ABOUT THE SPEAKER

Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data.

Why you should listen

As a professor and researcher at Columbia University and as CSO of MyHeritage.com, Yaniv Erlich has performed foundational work in genetic privacy and large-scale studies of crowdsourced genomic data. Dubbed a "genome hacker" by the journal Nature, Erlich and his team discovered a privacy loophole enabling reidentification of allegedly anonymous male research participants using just internet searches and their Y chromosome. Later, he discovered that 60 percent of all US individuals with European descent can be identified by forensic genetics using open genetic genealogy databases, which Science magazine called one of the top 10 breakthroughs of 2018.

Erlich is also responsible for the construction of the world's largest family tree, comprising 13 million people, as well as the development of the website DNA.land, which has compiled the genotypes of more than 150,000 donors. He has also worked to discover the genetic bases for several conditions in Israeli families. His team has demonstrated stable DNA data storage, reaching a density of 215 petabyte per gram of DNA. He's been awarded numerous prizes, has published more than 45 papers and authored seven patents.

More profile about the speaker
Yaniv Erlich | Speaker | TED.com

TEDMED 2018

Yaniv Erlich: How we're building the world's largest family tree

Yaniv Erlich: ကျုပ်တို့က ကမ္ဘာ့အကြီးမားဆုံး မိသားစု ပင်စည်ကို တည်ဆောက်နေကြပုံ

Filmed: 2018-11-14

Readability: 4.9

1,507,766 views

ကွန်ပျူတာနဲ့ တွက်ချက်ရာတွင် ပါရမီရှင်ဖြစ်တဲ့ Yaniv Erlich က ကမ္ဘာ့အကြီးမားဆုံး မိသားစု ပင်စည်ကို တည်ဆောက်နိုင်အောင် ကူညီပေးခဲ့ရာ -- အဲဒီထဲမှာ လူစုစုပေါင်း ၁၃ သန်းပါဝင်ကြပြီး နှစ်ပေါင်းအရ လွန်ခဲ့တဲ့ နှစ် ၅၀၀ အထိရှိတဲ့ ကာလကို ခြုံငုံမိပါတယ်။ အဲဒီ သုတေသန အလုပ်ထဲကနေပြီး ပေါ်ထွက်လာကြတဲ့ အံ့အားသင့်ဖွယ် ပုံစံချပ်ပြားများ အကြောင်းကို၊ ကျုပ်တို့ရဲ့ ချစ်ကြိုက်ကြတဲ့ အသက်များအကြောင်း၊ ကျုပ်တို့ရဲ့ ကျန်းမာရေး၊ ပြီးတော့ ဆယ်စုနှစ်ချီ ကြာလာခဲ့ကြတဲ့ ရာဇဝတ်မှုများ အကြောင်းတို့ကို ပြောပြထားတဲ့ အပြင် ပြည်သူတွေ အများအပြား ပါဝင်ပြီး တည်ဆောက်ပေးခဲ့ကြတဲ့ ဆွေစဉ်မျိုးဆက်ဆိုင်ရာ ဒေတာများက အတိတ်ကာလကိုသာမက အနာဂတ်ကိုပါ မီးမောင်း ထိုးပြနိုင်စွမ်း ရှိတာကို ထောက်ပြထားပါတယ်။

Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data. Full bio

Double-click the English transcript below to play the video.

00:12

People use the internet
for various reasons.

0

817

3452

ပြည်သူတို့ဟာ အင်တာနက်ကို အကြောင်း
အမျိုးမျိုးအတွက် အသုံးချကြပါတယ်။

00:17

It turns out that one of the most
popular categories of website

1

5765

3804

လူကြိုက်အများဆုံး ဝဘ်ဆိုက် တစ်ခုက

00:21

is something that people
typically consume in private.

2

9593

2872

လူတွေပုံမှန်အားဖြင့် ကိုယ်ရေးကိုယ်တာ
အတွက် အသုံးပြုကြတာ ဖြစ်လာပါတယ်။

00:25

It involves curiosity,

3

13639

2510

အဲဒါဟာ စပ်စုလိုစိတ်မှ စပါတယ်၊

ပြီးတော့ မသိမသာ
အဲဒါကို ဝါသနာပါဖို့ လိုပါတယ်။

00:28

non-insignificant levels
of self-indulgence

4

16173

3796

00:31

and is centered around recording
the reproductive activities

5

19993

3260

ပြီးတော့ တခြားသူတွေရဲ့ မျိုးပွားမှု
ဆိုင်ရာ အချက်အလက်တွေကို

မှတ်တမ်း တင်ပေးမှု ပါဝင်ပါတယ်။

00:35

of other people.

6

23277

1309

00:36

(Laughter)

7

24610

1032

(ရယ်သံများ)

00:37

Of course, I'm talking about genealogy --

8

25666

2250

အဟုတ်ပါ၊ ဆွေစဉ်ပြကားချပ် အကြောင်းကို
ပြောနေတာ--

00:39

(Laughter)

9

27940

1214

(ရယ်သံများ)

00:41

the study of family history.

10

29178

1702

မိသားစုရဲ့ သမိုင်းလေ့လာမှုပါ။

မိသားစုသမိုင်းကို အသေးစိတ်
ရေးမှတ်ဖို့ ကိစ္စဲထဲကျတော့၊

00:43

When it comes to detailing family history,

11

31353

2037

မိသားစုတိုင်းထဲမှာ ဆွေစဉ်ကားချပ်ကို အထူး
စိတ်ဝင်စားသူဟာ အမြဲတမ်း ရှိတတ်ပါတယ်။

00:45

in every family, we have this person
that is obsessed with genealogy.

12

33414

3943

ဥပမာအဖြစ် သူ့ကို
Uncle Bernie လို့ ခေါ်ကြပါစို့။

00:49

Let's call him Uncle Bernie.

