TED2016
Riccardo Sabatini: How to read the genome and build a human being
리카르도 사바티니 (Riccardo Sabatini): 유전자를 읽고 사람을 만드는 방법
Filmed:
Readability: 3.6
1,834,677 views
유전자는 사람을 구성하는 모든 유전 정보의 모음입니다. 유전자에는 비밀, 질병, 아름다움의 정보가 공존합니다. 과학자이자 기업가인 리카르도 사바티니는 이 복잡한 암호를 읽어내어 키, 눈의 색깔, 나이 심지어 얼굴 형태를 알아내는 것을 보여줍니다. 피 한 병만 가지구요. 그리고 그는 곧 유전자의 이해가 더 진보하여 암과 같은 질병에 대한 맞춤형 의약이 개발될 것이라고 합니다. 인류는 지금 우리가 아는 형태의 삶을 바꿀 수 있는 힘을 갖게 되는 것입니다. 이 힘을 어떻게 사용해야 할까요?
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
앞으로 16분 동안 저는 여러분께
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
인류의 가장 큰 소원을 향한
여행을 보여드리겠습니다.
여행을 보여드리겠습니다.
00:18
to understand the code of life.
2
6508
2015
생명의 암호를 이해하는 것입니다.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
모든 것의 시작은 아주 아주 오래전
00:23
when I met the first 3D printer.
4
11839
2723
최초의 3D 프린터를 본 것이었습니다.
00:26
The concept was fascinating.
5
14586
1674
제겐 이 장치가 놀라웠습니다.
00:28
A 3D printer needs three elements:
6
16284
2022
3D 프린터엔 세 가지가 필요합니다.
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
대상의 정보, 출력을 위한 재료,
그리고 에너지만 있으면
그리고 에너지만 있으면
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
이전에는 없었던 것을
만들어 낼 수 있습니다.
만들어 낼 수 있습니다.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
물리를 공부하던 저는
집으로 오는 길에
집으로 오는 길에
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
제 주변에 3D 프린터가
있었다는 것을 깨달았습니다.
있었다는 것을 깨달았습니다.
00:44
And everyone does.
11
32140
1336
모두 압니다.
00:45
It was my mom.
12
33500
1158
바로 어머니입니다.
00:46
(Laughter)
13
34682
1001
(웃음)
00:47
My mom takes three elements:
14
35707
2414
어머니도 세 가지가 필요합니다.
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
먼저 대상의 정보는
부모님이 함께 주시고
부모님이 함께 주시고
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
출력 재료와 에너지는
음식에서 나오죠.
음식에서 나오죠.
00:58
and after several months, produces me.
17
46323
2508
그리고 몇 달을 거쳐
제가 태어납니다.
제가 태어납니다.
01:00
And I was not existent before.
18
48855
1812
저는 이전까진 존재하지 않았죠.
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
제 어머니가 알고 보니
3D 프린터라는 충격은 둘째 치고요.
3D 프린터라는 충격은 둘째 치고요.
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
저는 세 가지 요소 중 첫 번째인
01:11
the first one, the information.
21
59239
1717
대상의 정보에 매혹됐습니다.
01:12
What amount of information does it take
22
60980
2251
사람 한 명을 만들려면
01:15
to build and assemble a human?
23
63255
1936
정보가 얼마나 필요할까요?
01:17
Is it much? Is it little?
24
65215
1574
많이? 적게?
01:18
How many thumb drives can you fill?
25
66813
2180
USB 메모리론 몇 개일까요?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
물리를 전공한 사람으로서
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
저는 사람을 거대한
레고 작품이라고 가정했습니다.
레고 작품이라고 가정했습니다.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
여기서 블록들을
작은 원자라고 생각하세요.
작은 원자라고 생각하세요.
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
여기엔 수소가 있고,
탄소가 있고, 질소도 있겠죠.
탄소가 있고, 질소도 있겠죠.
01:37
So in the first approximation,
30
85772
1571
가정에 의하면
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
제가 사람을 구성하는 원자들을
나열할 수 있다면
나열할 수 있다면
01:43
I can build it.
32
91734
1387
사람을 만들 수도 있겠지요.
01:45
Now, you can run some numbers
33
93145
2029
여기서 약간 계산을 해보면
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
천문학적으로 큰 수가 나옵니다.
