TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Hoe lees je het genoom en bouw je een menselijk wezen?
Filmed:
Readability: 3.6
1,834,677 views
Het menselijke genoom, het geheel van genetische informatie dat nodig is om een mens te bouwen, omvat allerlei geheimen, ziektes en schoonheid. De wetenschapper en entrepreneur Riccardo Sabatini legt uit hoe we dankzij een buisje met bloed deze code nu kunnen lezen en dingen zoals lengte, oogkleur, leeftijd of zelfs gezichtsstructuur kunnen voorspellen. Volgens Sabatini zal het decoderen van het genoom ons helpen om medische behandelingen voor ziektes zoals kanker te personaliseren. Wij kunnen het leven zoals we die vandaag kennen veranderen. Hoe zullen we die macht gebruiken?
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
In de volgende 16 minuten zal ik
jullie laten kennismaken
jullie laten kennismaken
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
met wat waarschijnlijk de grootste
droom van de mensheid is:
droom van de mensheid is:
00:18
to understand the code of life.
2
6508
2015
de code van het leven begrijpen.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Voor mij begon alles heel lang geleden,
00:23
when I met the first 3D printer.
4
11839
2723
toen ik kennismaakte
met de eerste 3D-printer.
met de eerste 3D-printer.
00:26
The concept was fascinating.
5
14586
1674
Het concept was fascinerend.
00:28
A 3D printer needs three elements:
6
16284
2022
Een 3D-printer heeft drie dingen nodig:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
met een beetje informatie, enkele
grondstoffen en wat energie
grondstoffen en wat energie
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
kan de printer uit het niets
een totaal nieuw object produceren.
een totaal nieuw object produceren.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Ik studeerde fysica
en was op weg naar huis
en was op weg naar huis
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
toen ik besefte dat ik al heel mijn leven
een 3D-printer kende.
een 3D-printer kende.
00:44
And everyone does.
11
32140
1336
En iedereen kent er één.
00:45
It was my mom.
12
33500
1158
Het was mijn ma.
00:46
(Laughter)
13
34682
1001
(Gelach)
00:47
My mom takes three elements:
14
35707
2414
Mijn ma neemt 3 elementen:
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
een beetje informatie, in dit geval
van mijn vader en mijn moeder,
van mijn vader en mijn moeder,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
grondstoffen en energie onder
dezelfde vorm, voedsel,
dezelfde vorm, voedsel,
00:58
and after several months, produces me.
17
46323
2508
en na enkele maanden produceert ze mij.
01:00
And I was not existent before.
18
48855
1812
Daarvoor bestond ik gewoon niet.
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
Dus, afgezien van mijn ma's schok toen ze
ontdekte dat ze een 3D-printer is,
ontdekte dat ze een 3D-printer is,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
raakte ik gefascineerd
door dat ene onderdeel,
door dat ene onderdeel,
01:11
the first one, the information.
21
59239
1717
het eerste, de informatie.
01:12
What amount of information does it take
22
60980
2251
Hoeveel informatie heb je nodig
01:15
to build and assemble a human?
23
63255
1936
om een mens ineen te knutselen?
01:17
Is it much? Is it little?
24
65215
1574
Is dat veel? Of niet veel?
01:18
How many thumb drives can you fill?
25
66813
2180
Hoeveel USB-sticks kan je ermee vullen?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Ik was fysica aan het studeren
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
en ik besloot dat de beste invalshoek was
de mens als een enorme legoblok te bezien.
de mens als een enorme legoblok te bezien.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Beeld je in dat de blokjes
kleine atoompjes zijn
kleine atoompjes zijn
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
en dat er hier waterstof is, en hier
koolstof, en verder nog stikstof.
koolstof, en verder nog stikstof.
01:37
So in the first approximation,
30
85772
1571
Mijn eerste inschatting was:
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
als ik de lijst kan opstellen
van het aantal atomen dat een mens bevat,
van het aantal atomen dat een mens bevat,
01:43
I can build it.