13

37381

1713

00:51

Uncle Bernie is exactly the last person
you want to sit next to

14

39118

3782

အဲဒီ Uncle Bernie ဟာ လွန်ခဲ့တဲ့
ဆုတောင်းပွဲတော်တုန်းက ခင်ဗျားနဲ့ ကပ်လျက်

00:54

in Thanksgiving dinner,

15

42924

1599

ထိုင်နေခဲ့သူပါပဲ၊

00:56

because he will bore you to death
with peculiar details

16

44547

2814

သူဟာ ခင်ဗျားကို သေချင်းစော်နံချင်
လောက်အောင်ကို ဒုက္ခပေးမယ့်သူပါ။

00:59

about some ancient relatives.

17

47385

1966

ရှေးဟောင်းမျိုးစဉ် အသေးစိတ်တွေကို
မေးမကုန်မှာမို့လို့ပါ။

ဒါပေမဲ့ ကျုပ်တို့ သိထားသင့်တာက၊

01:02

But as you know,

18

50462

1262

01:03

there is a scientific side for everything,

19

51748

2872

အရာတိုင်းအတွက် သိပ္ပံနည်း
အဖြေဆိုတာ ရှိတတ်ပါတယ်၊

01:06

and we found that Uncle Bernie's stories

20

54644

2978

ခုနက Uncle Bernie ရဲ့ပုံပြင်တွေဟာ

01:09

have immense potential
for biomedical research.

21

57646

3168

ဇီဝကျန်းမာရေး သုတေသနအတွက်
လွန်စွာမှ အရေးပါကြလို့ပါ။

အခုတော့ အဲဒီလို Uncle Bernie နဲ့
ဆွေးစဉ် ကားချပ် လေ့လာရေး ပညာရှင်တို့ဟာ

01:13

We let Uncle Bernie
and his fellow genealogists

22

61306

2714

01:16

document their family trees through
a genealogy website called geni.com.

23

64044

4668

သူတို့ရဲ့ ဆွေစဉ်ကားချပ်ကို geni.com
ဝဘ်ဆိုက်မှတစ်ဆင့် မှတ်တမ်းတင်နိုင်ကြပါပြီ။

အသုံးပြုသူတို့က သူတို့မျိုးစဉ်ပင်စည်ကို
ဝဘ်ဆိုက်ပေါ် တင်ပေးကြတဲ့ အခါမှာ၊

01:21

When users upload
their trees to the website,

24

69198

2128

၎င်းဟာ သူတို့ဆွေမျိုးတွေကို စိစစ်ကြည့်တယ်၊

01:23

it scans their relatives,

25

71350

1690

01:25

and if it finds matches to existing trees,

26

73064

2075

ရှိနှင့်နေကြတဲ့ ပင်စည်များနဲ့
တိုက်ဆိုင်မှုတွေကို ရှာကြည့်တယ်၊

01:27

it merges the existing
and the new tree together.

27

75163

3610

ရှိနေဆဲဟာတွေကို ပင်စည်သစ်နဲ့
ပေါင်းစည်းပေးလိုက်ပါတယ်။

01:31

The result is that large
family trees are created,

28

79768

2950

အဲဒါရဲ့ရလဒ်အဖြစ် လူတဦးချင်း အနေနဲ့
တည်ဆောက်ရနိုင်တာထက်

01:34

beyond the individual level
of each genealogist.

29

82742

3479

များစွာမှ ကြီးမားလှတဲ့ ဆွေစဉ် ပင်စည်တွေကို
ဖန်တီးပေးလာနိုင်ပါတယ်။

01:38

Now, by repeating this process
with millions of people

30

86808

4129

အဲဒီလို ပေါင်းစည်းမှုကို ကမ္ဘာပေါ်ရှိ
ပြည်သူ သန်းပေါင်းများစွာတို့အတွက်

01:42

all over the world,

31

90961

1817

လုပ်ပေးနိုင်လာလို့၊

01:44

we can crowdsource the construction
of a family tree of all humankind.

32

92802

5532

ကျုပ်တို့ဟာ လူသားတစ်ရပ်လုံးရဲ့ မိသားစု
ပင်စည်ကြီးကို တည်ဆောက်လာနိုင်ပါမယ်။

01:51

Using this website,

33

99292

1584

အဲဒီ ဝဘ်ဆိုက်ကို အသုံးပြုလျက်၊

01:52

we were able to connect 125 million people

34

100900

4813

ကျုပ်တို့ဟာ အခုထိ
လူ ၁၂၅ သန်းတို့ကို တစ်ခုတည်းသော

01:57

into a single family tree.

35

105737

2521

မိသားစု ပင်စည်ကြီးအဖြစ်
ဆက်သွယ်ပေးနိုင်ခဲ့ပါပြီ။

အဲဒီအပင်ကို ကျနော်ဟာ ဒီစခရင်ပေါ်မှာ
ရေးဆွဲမပြနိုင်ပါဘူး၊

02:00

I cannot draw the tree
on the screens over here

36

108967

2788

ဒီမှာ ရှိနေတဲ့ pixel တွေက ပင်စည်ထဲ
ရှိနေကြတဲ့ လူတွေထက်

02:03

because they have less pixels

37

111779

2165

02:05

than the number of people in this tree.

38

113968

2513

နည်းနေကြလို့ပါ။

02:08

But here is an example of a subset
of 6,000 individuals.

39

116505

5010

ဒါပေမဲ့ ဥပမာတစ်ခုအဖြစ် လူ ၆၀၀၀ တို့ရဲ့
အချက်လက်ကို ပြပေးနိုင်ပါတယ်။

02:14

Each green node is a person.

40

122159

2362

ဒီမှာ မြင်ရတဲ့ အစိမ်းရောင်
အဖုဟာ လူ တစ်ယောက်ပါ။

02:17

The red nodes represent marriages,

41

125060

2849

အနီရောင် အဖုက လက်ထပ်ခဲ့ကြတဲ့ စုံတွဲများပါ၊

02:19

and the connections represent parenthood.

42

127933

2258

ပြီးတော့ ချိတ်ဆက်မှုတွေက
မိဘဖြစ်မှုကို ပြပေးပါတယ်။

အဲဒီလို ပင်စည်ကြီးရဲ့ ဗဟိုမှာ
ဘိုးဘေးကို မြင်နိုင်ကြပါတယ်။

02:22

In the middle of this tree,
you see the ancestors.