01:50
So the number of atoms,
35
98499
2757
아기 한 명을 만들기 위해
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
필요한 원자의 수를
USB 드라이브에 저장하면
USB 드라이브에 저장하면
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
드라이브들로 타이타닉 한 척을 채우고
02:02
multiplied 2,000 times.
38
110750
2718
2,000척을 더
채울 수 있습니다.
채울 수 있습니다.
02:05
This is the miracle of life.
39
113957
3401
이것이 생명의 신비입니다.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
여러분들은 앞으로 임산부를 볼 때마다
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
우리가 평생 볼 최대의 정보를
그녀가 처리하는 것을
그녀가 처리하는 것을
02:14
that you will ever encounter.
42
122898
1556
보게 되는 것입니다.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
빅데이터나 다른 것들은 모두 잊으세요.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
이것은 존재하는
가장 많은 양의 정보입니다.
가장 많은 양의 정보입니다.
02:22
(Applause)
45
130357
3833
(박수)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
다행히 자연은 저 같은
물리학자보단 훨씬 현명해서
물리학자보단 훨씬 현명해서
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
40억 년의 시간을 들여 이 정보들을
02:34
in a small crystal we call DNA.
48
142482
2705
DNA라 불리는 작은
결정으로 압축했습니다.
결정으로 압축했습니다.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
처음으로 DNA가 알려진 것은
1950년 놀라운 과학자이자
1950년 놀라운 과학자이자
02:41
an amazing scientist, a woman,
50
149941
1556
여성이었던 로잘린 프랭클린이
02:43
took a picture of it.
51
151521
1389
사진을 찍어서였습니다.
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
하지만 이로부터 40년이 넘는
시간이 지나서야 우리는 인체 세포에서
시간이 지나서야 우리는 인체 세포에서
02:50
take out this crystal,
53
158146
1602
이 결정을 분리하고
02:51
unroll it, and read it for the first time.
54
159772
3080
분석하여 내용을 읽을 수 있었습니다.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
암호는 간단하게
알파벳 4개로 이루어졌습니다.
알파벳 4개로 이루어졌습니다.
02:58
four letters: A, T, C and G.
56
166880
3772
A, T, C, G로요.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
사람을 만들기 위해서는
알파벳이 30억 개 필요합니다.
알파벳이 30억 개 필요합니다.
03:06
Three billion.
58
174933
1179
30억입니다.
03:08
How many are three billion?
59
176136
1579
느낌이 오시나요?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
숫자로 말하니 느낌이 안 오시죠?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
그래서 저는 어떻게 하면
03:16
about how big and enormous this code is.
62
184634
3050
이 암호의 거대함, 방대함을
이해할지 고민해보았습니다.
이해할지 고민해보았습니다.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
도움을 받으면 방법이 있긴 합니다.
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
그리고 이에 가장 적절한 분은
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
최초로 DNA 순서를 밝혀낸
크레이그 벤터 박사님이십니다.
크레이그 벤터 박사님이십니다.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
올라오세요, 크레이그 벤터 박사님!
03:32
(Applause)
67
200997
6931
(박수)
03:39
Not the man in the flesh,
68
207952
2256
본인이 오시진 않았지만
03:43
but for the first time in history,
69
211448
2345
인류 역사 최초로
03:45
this is the genome of a specific human,
70
213817
3462
한 특정인의 유전자 전체를
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
페이지마다 알파벳으로 채워서
인쇄한 책입니다.
인쇄한 책입니다.
03:53
262,000 pages of information,
72
221087
3996
장수는 262,000장에,
무게는 450kg입니다.
무게는 450kg입니다.
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
미국에서 캐나다까지 운반하는 데에는
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
신진 기업 Lulu.com의
브루노 보우덴 님이 고생해주셨습니다.
브루노 보우덴 님이 고생해주셨습니다.
04:06
It was an amazing feat.
75
234362
1463
큰 도움을 받았습니다.
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
이것이 바로 생명의 암호를
시각적으로 나타낸 것입니다.
시각적으로 나타낸 것입니다.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
이제 저는 역사 최초로
놀이를 할 수 있습니다.
놀이를 할 수 있습니다.
