,
277
813646
3998
というのも すべての本のうち
現在のところ ほんの２パーセントしか
分かっていないからです
分かっていないからです
13:49
we just know probably two percent:
278
817668
2642
13:53
four books of more than 175.
279
821027
3653
175冊中の４冊です
13:58
And this is not the topic of my talk,
280
826021
3206
これは私の話の範囲外です
14:02
because we will learn more.
281
830145
2598
私たちは学んでいくでしょう
このテーマについては
世界最高の頭脳が挑んでいるからです
世界最高の頭脳が挑んでいるからです
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
14:09
The prediction will get better,
283
837048
1834
予測はより良く
14:10
the model will get more precise.
284
838906
2253
モデルはより正確に
なっていきます
なっていきます
14:13
And the more we learn,
285
841183
1858
学べば学ぶほど
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
以前には直面する
必要のなかった決断に
必要のなかった決断に
直面することになるでしょう
14:19
that we never had to face before
287
847919
3021
14:22
about life,
288
850964
1435
生や
14:24
about death,
289
852423
1674
死や
14:26
about parenting.
290
854121
1603
子育てについて
私たちは生命の仕組みの
ごく内的な詳細に触れようとしています
ごく内的な詳細に触れようとしています
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
この革命は
科学や技術の領域に
科学や技術の領域に
14:41
in the domain of science or technology.
293
869300
2659
留まる話ではありません
世界的な対話が
必要になるでしょう
必要になるでしょう
14:44
This must be a global conversation.
294
872960
2244
人類として築きつつある未来について
考え始めなければなりません
考え始めなければなりません
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
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
創作者 芸術家
哲学者 政治家とも
哲学者 政治家とも
14:57
with politicians.
297
885127
1510
話す必要があります
全員にかかわることです
14:58
Everyone is involved,
298
886661
1158
14:59
because it's the future of our species.
299
887843
2825
人類の未来の話なんですから
15:03
Without fear, but with the understanding
300
891273
3968
恐れずに — ただし
理解する必要があります
理解する必要があります
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
私たちが近い将来にする決断が
15:11
will change the course of history forever.
302
899160
3789
人類史の進む方向を
永久に変えることになるのだと
永久に変えることになるのだと
15:15
Thank you.
303
903732
1160
ありがとうございました
15:16
(Applause)
304
904916
10159
（拍手）
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