43

130557

2372

02:24

And as we go to the periphery,
you see the descendants.

44

132953

2604

အစွန်အဖျားဆီကို သွားတာနဲ့အမျှ
ဆင်းသက်လာသူတွေကို မြင်ကြရမယ်။

02:27

This tree has seven
generations, approximately.

45

135581

3102

ဒီပင်စည်ထဲမှာ မျိုးဆက် ခုနစ်ခုခန့်
ပါဝင်တယ်လို့ ယူဆရတယ်။

အခုဆက်ပြီး ပါဝင်တဲ့ လူတွေရဲ့ ဦးရေကို
တိုးချဲ့ပေးရင် ဖြစ်လာပုံကို မြင်ရပါမယ်

02:31

Now, this is what happens
when we increase the number of individuals

46

139692

3234

02:34

to 70,000 people --

47

142950

1828

လူ ၇၀,၀၀၀ အထိ တိုးပေးလိုက်ရင် ---

02:36

still a tiny subset
of all the data that we have.

48

144802

4330

ကျုပ်တို့ဆီမှာ ရှိတဲ့ ဒေတာထဲက သေးငယ်လှတဲ့
အပိုင်းမျှ ရှိနေတုန်းပါ။

02:41

Despite that, you can already see
the formation of gigantic family trees

49

149629

4813

ဒါတောင်မှ သိပ်ကို ဝေးလံကြတဲ့ ဆွေမျိုး
များရဲ့ အချက်အလက်တွေကို

02:46

with many very distant relatives.

50

154466

2655

ခင်ဗျားတို့ မြင်လို့ ရနိုင်ပါတယ်။

02:49

Thanks to the hard work
of our genealogists,

51

157610

3134

ကျုပ်တို့ရဲ့ ဆွေစဉ်ပင်စည် ပညာရှင်တွေရဲ့
ကြိုးပမ်းမှုကျေးဇူးကြောင့်

02:52

we can go back in time
hundreds of years ago.

52

160768

3103

ကျုပ်တို့ဟာ လွန်ခဲ့တဲ့ နှစ်ရာချီဆီကို
ပြန်ပြီး သွားနိုင်ကြပါတယ်။

02:56

For example, here is Alexander Hamilton,

53

164418

3441

ဥပမာ အဖြစ် Alexander Hamilton
ကို ယူကြည့်ကြပါစို့၊

02:59

who was born in 1755.

54

167883

2475

သူဟာ ၁၇၅၅ ခုနှစ်မှာ မွေးခဲ့တယ်။

03:02

Alexander was the first
US Secretary of the Treasury,

55

170872

3764

အဲဒီ Alexander ဟာ အမေရိကန် ပြည်ထောင်စုရဲ့
ပထမဦးဆုံး ငွေတိုက်မှူး ဖြစ်ခဲ့တယ်၊

03:06

but mostly known today
due to a popular Broadway musical.

56

174660

3831

ဒါပေမဲ့ ဒီနေ့တွင် လူကြိုက်များတဲ့ Broadway
ဂီတဇာတ်မြူးကြောင့် လူသိများပါတယ်။

03:11

We found that Alexander has deeper
connections in the showbiz industry.

57

179137

4922

Alexander ဟာ ရှိုးပွဲတော်များနဲ့
နက်ရှိုင်းစွာ ဆက်နေတာကို တွေ့ရပါတယ်။

03:16

In fact, he's a blood relative of ...

58

184083

2111

တကယ်တော့ သူဟာ Kevin Bacon ရဲ့

သိပ်ကို နီးစပ်တဲ့ ဘိုးလေးပါ။

03:18

Kevin Bacon!

59

186781

1220

03:20

(Laughter)

60

188025

2032

(ရယ်သံများ)

သူတို့နှစ်ဦးစလုံးဟာ စကော့တလန်မှ
အမျိုးသမီးတစ်ဦးမှ ဆင်းသက်လာခဲ့ကြတယ်

03:22

Both of them are descendants
of a lady from Scotland

61

190081

2606

03:24

who lived in the 13th century.

62

192711

2314

၁၃ ရာစုမှာ နေထိုင်ခဲ့တဲ့ အမျိုးသမီးပါ။

03:27

So you can say that Alexander Hamilton

63

195049

3102

ဒါကြောင့်မို့လို့ Alexander Hamilton ဟာ

03:30

is 35 degrees of Kevin Bacon genealogy.

64

198175

3188

Kevin Bacon ရဲ့ ဆွေစဉ်ပင်စည်ထဲက
၃၅ အဆင့်မှာ ရှိနေသူပါလို့ ဆိုနိုင်ပါတယ်။

03:33

(Laughter)

65

201387

1441

(ရယ်သံများ)

03:34

And our tree has millions
of stories like that.

66

202852

3230

ကျုပ်တို့ရဲ့ ပင်စည်ကြီးထဲမှာ အဲဒီလို
ပုံပြင်တွေ သန်းနဲ့ချီ ရှိပါတယ်။

03:40

We invested significant efforts
to validate the quality of our data.

67

208113

4890

ကျုပ်တို့ဟာ ကျုပ်တို့ရဲ့ ဒေတာ အရည်အသွေး
ကောင်းစေဖို့ အတော့်လေး အားထုတ်ခဲ့ကြပါတယ်။

03:45

Using DNA, we found that .3 percent of
the mother-child connections in our data

68

213027

5391

DNA ကို အသုံးပြုလျက် ကျုပ်တို့ ဒေတာထဲတွင်
မိခင်နဲ့ကလေး ဆက်သွယ်မှုတွေရဲ့ ၃%ဟာ

03:50

are wrong,

69

218442

1250

လွဲမှားနေခဲ့ကြတယ်၊

03:51

which could match the adoption rate
in the US pre-Second World War.