04:14
I can actually poke inside it and read.
78
242672
2547
꺼내서 아무 부분이나 읽어보는 거죠.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
여기 이 책은 제가 좋아하는 책입니다.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
워낙에 책이 방대해서
주석도 좀 달았습니다.
주석도 좀 달았습니다.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
생명의 암호를 살짝 보여드리죠.
04:32
Thousands and thousands and thousands
82
260566
3391
많고도 많고도 많은
산더미 같은 글자들입니다.
04:35
and millions of letters.
83
263981
2670
04:38
And they apparently make sense.
84
266675
2396
그리고 모든 부분은 의미가 있어요.
04:41
Let's get to a specific part.
85
269095
1757
이 부분을 한 번 봅시다.
04:43
Let me read it to you:
86
271571
1362
제가 읽어드릴게요.
04:44
(Laughter)
87
272957
1021
(웃음)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it sounds like mute letters,
89
278965
2067
그냥 글자의 배열로 들리시겠지만
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
이 부분은 크레이그의 눈에
색깔을 부여합니다.
색깔을 부여합니다.
04:57
I'll show you another part of the book.
91
285633
1932
다른 부분도 보여드리지요.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
이 구절은 조금 더 복잡합니다.
05:02
Chromosome 14, book 132:
93
290983
2647
132권, 염색체 14의 내용입니다.
05:05
(Laughter)
94
293654
2090
(웃음)
05:07
As you might expect.
95
295768
1277
예상하신 분도 계시겠죠.
05:09
(Laughter)
96
297069
3466
(웃음)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT."
05:20
This human is lucky,
98
308329
1687
이 사람은 운이 좋습니다.
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
왜냐면 이 부분에서 두 자만 빠지면
05:26
two letters of our three billion --
100
314581
1877
30억 자에서 두 자만 빠져도
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
낭포성 섬유증이란
끔찍한 질병에 걸리기 때문입니다.
끔찍한 질병에 걸리기 때문입니다.
05:30
cystic fibrosis.
102
318525
1440
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
치료법도 없고
해결법도 모릅니다.
해결법도 모릅니다.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
모두 두 자의 차이만으로
생기는 일입니다.
생기는 일입니다.
05:39
A wonderful book, a mighty book,
105
327585
2705
매혹적이고, 강렬한 책이지요.
05:43
a mighty book that helped me understand
106
331115
1998
제가 생명을 이해하는 것을 돕고
05:45
and show you something quite remarkable.
107
333137
2753
여러분께 알려드리게 해준 책입니다.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
우리 모두를 저는 저로,
여러분은 여러분으로 만드는 부분은
여러분은 여러분으로 만드는 부분은
05:52
is just about five million of these,
109
340939
2954
500만 글자로
한권의 절반 정도입니다.
한권의 절반 정도입니다.
05:55
half a book.
110
343917
1228
05:58
For the rest,
111
346015
1663
책의 나머지 부분은 정확히 같습니다.
05:59
we are all absolutely identical.
112
347702
2562
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
여러분을 만드는 기적은
단 500페이지 안에서 벌어집니다.
단 500페이지 안에서 벌어집니다.
06:07
The rest, we all share it.
114
355050
2531
나머지는 똑같이 일치합니다.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
그러니 서로가 다르다는 생각이
들 때 떠올리십시오.
들 때 떠올리십시오.
06:12
This is the amount that we share.
116
360538
2221
우리는 이만큼이나 같습니다.
06:15
So now that I have your attention,
117
363441
3429
흥미가 생긴 분이 많아진 것 같군요.
06:18
the next question is:
118
366894
1359
다음 문제는
이 책을 어떻게 읽느냐입니다.
이 책을 어떻게 읽느냐입니다.
06:20
How do I read it?
119
368277
1151
06:21
How do I make sense out of it?
120
369452
1509
어떻게 이해해야 할까요?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
여러분이 스웨덴산 가구를
얼마나 잘 조립하는지와 상관없이
얼마나 잘 조립하는지와 상관없이
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
이것은 일생을 바쳐도
풀 수 없을 겁니다.
풀 수 없을 겁니다.
06:31
(Laughter)
123
379260
1603
(웃음)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
그래서 2014년
유명한 TED 강연자이신
유명한 TED 강연자이신
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
피터 다이아맨디스와 크레이그 벤터는
06:38
decided to assemble a new company.