32
91734
1387
dan kan ik er ook één bouwen.
01:45
Now, you can run some numbers
33
93145
2029
Nu kan je beginnen rekenen,
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
en het resultaat is onwaarschijnlijk.
01:50
So the number of atoms,
35
98499
2757
Het aantal atomen,
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
de file die ik op mijn USB-stick zal
opslaan om een baby in elkaar te steken,
opslaan om een baby in elkaar te steken,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
zal een hele Titanic
vol USB-sticks vullen -
vol USB-sticks vullen -
02:02
multiplied 2,000 times.
38
110750
2718
vermenigvuldigd met 2000.
02:05
This is the miracle of life.
39
113957
3401
Dit is het wonder van het leven.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Denk eraan elke keer je nu
een zwangere vrouw ziet:
een zwangere vrouw ziet:
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
zij is de grootste hoeveelheid
informatie aan het verzamelen
informatie aan het verzamelen
02:14
that you will ever encounter.
42
122898
1556
die je je kan inbeelden.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Vergeet 'big data', vergeet alles
wat je ooit gehoord hebt.
wat je ooit gehoord hebt.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Dit is de grootste hoeveelheid
informatie die er bestaat.
informatie die er bestaat.
02:22
(Applause)
45
130357
3833
(Applaus)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
Gelukkig is de natuur veel slimmer
dan een jonge natuurkundige,
dan een jonge natuurkundige,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
en is ze er in 4 miljard jaar in geslaagd
deze informatie samen te pakken
deze informatie samen te pakken
02:34
in a small crystal we call DNA.
48
142482
2705
in een klein kristal dat DNA heet.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
We zagen het voor het eerst in 1950
toen Rosalind Franklin, een ongelooflijke
wetenschapper, een vrouw,
wetenschapper, een vrouw,
02:41
an amazing scientist, a woman,
50
149941
1556
02:43
took a picture of it.
51
151521
1389
het vastlegde op foto.
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
Maar we hadden meer dan 40 jaar nodig om
in een menselijke cel binnen te geraken,
in een menselijke cel binnen te geraken,
02:50
take out this crystal,
53
158146
1602
het kristal te isoleren,
02:51
unroll it, and read it for the first time.
54
159772
3080
het af te wikkelen
en voor het eerst te lezen.
en voor het eerst te lezen.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
De code die dan verschijnt,
is een zeer eenvoudig alfabet
is een zeer eenvoudig alfabet
02:58
four letters: A, T, C and G.
56
166880
3772
met vier letters: A, T, C en G.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Om een mens te bouwen,
heb je er drie miljard van nodig.
heb je er drie miljard van nodig.
03:06
Three billion.
58
174933
1179
Drie miljard.
03:08
How many are three billion?
59
176136
1579
Hoeveel is drie miljard?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Het is een getal dat eigenlijk
weinig zin heeft.
weinig zin heeft.
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Dus dacht ik: hoe kan ik nu
echt duidelijk maken
echt duidelijk maken
03:16
about how big and enormous this code is.
62
184634
3050
hoe reusachtig groot deze code wel is?
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Nu heb je wel - ik bedoel
ik heb nu wel even hulp nodig.
ik heb nu wel even hulp nodig.
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
De persoon die mij het best kan helpen
om de code voor te stellen,
om de code voor te stellen,
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
is Dr. Craig Venter, de eerste man die
de volgorde ervan heeft bepaald.
de volgorde ervan heeft bepaald.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Welkom, Dr. Craig Venter.