70

219716

3591

အဲဒါ ဒုတိယကမ္ဘာစစ် မတိုင်မီတုန်းက မွေးစား
ခဲ့ကြတဲ့ ကလေးနှုန်းနဲ့ ကိုက်ညီခဲ့တယ်။

03:56

For the father's side,

71

224847

1785

ဖခင်တွေအတွက် လေ့လာကြည့်တော့၊

03:58

the news is not as good:

72

226656

1961

သတင်းဟာ သိပ်မကောင်းလှပါ-

04:02

1.9 percent of the father-child
connections in our data are wrong.

73

230149

5600

ကျုပ်တို့ ဒေတာထဲက ဖခင်-ကလေး ချိတ်ဆက်မှုဟာ
၁.၉ ရာခိုင်နှုန်း လွဲမှားနေခဲ့ကြတယ်။

ဒါကို တချို့လူတွေ မျက်နှာ ရှုံ့မဲ့သွားကြတာ
သတိထားမိတယ်။

04:07

And I see some people smirk over here.

74

235773

2363

04:10

It is what you think --

75

238160

1717

ဟုတ်ပါတယ်၊ ခင်ဗျားတို့ ထင်ကြသလို

ဘေးမှသွေးရောစပ်နေတဲ့ ကလေးတွေ များပါတယ်။

04:11

there are many milkmen out there.

76

239901

1789

04:13

(Laughter)

77

241714

1064

(ရယ်သံများ)

04:14

However, this 1.9 percent error rate
in patrilineal connections

78

242802

3989

တကယ်ကျတော့ ဖခင်ဆိုင်ရာ ချိတ်ဆက်မှု
၁.၉ % လွဲမှားမှုဟာ

04:18

is not unique to our data.

79

246815

1769

ကျုပ်တို့ ဒေတာအတွက် မထူးဆန်းပါဘူး။

04:20

Previous studies found
a similar error rate

80

248608

3069

အရင်တုန်းက ပြုလုပ်ခဲ့ဘူးတဲ့
ဆေးခန်းမှ လာကြတဲ့ ခွေမျိုးရိုးဆိုင်ရာ

04:23

using clinical-grade pedigrees.

81

251701

2021

အမှားတွေဟာလည်း အဲဒီလောက်ပဲ ရှိခဲ့ပါတယ်။

04:26

So the quality of our data is good,

82

254254

2525

ဒီတော့ ကျုပ်တို့ဒေတာရဲ့ အရည်အသွေးဟာ
ကောင်းပါးတယ်၊

04:28

and that should not be a surprise.

83

256803

2133

ခုနက အချက်ဟာ အံ့အားသင့်စရာ
မဟုတ်ပါဘူး။

ကျုပ်တို့ရဲ့ ဆွေစဉ်ပင်စည် ပညာရှင်များဟာ
မိသားစု သမိုင်းကို

04:30

Our genealogists have
a profound, vested interest

84

258960

3776

04:34

in correctly documenting
their family history.

85

262760

3668

မှတ်တမ်း တင်ကြရာတွင် တကယ့်ကို
အားထုတ်ကြိုးစားကြပါတယ်။

04:40

We can leverage this data to learn
quantitative information about humanity,

86

268594

4591

ကျုပ်တို့ဟာ ဒီဒေတာကို အသုံးပြုပြီး
လူသားတို့ဆိုင်ရာ အချက်အလက်တချို့ကို၊

ဥပမာ၊ လူဦးရေပျံ့နှံ့နေထိုင်ကြပုံ
အကြောင်းကို လေ့လာနိုင်ပါတယ်။

04:45

for example, questions about demography.

87

273209

2596

04:47

Here is a look at all our profiles
on the map of the world.

88

275829

3857

ကျုပ်တို့ရဲ့ ပရိုဖိုင်အားလုံးကို ကမ္ဘာ့
မြေပုံပေါ်မှာ ဒီလို မြင်နိုင်ပါတယ်။

04:52

Each pixel is a person
that lived at some point.

89

280250

4481

pixel တခုချင်းစီဟာ
တချိန်ချိန်မှာ နေထိုင်ခဲ့တဲ့ လူပါ။

ကျုပ်တို့ဆီမှာ ဒေတာက သိပ်မများလှတော့၊

04:56

And since we have so much data,

90

284755

1680

04:58

you can see the contours
of many countries,

91

286459

2781

ခင်ဗျားတို့ဟာ နိုင်ငံ တော်တော်များများရဲ့
နယ်မြေတွေကို၊

05:01

especially in the Western world.

92

289264

2099

အထူးသဖြင့် အနောက်ကမ္ဘာခြမ်းမှာ
မြင်နိုင်ကြပါတယ်။

05:03

In this clip, we stratified
the map that I've showed you

93

291387

3548

အခုပြမယ့် ဗီဒီယိုထဲမှာကျတော့
ခင်ဗျားတို့ကို ပြောပြခဲ့တာတွေကို

05:06

based on the year of births of individuals
from 1400 to 1900,

94

294959

5072

အခြေခံပြီး ၁၄၀၀ ပြည့်နှစ်မှ ၁၉၀၀ အထိ
မွေးခဲ့ကြတဲ့ သူတွေကို ကြည့်ကြရမှာပါ။

ပြီးတော့ အဲဒါတွေကို လူမျိုးတွေ နေရာ
စွန့်ရွှေ့ပြောင်းခဲ့မှုနဲ့ ယှဉ်ပြထားပါတယ်။

05:12

and we compared it
to known migration events.

95

300055

2766

ဒီထဲမှာ အနက်ရှိုင်းဆုံး ဒေတာတွေရဲ့
ချိတ်ဆက်မှုတွေဟာ ယူကေနဲ့

05:15

The clip is going to show you
that the deepest lineages in our data

96

303482

3165

သက်ဆိုင်နေတာကို မြင်ကြရမှာပါ၊

05:18

go all the way back to the UK,

97

306671

1627

သူတို့ဆီမှာ မှတ်တမ်းတွေကို
ထားတဲ့ စနစ်က ကောင်းခဲ့လို့ပါ။

05:20

where they had better record keeping,

98

308322

1808

နောက်မှာ သူတို့ဟာ အနောက်နိုင်င်ငံများရဲ့
ကိုလိုနီ လမ်းကြောင်းအတိုင်း သွားကြပါတယ်။

05:22

and then they spread along
the routes of Western colonialism.