126
386587
1927
회사를 설립하기로 했습니다.
06:40
Human Longevity was born,
127
388538
1412
‘Human Longevity’는
한 목적 만을 위해 생겼습니다.
한 목적 만을 위해 생겼습니다.
06:41
with one mission:
128
389974
1370
06:43
trying everything we can try
129
391368
1861
필요한 모든 수단을 이용하여
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
이 책에서 가능한 한
모든 것을 배우는 것입니다.
모든 것을 배우는 것입니다.
06:48
with one target --
131
396036
1705
맞춤형 의약의 현실화란
한 목적을 위해서요.
한 목적을 위해서요.
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
이를 위해 인류의
건강을 위한 과제를 찾고
건강을 위한 과제를 찾고
06:57
and what are the secrets in these books.
134
405478
2283
책에 숨겨진 비밀을 찾는 것입니다.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
저희 팀은 40명의 데이터 과학자와
더 많은 사람으로 이루어졌습니다.
더 많은 사람으로 이루어졌습니다.
07:04
a pleasure to work with.
136
412603
1350
모두 존경스러운 분들이죠.
07:05
The concept is actually very simple.
137
413977
2253
저희의 접근법은 사실
굉장히 간단합니다.
굉장히 간단합니다.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
저희는 기계 학습이라는
기술을 사용합니다.
기술을 사용합니다.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
먼저 유전자를 수천 개 채취하고
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
동시에 인간에 관한
모든 정보를 조사합니다.
모든 정보를 조사합니다.
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
표현형, 3D 스캔, NMR을
포함한 모든 것을요.
포함한 모든 것을요.
07:24
Inside there, on these two opposite sides,
142
432340
2899
이 두 개 사이에 유전자를
읽기 위한 비밀이 있겠죠.
읽기 위한 비밀이 있겠죠.
07:27
there is the secret of translation.
143
435263
2442
07:29
And in the middle, we build a machine.
144
437729
2472
그리고 이 단계에서 기계가 사용됩니다.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
기계를 만들고, 훈련합니다.
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
한 개가 아닌 엄청난 수의 기계들을
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
유전자의 내용으로부터
표현형을 찾도록 훈련합니다.
표현형을 찾도록 훈련합니다.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
각 DNA 알파벳은 무엇이고
어떤 역할을 하는지 조사하도록 말이죠.
어떤 역할을 하는지 조사하도록 말이죠.
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
기계 학습은 모든 분야에서 사용되지만,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
유전체학에서 사용하는 것은
특히 어렵습니다.
특히 어렵습니다.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
조금씩 성과를 내면서
저희는 과제들을 확장해갔습니다.
저희는 과제들을 확장해갔습니다.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
먼저 인간의 일반적 특징부터
해독했습니다.
해독했습니다.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
일반적 특징은
모두가 가진 특징이어서
모두가 가진 특징이어서
08:01
everyone has them.
154
469197
1184
다루기 편해서이죠.
08:02
So we started to ask our questions:
155
470405
2494
과제들은 다음과 같았습니다.
08:04
Can we predict height?
156
472923
1380
키를 예측할 수 있을까?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
이 책에서 사람의 키를 알 수 있을까?
08:09
Well, we actually can,
158
477186
1151
정말 가능한 일이더군요.
08:10
with five centimeters of precision.
159
478361
1793
5cm 오차로요.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
체질량지수는
생활습관에 좌우됩니다만
생활습관에 좌우됩니다만
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
여전히 8kg 오차로 얼추 맞더군요.
08:19
Can we predict eye color?
162
487225
1231
눈 색깔도 알까요?
08:20
Yeah, we can.
163
488480
1158
가능합니다. 80%로요.
08:21
Eighty percent accuracy.
164
489662
1324
08:23
Can we predict skin color?
165
491466
1858
피부 색깔은요?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
역시 80%로 가능합니다.
08:27
Can we predict age?
167
495813
1340
나이도 될까요?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
그럼요. 세월이 지나면서
암호가 바뀌거든요.
암호가 바뀌거든요.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
짧아지고, 내용이 빠지고,
들어가기도 하지요.