99

310154

3282

05:25

Let's watch this.

100

313460

1322

အခုတော့ ဗီဒီယိုကို ကြည့်ကြပါစို့။

05:27

(Music)

101

315143

1609

(ဂီတ)

05:28

[Year of birth: ]

102

316776

2341

[မွေးနှစ်- ]

05:31

[1492 - Columbus sails the ocean blue]

103

319705

1836

[၁၄၉၂- ကိုလံဘတ်က ပင်လယ်ထဲ ခရီးထွက်]

05:35

[1620 - Mayflower lands in Massachusetts]

104

323661

2000

[၁၆၂၀ - မက်ဆာချူးဆက်ထဲက မေဖလားဝါးမြေများ]

05:38

[1652 - Dutch settle in South Africa]

105

326726

1775

[၁၆၅၂ - ဒတ်ခ်ျလူမျိုးတွေ
တောင်အာဖရိကမှာ ခြေချခဲ့]

[၁၇၈၈ - ဗြိတိန်နိုင်ငံက သြစတြေးလျ
ဘက်သို့ ခရီးဆန့်မှုကို စတင်ခဲ့]

05:44

[1788 - Great Britain penal
transportation to Australia starts]

106

332321

3186

[၁၈၃၆ - ပထမဦးဆုံး ရွှေ့ပြောင်း
ကြသူတို့က Oregon Trail ကိုသုံးကြ]

05:47

[1836 - First migrants use Oregon Trail]

107

335531

1927

05:50

[all activity]

108

338149

3183

[လုပ်ဆောင်ချက်များ အားလုံး]

05:55

I love this movie.

109

343851

1543

ကျနော် ဒီဗီဒီယိုကို ကြိုက်တယ်။

05:57

Now, since these migration events
are giving the context of families,

110

345418

5093

ဒီမှာ မြင်ခဲ့ကြရတဲ့ ရွှေ့ပြောင်းမှုတွေက
မိသားစုတွေရဲ့ ဇာတ်မြစ်ကို ပြသနေကြတော့၊

ကျုပ်တို့ဟာ ဒီလို မေးခွန်းတွေကို
မေးနိုင်ကြတယ်-

06:02

we can ask questions such as:

111

350535

2183

06:04

What is the typical distance
between the birth locations

112

352742

3470

လင်နဲ့ မယားတို့ရဲ့ မွေးရပ်များ အကြားက
ပုံမှန် အကွာအဝေးဟာ

06:08

of husbands and wives?

113

356236

2812

ဘယ်လောက်များပါလိမ့်။

06:11

This distance plays
a pivotal role in demography,

114

359072

3677

လူတွေက မိသားစုကို ဖွဲ့စည်းရန် ခရီးသွား
ကြပုံဟာ လူဦးရေပျံ့နှံ့နေထိုင်မှုအတွက်

06:14

because the patterns in which
people migrate to form families

115

362773

3681

သိပ်ကို သော့ချက်ကျပြီး အရေးကြီးတဲ့
အချက် ဖြစ်နေလို့ပါ။

အဲဒီအချက်က မျိုးရိုးဗီဇတွေက ပထဝီဒေသ
အနှံ ပြန့်နှံ့ပုံကို ဆုံးဖြတ်ပေးလို့ပါ။

06:18

determine how genes spread
in geographical areas.

116

366478

3713

ကျုပ်တို့ရဲ့ ဒေတာကို သုံးပြီး
အဲဒီအချက်ကို ကျုပ်တို့ လေ့လာခဲ့ကြရာ၊

06:22

We analyzed this distance using our data,

117

370706

2328

06:25

and we found that in the old days,

118

373058

2290

ရှေးခေတ် နှစ်များတုံးက ဒီကိစ္စဟာ

06:27

people had it easy.

119

375372

1230

လွယ်ကူခဲ့ပုံ ရပါတယ်။

06:28

They just married someone
in the village nearby.

120

376626

2594

လူတွေဟာ အနီးအနား ရွာထဲက
တစ်ယောက်ယောက်နဲ့ လက်ထပ်ခဲ့ကြတယ်။

ဒါပေမဲ့ စက်မှုတော်လှန်ရေးဟာ ကျုပ်တို့ရဲ့
ဘဝကို များစွာမှ ရှုပ်ထွေးပစ်ခဲ့တယ်။

06:31

But the Industrial Revolution
really complicated our love life.

121

379958

3705

06:35

And today, with affordable flights
and online social media,

122

383687

4560

ဒီနေ့တွင်၊ လေယာဉ်နဲ့ သွာလာနိုင်ပြီး
အွန်လိုင်း လူမှုမီဒီယာတွေ ရှိနေကြတော့၊

06:40

people typically migrate more than
100 kilometers from their place of birth

123

388271

4828

လူတွေဟာ သူတို့ရဲ့ ကြင်ဖေါ်ကို ရှာဖို့အတွက်
ကိုယ့်မွေးရပ်မှနေပြီး

06:45

to find their soul mate.

124

393123

1504

ကီလိုမီတာ ၁၀၀ မကအထိ သွားကြပါတယ်။

ဒီတော့ ခင်ဗျားတို့ မေးချင်နိုင်ကြတာက-

06:48

So now you might ask:

125

396524

1187

06:49

OK, but who does the hard work
of migrating from places to places

126

397735

4496

ကောင်းပါပြီ၊ အဲဒီလို မိသားစုထူထောင်ဖို့
အဝေးမှာ ရှာကြံရတဲ့ ခက်ခဲတဲ့ အလုပ်ကို

06:54

to form families?

127

402255

1269

လုပ်တာက ဘယ်သူများလဲ။

06:55

Are these the males or the females?