들어가기도 하지요.
08:37
We read the signals, and we make a model.
170
505190
2555
이런 징후를 찾아서
모델화하면 가능합니다.
모델화하면 가능합니다.
08:40
Now, an interesting challenge:
171
508438
1475
이제 재밌는 내용이 나옵니다.
08:41
Can we predict a human face?
172
509937
1729
사람의 얼굴을 알 수 있을까요?
08:45
It's a little complicated,
173
513014
1278
이 과제가 어려운 이유는
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
얼굴을 이루는 부분이
책 곳곳에 퍼져있기 때문입니다.
책 곳곳에 퍼져있기 때문입니다.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
얼굴이란 개념 자체가
명확하지 않기도 하고요.
명확하지 않기도 하고요.
08:52
So, we had to build an entire tier of it
176
520184
2051
그래서 먼저 얼굴을 정의해서
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
기계에 가르치고
08:56
and embed and compress it.
178
524993
2037
코딩, 압축하는 일을
모두 해야 했습니다.
모두 해야 했습니다.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
기계 학습을 잘 아시는 분이시면
09:01
you understand what the challenge is here.
180
529326
2284
이 과정이 얼마나 힘들지 아실 겁니다.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
그리고 인류가 DNA 배열을
알아낸 지 15년이 지나서
알아낸 지 15년이 지나서
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
올해 10월부터 실마리가
보이기 시작했습니다.
보이기 시작했습니다.
09:13
And it was a very emotional moment.
183
541049
2455
아주 감동적인 순간이었습니다.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
이 얼굴은 우리 연구원
한 명의 얼굴입니다.
한 명의 얼굴입니다.
09:19
This is a face for us.
185
547619
1928
기계로 예측해야 할 얼굴이죠.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
실제 사진을 찍고
단순화 과정을 조금 거쳤습니다.
단순화 과정을 조금 거쳤습니다.
09:25
because not everything is in your face --
187
553226
1970
얼굴에 있는 많은 특징,
흠, 비대칭 구조가
흠, 비대칭 구조가
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
생후에 생긴 것이기 때문이죠.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
얼굴을 대칭 구조로 편집한 후
알고리즘을 실행합니다.
알고리즘을 실행합니다.
09:35
The results that I show you right now,
190
563245
1898
지금 보여드리는 이미지는
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
혈액에서 얼굴을 예상한 결과입니다.
09:41
(Applause)
192
569596
1524
(박수)
09:43
Wait a second.
193
571144
1435
잠시만요.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
여러분들은 지금 두 이미지를
좌우로 번갈아 보면서
좌우로 번갈아 보면서
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
속으로 두 사진이 당연히
같을 것이라 여길 수 있습니다.
같을 것이라 여길 수 있습니다.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
저는 여러분이 정직하게
보시길 바랍니다.
보시길 바랍니다.
09:55
Please search for the differences,
197
583743
2287
차이점들을 찾아보시기 바랍니다.
09:58
which are many.
198
586054
1361
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
비슷한지를 판단하는 기준은 성별,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
나이, 체질량지수,
민족성으로 크게 나뉘겠죠.
민족성으로 크게 나뉘겠죠.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
그 사이에서 중요도를 따지는 것은
더 복잡할 것입니다.
더 복잡할 것입니다.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
하지만 차이들을 생각해도 결과를 보시면
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
저희가 목표로 제대로 가고 있고
10:17
that we are getting closer.
204
605919
1348
근접해감을 아실 겁니다.
10:19
And it's already giving you some emotions.
205
607291
2349
감동을 하신 분도 계실 것입니다.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
다른 실험대상의 사진과
예상결과입니다.
예상결과입니다.
10:24
and this is a prediction.
207
612391
1409
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
얼굴이 좀 작게 나왔고
두상이 완전하지는 않지만
두상이 완전하지는 않지만
10:30
but still, it's in the ballpark.
209
618444
2651
여전히 대체로 같습니다.
10:33
This is a subject that comes in our lab,
210
621634
2224
다른 연구원의 사진과 예상결과입니다.
10:35
and this is the prediction.
211
623882
1443
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
저희는 기계를 훈련하면서
이 얼굴들을 보여주지 않았습니다.
이 얼굴들을 보여주지 않았습니다.