128

403548

3727

အဲဒါ ဤယောက်ျားလား မိန်းမလား။

ကျုပ်တို့ ဒေတာကို သုံးပြီး အဲဒီမေးခွန်း
အတွက် အဖြေကို ရှာကြည့်တော့

06:59

We used our data to address this question,

129

407752

2155

07:01

and at least in the last 300 years,

130

409931

2594

အနည်းဆုံးအားဖြင့်
နောက်ဆုံး နှစ် ၃၀၀ အတွင်းမှာ

မိသားစုကို ထူထောင်ဖို့အတွက် တနေရာမှနေပြီး
နောက် တနေရာကို သွားရတဲ့ မလွယ်တဲ့ အလုပ်ကို

07:04

we found that the ladies do the hard work

131

412549

3883

07:08

of migrating from places
to places to form families.

132

416456

2996

အမျိုးသမီးတွေ ပြုလုပ်ခဲ့ကြတာကို
တွေ့နိုင်ပါတယ်။

07:11

Now, these results
are statistically significant,

133

419476

3101

အဲဒီစာရင်းအင်းတွေက
အတော့်ကို အရေးပါကြလို့

07:14

so you can take it as scientific fact
that males are lazy.

134

422601

3471

ယောက်ျားတွေဟာ ပျင်းရိကြတာကို
သိပ္ပံနည်းကျ အဖြေအဖြစ် လက်ခံကြရပါမယ်။

07:18

(Laughter)

135

426096

3156

(ရယ်သံများ)

ကျုပ်တို့ဟာ လူဦးရေပျံ့နှံ့နေထိုင်မှု
မေးခွန်းတွေကနေပြီး

07:21

We can move from questions
about demography

136

429276

2536

07:23

and ask questions about human health.

137

431836

2913

ရွှေ့ပြောင်းလျက် လူ့ကျန်းမာရေး အကြောင်း
မေးနိုင်ကြပါတယ်။

07:26

For example, we can ask

138

434773

1487

ဥပမာ၊ လူတဦးနဲ့တဦး

07:28

to what extent genetic variations
account for differences in life span

139

436284

4963

အသက်အရွယ်ချင်း မတူကွဲပြားမှုက
မျိုးရိုးဗီဇမူကွာဟချက်နဲ့

07:33

between individuals.

140

441271

1194

ဘယ်လို ဆက်စပ်နေပါသလဲ။

အမွှာများရဲ့ အသက်အရွယ် ကွဲပြားခဲ့ပုံကို
အရင်တုန်းက လေ့လာရင်း

07:34

Previous studies analyzed the correlation
of longevity between twins

141

442988

4530

အဲဒီမေးခွန်းကို ဖြေဖို့ အားထုတ်ခဲ့ကြတယ်။

07:39

to address this question.

142

447542

1442

07:41

They estimated that the genetic
variations account for

143

449411

2667

လူတွေရဲ့ အသက်အရွယ် မတူကွဲပြားရခြင်းရဲ့

07:44

about a quarter of the differences
in life span between individuals.

144

452102

4040

လေးပုံတပုံအတွက် ဗီဇဆိုင်ရာ ကွဲလွဲချက်တွေ
နဲ့ ဆိုင်ခဲ့တယ်လို့ ယူဆခဲ့ကြပါတယ်။

ဒါပေမဲ့ အမွှာတွေဆီမှာ ကျတော့ တူညီဆက်စပ်တဲ့
အကြောင်းအရာတွေ များလှပါတယ်၊

07:48

But twins can be correlated
due to so many reasons,

145

456688

2598

07:51

including various environmental effects

146

459310

2304

ပတ်ဝန်းကျင်ဆိုင်ရာ အကျိုးသက်ရောက်မှု
မျိုးစုံအပါအဝင်

07:53

or a shared household.

147

461638

1622

တအိမ်ထဲမှာ အတူနေရတာ အဆုံးပါပဲ။

ကြီးမားတဲ့ မိသားစု ပင်စည်တွေဟာ
အမွှာများလို နီးစပ်တဲ့ ဆွေမျိုးများ

07:56

Large family trees give us the opportunity
to analyze both close relatives,

148

464411

3753

တို့ကိုသာမက၊

08:00

such as twins,

149

468188

1207

စတုတ္ထဝမ်းကွဲများ အထိကိုတောင် ဝေးလံတဲ့
ဆွေမျိုးတွေကို လေ့လာခွင့်ပေးကြတယ်။

08:01

all the way to distant relatives,
even fourth cousins.

150

469419

2917

အဲဒီလိုနည်းဖြင့် ကျုပ်တို့ဟာ
ဗီဇဆိုင်ရာ ကွဲပြားချက်တွေကို

08:04

This way we can build robust models

151

472749

2689

08:07

that can tease apart the contribution
of genetic variations

152

475462

3708

ပတ်ဝန်းကျင်လို သက်ရောက်မှုများမှ
ခွဲခြားပစ်လို့ ရနိုင်တဲ့ ခိုင်ခံ့တဲ့

08:11

from environmental factors.

153

479194

1717

မော်ဒယ်တွေကို တည်ဆောက်ခွင့် ရလာပါတယ်။

ကျုပ်တို့ရဲ့ ဒေတာကို သုံးပြီး ကျုပ်တို့က
အဲဒါကို ဆန်းစစ်ကြည့်ခဲ့ကြရာ

08:13

We conducted this analysis using our data,

154

481379

2899

08:16

and we found that genetic variations
explain only 15 percent

155

484302

5791

လူအမျိုးမျိုးအကြားက
အသက်အရွယ် ကွဲပြားရမှုကသာ

08:22

of the differences in life span
between individuals.

156

490117

2806

ဗီဇဆိုင်ရာ ကွဲလွဲချက်များကြောင့်
ဖြစ်တယ်လို့ တွေ့ခဲ့ကြတယ်။

08:26

That is five years, on average.

157

494760

2756

အဲဒါဟာ ပျမ်းမျှအားဖြင့်
ငါးနှစ်ခန့်ဖြစ်ပါတယ်။

08:30

So genes matter less than
what we thought before to life span.

158

498316

4708

ဒီတော့ အသက်အရွယ်နဲ့ ပတ်သက်ရင် ဗီဇရဲ့
သက်ရောက်မှုဟာ ထင်ခဲ့ကြတာထက် နည်းပါတယ်။

08:35

And I find it great news,

159

503675

2136

ကျနော့်အတွက် အဲဒါဟာ
တကယ့် သတင်းကောင်းပါ၊

08:38

because it means that
our actions can matter more.

160

506438

3293

ကျုပ်တို့ရဲ့ လုပ်ဆောင်ချက်တွေက
ပိုအရေးပါတယ်လို့ အဓိပ္ပါယ်ရလို့ပါ။

08:42

Smoking, for example, determines
10 years of our life expectancy --

161

510533

4274

ဥပမာ၊ ဆေးလိပ်သောက်ခြင်းက မျိုးရိုးဗီဇအရ
ရှိရမယ့် အသက်ကို

08:46

twice as much as what genetics determines.

162

514831

2646

ဆယ်နှစ်ခန့် လျှော့ချ ပစ်နိုင်တယ်။

ကျုပ်တို့ဟာ မိသားစုပင်စည်များမှ
ရွှေ့ပြောင်းလျက်

08:50

We can even have more surprising findings

163

518236

2289

ဆွေစဉ်ကားချပ်ကို လေ့လာကြသူတို့အား
DNA အချက်အလက်တွေကို စုစည်းခွင့်ပြုရင်

08:52

as we move from family trees

164

520549

1492

08:54

and we let our genealogists
document and crowdsource DNA information.

165

522065

4732

ပိုလို့ကို အံ့အားသင့်စရာ ရလဒ်တွေကို
ကျုပ်တို့ ရရှိကြလာမှာပါ။

08:58

And the results can be amazing.

166

526821

2024

အဲဒီရလဒ်တွေကို ယုံကြည့်ဖို့တောင်
လွယ်မှာ မဟုတ်ပါဘူး။

09:01

It might be hard to imagine,
but Uncle Bernie and his friends

167

529255

3915

စိတ်ကူးဖို့ မလွယ်ပေမဲ့
Uncle Bernie နဲ့ သူ့မိတ်ဆွေတွေဟာ

လက်ရှိ အချိန်မှာ FBI ထံမှာ ရှိနေတဲ့
DNA အခြေပြု ပြစ်မှုစူးစမ်းရှာဖွေရေး

09:05

can create DNA forensic capabilities

168

533194

2646

09:07

that even exceed
what the FBI currently has.

169

535864

3559

အလားအလာတွေထက်တောင် များစွာ သာလွန်မှာပါ။

ကျုပ်တို့က DNA ကို ကြီးမားတဲ့ မိသားစု
ပင်စည် ပေါ်ကို တင်ပေးလိုက်ရင်၊

09:12

When you place the DNA
on a large family tree,

170

540862

2404

အလင်းတန်းလေးကို တီထွင်ပေးတာနဲ့ တူပါတယ်၊

09:15

you effectively create a beacon

171

543290

2117

၎င်းဟာ ဝေးလံတဲ့ ဆွေမျိုးသားချင်း
ရာချီတို့ကို လင်းလက်လာစေပါမယ်။

09:17

that illuminates the hundreds
of distant relatives

172

545431

2634

09:20

that are all connected to the person
that originated the DNA.

173

548089

3490

ခုနက DNA မှ အစပြုလာခဲ့ကြတဲ့
လူတွေကို ဆက်စပ်ပြသပေးပါမယ်။

အဲဒီလို အလင်းတန်း အများကြီးကို ကြီးမားတဲ့
မိသားစုပင်စည် ပေါ်ကို တင်ပေးလိုက်ရင်၊

09:24

By placing multiple beacons
on a large family tree,

174

552505

2913

09:27

you can now triangulate the DNA
of an unknown person,

175

555442

3720

ကိုယ် လုံးဝမသိရသေးသူရဲ့ DNA ကို
တြိဂံပုံဖွဲ့ တိုင်းနိုင်ပါတယ်။

09:31

the same way that the GPS system
uses multiple satellites

176

559186

3938

GPS စနစ်က ဂြိုဟ်တုအများအပြားကို သုံးပြီး

09:35

to find a location.

177

563148

1324

တည်နေရာကို ရှာဖွေသလိုပါပဲ။

09:37

The prime example
of the power of this technique

178

565226

3624

ဒီနည်းပညာ စွမ်းဖက်ပုံ အထင်ရှားဆုံး အဓိကက

09:40

is capturing the Golden State Killer,

179

568874

2675

Golden State Killer လို့ နာမည်ပေးခံခဲ့ရတဲ့

09:44

one of the most notorious criminals
in the history of the US.

180

572612

4528

အမေရိက သမိုင်းထဲက နာမည်အဆိုးဆုံး
လူသတ်သမားကို ဖမ်းနိုင်ခဲ့ခြင်းပါပဲ။

09:49

The FBI had been searching
for this person for over 40 years.

181

577164

5892

FBI ဟာ အဲဒီလူကို ဖမ်းဖို့ ရှာကြံနေခဲ့တာ
နှစ်ပေါင်း 40 ကျော်ခဲ့တယ်။

သူတို့ဆီမှာ အဲဒီလူရဲ့
DNA တောင် သူတို့ဆီမှာ ရှိခဲ့တယ်၊

09:55

They had his DNA,

182

583588

1835

09:57

but he never showed up
in any police database.

183

585447

3350

ဒါပေမဲ့ သူ့ကို ဘယ်လိုမှ ခြေရာခံ မရခဲ့ပါ။

10:01

About a year ago, the FBI
consulted a genetic genealogist,

184

589447

4712

လွန်ခဲ့တဲ့တစ်နှစ်လောက်က၊ FBI က
မျိုးရိုးဗီဇပညာရှင်နဲ့

10:06

and she suggested that they submit
his DNA to a genealogy service

185

594183

3950

လာတိုင်ပင်ခဲ့လို့ သူတို့ရဲ့ DNA ကို
ဆွေစဉ်ကားချပ် ဝန်ဆောင်မှုသို့

တင်ပေးပြီး ဝေးလံတဲ့ ဆွေမျိုးတွေကို
ရှာကြည့်ရန် အကြံပေးခဲ့ကြတယ်။

10:10

that can locate distant relatives.