10:42
These are the so-called "held-out" set.
213
630756
2837
이렇게 테스트와 훈련이 분리된 것을
“헬드 아웃”이라 합니다.
“헬드 아웃”이라 합니다.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
하지만 모르는 사람들의 얼굴만
봐서는 믿음이 안 가시겠죠.
봐서는 믿음이 안 가시겠죠.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
저희는 저널에 관련정보를
모두 기고하고 있으니
모두 기고하고 있으니
10:52
you can read it.
216
640081
1151
읽어보실 수 있습니다.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
그래서 크리스가 제게 제안을 하더군요.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
강연에서 여러분이 아는 사람의
분석 결과를 비교해보라고요.
분석 결과를 비교해보라고요.
10:59
someone that you might recognize.
219
647274
2831
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
자, 여기 혈액 한 병이 있고
지금 여러분은 이게 누구 것인지
전혀 모르십니다.
전혀 모르십니다.
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
이 한 병에는 저희가 유전자 분석을
11:13
that we need to do a full genome sequence.
223
661748
2277
완벽하게 할 수 있는 양의
생물학적 정보가 있습니다.
생물학적 정보가 있습니다.
11:16
We just need this amount.
224
664049
2070
이 양이면 충분합니다.
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
분석 결과를 여러분께 보여드리겠습니다.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
결과들을 하나씩 살펴봅시다.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
혈액에서 대상이
남성일 것이라 예상했습니다.
남성일 것이라 예상했습니다.
11:29
And the subject is a male.
228
677134
1364
맞아요. 남성이죠.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
키를 1m 76cm라 예상했네요.
11:33
The subject is a meter and 77 cm.
230
681458
2392
실제 대상은 1m 77cm에요.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
예상은 76kg이었고
실제는 82kg에요.
실제는 82kg에요.
11:40
We predict his age, 38.
232
688701
2632
나이는 38세로 나왔군요.
11:43
The subject is 35.
233
691357
1904
사실은 35세죠.
11:45
We predict his eye color.
234
693851
2124
눈의 색깔 예상 결과입니다.
11:48
Too dark.
235
696824
1211
좀 어둡네요.
11:50
We predict his skin color.
236
698059
1555
예상한 피부색입니다.
11:52
We are almost there.
237
700026
1410
거의 근접했네요.
11:53
That's his face.
238
701899
1373
예상한 얼굴입니다.
11:57
Now, the reveal moment:
239
705172
3269
이제 정답을 공개합니다.
12:00
the subject is this person.
240
708465
1770
대상은 이 사람이었습니다.
12:02
(Laughter)
241
710259
1935
(웃음)
12:04
And I did it intentionally.
242
712218
2058
저를 택한 건 의도적이었습니다.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
먼저 저는 매우 특별한 민족에
속해있습니다.
속해있습니다.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
남유럽, 이탈리아인은
모델에 잘 맞지 않습니다.
모델에 잘 맞지 않습니다.
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
남유럽인은 저희 모델의
난점 중 하나입니다.
난점 중 하나입니다.
12:18
But there is another point.
246
726144
1509
다른 이유도 있습니다.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
사실 저희가 사람을 알아볼 때는
12:23
will never be written in the genome.
248
731178
1722
유전자의 배열을 고려하진 않죠.
12:24
It's our free will, it's how I look.
249
732924
2317
바로 보이는 그대로 판단하죠.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
제 경우엔 제 특이한 수염에
집중하게 되죠.
집중하게 되죠.
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
그래서 조금 이미지를 편집해서
보여드리겠습니다.
보여드리겠습니다.
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
별건 아니고 포토샵으로 작업해서
12:36
the beard on the subject.
253
744884
1713
수염을 합성한 겁니다.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
한순간에 훨씬 더 비슷하게 변했죠.
12:42
So, why do we do this?