186

598157

2398

10:13

They did that,

187

601117

1156

သူတို့ အဲဒီလို ပြုလုပ်ခဲ့ကြလို့၊

10:14

and they found a third cousin
of the Golden State Killer.

188

602297

3692

Golden State Killer နဲ့ တတိယဝမ်းကွဲ
တော်သူကို ရှာတွေ့ခဲ့တယ်။

10:18

They built a large family tree,

189

606013

2344

သူတို့ဟာ ကြီးမားတဲ့မိသားစု ပင်စည်ကို
ရေးဆွဲခဲ့ကြတယ်၊

10:20

scanned the different
branches of that tree,

190

608381

2102

ပင်စည်ရဲ့ အကိုင်းမျိုးစုံကို
ဆန်းစစ် လေ့လာခဲ့ကြတယ်၊

10:22

until they found a profile
that exactly matched

191

610507

2565

နောက်ဆုံးမှာတော့ သူတို့ အတိအကျ သိခဲ့ကြတဲ့

10:25

what they knew about
the Golden State Killer.

192

613096

2581

Golden State Killer ကို
တွေ့ခဲ့ကြတဲ့ အထိပါပဲ။

10:27

They obtained DNA from this person
and found a perfect match

193

615701

3592

သူတို့ဟာ အဲဒီလူဆီကနေပြီး DNA ကို
ရယူခဲ့ကြရာ သူတို့လက်ထဲမှာ ရှိနေခဲ့တဲ့

10:31

to the DNA they had in hand.

194

619317

2025

DNA နဲ့ ကွက်တိကိုက်နေခဲ့တယ်။

အဲဒါနဲ့ သူတို့ဟာ သူ့ကို ဖမ်းနိုင်ခဲ့ပြီး
နှစ်ပေါင်း များစွာကြာပြီးတဲ့ နောက်မှာ

10:33

They arrested him
and brought him to justice

195

621366

2350

10:35

after all these years.

196

623740

1424

တရားစီရင်နိုင်ခဲ့ကြတယ်။

10:38

Since then, genetic genealogists
have started working with

197

626172

3241

အဲဒီအချိန်ကစလျက် မျိုးရိုးဗီဇ
ဆွေစဉ်ကားချပ် ပညာရှင်များဟာ

10:41

local US law enforcement agencies

198

629437

2668

ဒေသခံ အမေရိကန်ဥပဒေ
စိုးမိုးရေးအေဂျင်စီများနဲ့

10:44

to use this technique
in order to capture criminals.

199

632129

3362

လက်တွဲလျက် ရာဇဝတ်ကောင်တွေကို ဖမ်းနိုင်ရန်
အဲဒီနည်းပညာကို သုံးနေကြပါပြီ။

10:47

And only in the past six months,

200

635521

2681

လွန်ခဲ့တဲ့ ခြောက်လ ကာလအတွင်းမှာကို

10:50

they were able to solve
over 20 cold cases with this technique.

201

638226

4296

သူတို့ရဲ့ နည်းကို သုံးပြီး နှစ်များစွာကြာ
အမှုဟေင်း ၂၀ ကို ဖြေရှင်းပေးနိုင်ခဲ့ကြတယ်။

10:56

Luckily, we have people like Uncle
Bernie and his fellow genealogists

202

644203

4636

ကျနော်တို့ဆီမှာ Uncle Bernie လို ဆွေစဉ်
လေ့လာရေး ပညာရှင်တွေ ရှိကြတာ ကံကောင်းတယ်၊

သူတို့ဟာ အပျော်ထမ်း မိမိရဲ့ ဝါသနာအလျောက်
လုပ်ကိုင်နေကြတဲ့ သူတွေ မဟုတ်ကြပါ။

11:01

These are not amateurs
with a self-serving hobby.

203

649045

2994

11:04

These are citizen scientists
with a deep passion to tell us who we are.

204

652602

6419

ပြည်သူတို့ကြားက သိပ္ပံပညာရှင်တွေ ဖြစ်ပြီး
ကျုပ်တို့အကြောင်း လေးနက်စွာ လေ့လာသူတွေပါ။

11:11

And they know that the past
can hold a key to the future.

205

659065

4458

ပြီးတော့ အတိတ်ကာလက အနာဂတ်အတွက်
သော့ကို ပေးနိုင်ကြောင်း သူတို့ ယုံကြည်တယ်။

ကျေးဇူးအများကြီးတင်ပါတယ်။

11:16

Thank you very much.

206

664067

1183

11:17

(Applause)

207

665314

3469

(လက်ခုပ်သံများ)

Translated by Myo Aung
Reviewed by Sanda Aung

ABOUT THE SPEAKER

Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data.

Why you should listen

As a professor and researcher at Columbia University and as CSO of MyHeritage.com, Yaniv Erlich has performed foundational work in genetic privacy and large-scale studies of crowdsourced genomic data. Dubbed a "genome hacker" by the journal Nature, Erlich and his team discovered a privacy loophole enabling reidentification of allegedly anonymous male research participants using just internet searches and their Y chromosome. Later, he discovered that 60 percent of all US individuals with European descent can be identified by forensic genetics using open genetic genealogy databases, which Science magazine called one of the top 10 breakthroughs of 2018.

Erlich is also responsible for the construction of the world's largest family tree, comprising 13 million people, as well as the development of the website DNA.land, which has compiled the genotypes of more than 150,000 donors. He has also worked to discover the genetic bases for several conditions in Israeli families. His team has demonstrated stable DNA data storage, reaching a density of 215 petabyte per gram of DNA. He's been awarded numerous prizes, has published more than 45 papers and authored seven patents.

More profile about the speaker
Yaniv Erlich | Speaker | TED.com

THE ORIGINAL VIDEO ON TED.COM

Yaniv Erlich: ကျုပ်တို့က ကမ္ဘာ့အကြီးမားဆုံး မိသားစု ပင်စည်ကို တည်ဆောက်နေကြပုံ | TED Talk | TED.com