255
750955
2709
저희는 왜 이런 일을 할까요?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
혈액으로부터 키를 예측하거나
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
놀라운 사진을 만들기 위해선 아닙니다.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
그 이유는 이 과정과 같은
기술과 접근법을 가지고
기술과 접근법을 가지고
13:00
the machine learning of this code,
259
768432
2520
같은 기계 학습 코드로
13:02
is helping us to understand how we work,
260
770976
3137
어떻게 우리가 작동하는지
13:06
how your body works,
261
774137
1486
어떻게 몸이 작동하고
13:07
how your body ages,
262
775647
1665
어떻게 나이가 들고
13:09
how disease generates in your body,
263
777336
2769
어떻게 병이 들고
13:12
how your cancer grows and develops,
264
780129
2972
어떻게 암이 퍼지고
13:15
how drugs work
265
783125
1783
약이 어떻게 몸에 작용하는지
알 수 있기 때문입니다.
알 수 있기 때문입니다.
13:16
and if they work on your body.
266
784932
2314
13:19
This is a huge challenge.
267
787713
1667
이건 몹시 어려운 과제입니다.
13:21
This is a challenge that we share
268
789894
1638
이 과제는 세계 전역에서
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
수천 명이 함께 답을 찾고 있습니다.
13:26
It's called personalized medicine.
270
794159
2222
맞춤형 의약이라는 과제입니다.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
이것은 의약의 통계적인
접근에서, 말하자면
접근에서, 말하자면
13:32
where you're a dot in the ocean,
272
800609
2032
여러분 각각은 작은 의미뿐인 방법에서
13:34
to a personalized approach,
273
802665
1813
개개인에 맞춘 접근으로
13:36
where we read all these books
274
804502
2185
이 책에 쓰인 내용을 토대로
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
우리가 정확히 여러분의 상태를
이해하는 능력인 것입니다.
이해하는 능력인 것입니다.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
이 과정은 매우 복잡합니다.
13:45
because of all these books, as of today,
277
813646
3998
실제로 모든 책에서 오늘까지
우리가 이해하는 부분은
우리가 이해하는 부분은
13:49
we just know probably two percent:
278
817668
2642
2%에 불과합니다.
13:53
four books of more than 175.
279
821027
3653
175권 중 4권 분량이죠.
13:58
And this is not the topic of my talk,
280
826021
3206
이는 제가 하고싶은 이야기는 아니지만
14:02
because we will learn more.
281
830145
2598
앞으로 연구하면서
더 알게 될 것입니다.
더 알게 될 것입니다.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
세계 최고의 석학들이
연구하고 있습니다.
연구하고 있습니다.
14:09
The prediction will get better,
283
837048
1834
예상은 더 잘 맞고
14:10
the model will get more precise.
284
838906
2253
모델은 더 정확해질 것입니다.
14:13
And the more we learn,
285
841183
1858
더 다양한 지식을 쌓을수록
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
인류는 이전까지는 선택할 수 없었던
14:19
that we never had to face before
287
847919
3021
삶, 죽음, 육아에 관한 선택을
할 수 있게 될 것입니다.
할 수 있게 될 것입니다.
14:22
about life,
288
850964
1435
14:24
about death,
289
852423
1674
14:26
about parenting.
290
854121
1603
저희는 삶이 작동하는 원리의
핵심에 다가가고 있습니다.
핵심에 다가가고 있습니다.
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
이렇게 큰 혁명을 일으킬 발견을
14:41
in the domain of science or technology.
293
869300
2659
과학기술의 영역에만
가두어선 안 됩니다.
가두어선 안 됩니다.
14:44
This must be a global conversation.
294
872960
2244
전 영역의 소통이 필요합니다.
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
저희는 한 인류로서 함께
만들어갈 미래를 생각해야 합니다.
만들어갈 미래를 생각해야 합니다.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
작가, 예술가, 철학가, 정치인이
협력해야 합니다.
협력해야 합니다.
14:57
with politicians.
297
885127
1510
14:58
Everyone is involved,
298
886661
1158
모두 함께여야 합니다.
14:59
because it's the future of our species.
299
887843
2825
이것은 인류의 미래이기 때문입니다.
15:03
Without fear, but with the understanding
300
891273
3968
두려움을 떨쳐내고
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
앞으로 우리가 내릴 선택이
역사를 영원히 바꿀 것이란
책임감을 느끼고 나아가야 합니다.
책임감을 느끼고 나아가야 합니다.
15:11
will change the course of history forever.
302
899160
3789
15:15
Thank you.
303
903732
1160
감사합니다.
15:16
(Applause)
304
904916
10159
(박수)
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