03:32
(Applause)
67
200997
6931
(Applaus)
03:39
Not the man in the flesh,
68
207952
2256
Dit is natuurlijk niet de man
in vlees en bloed,
in vlees en bloed,
03:43
but for the first time in history,
69
211448
2345
maar, voor de eerste keer
in de geschiedenis,
in de geschiedenis,
03:45
this is the genome of a specific human,
70
213817
3462
is het genoom van een bepaald individu
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
uitgeschreven, pagina na pagina,
letter na letter:
letter na letter:
03:53
262,000 pages of information,
72
221087
3996
260.000 bladzijden aan informatie,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 kilo die van de VS
naar Canada verzonden zijn
naar Canada verzonden zijn
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
dankzij Bruno Bowden,
van start-up Lulu.com.
van start-up Lulu.com.
04:06
It was an amazing feat.
75
234362
1463
Een geweldige prestatie.
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
Dit is dus de visuele weergave
van de code van het leven.
van de code van het leven.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
En nu kan ik voor de eerste keer
iets leuks doen.
iets leuks doen.
04:14
I can actually poke inside it and read.
78
242672
2547
Ik kan de code nu inkijken en lezen.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Nu zal ik eens een interessant boek
nemen ... zoals dat hier.
nemen ... zoals dat hier.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Hier is mijn aantekening;
het is een enorm boek.
het is een enorm boek.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Nu kan je echt wel zien
wat de code van het leven is.
wat de code van het leven is.
04:32
Thousands and thousands and thousands
82
260566
3391
Duizenden en duizenden en duizenden
04:35
and millions of letters.
83
263981
2670
en miljoenen letters.
04:38
And they apparently make sense.
84
266675
2396
En blijkbaar wil dat allemaal iets zeggen.
04:41
Let's get to a specific part.
85
269095
1757
Laten we eens een fragment nemen.
04:43
Let me read it to you:
86
271571
1362
Ik zal het even voorlezen:
04:44
(Laughter)
87
272957
1021
(Gelach)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it sounds like mute letters,
89
278965
2067
Voor jullie zijn dat gewoon
zinloze letters,
zinloze letters,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
maar deze sequentie bepaalt
de kleur van Craigs ogen.
de kleur van Craigs ogen.
04:57
I'll show you another part of the book.
91
285633
1932
Nu een ander fragment van het boek.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Dit is wel een beetje moeilijker.
05:02
Chromosome 14, book 132:
93
290983
2647
Chromosoom 14, boek 132:
05:05
(Laughter)
94
293654
2090
(Gelach)
05:07
As you might expect.
95
295768
1277
Dacht ik het niet.
05:09
(Laughter)
96
297069
3466
(Gelach)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT".
05:20
This human is lucky,
98
308329
1687
Deze mens heeft geluk,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
want als je twee letters te kort
schiet in deze combinatie -
schiet in deze combinatie -
05:26
two letters of our three billion --
100
314581
1877
twee letters van onze drie miljard -
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
dan zal je aan een vreselijke
ziekte lijden:
ziekte lijden:
05:30
cystic fibrosis.
102
318525
1440
taaislijmziekte.
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
Dit is een ongeneeslijke ziekte,
daar bestaat geen medicatie voor,
daar bestaat geen medicatie voor,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
en het is een verschil van twee lettertjes
ten opzichte van ons.
ten opzichte van ons.
05:39
A wonderful book, a mighty book,
105
327585
2705
Een fantastisch boek, een grandioos boek,
05:43
a mighty book that helped me understand
106
331115
1998
een boek dat mij geholpen heeft
05:45
and show you something quite remarkable.
107
333137
2753
iets te begrijpen dat echt fenomenaal is.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Elk van jullie - wat mij en jou
van elkaar onderscheidt
van elkaar onderscheidt
05:52
is just about five million of these,
109
340939
2954
is ongeveer vijf miljoen van deze,
05:55
half a book.
110
343917
1228
een half boek.
05:58
For the rest,
111
346015
1663
Voor de rest
05:59
we are all absolutely identical.
112
347702
2562
zijn we allemaal volledig identiek.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Die vijfhonderd pagina's zijn het mirakel
van het leven voor elk van jullie.
van het leven voor elk van jullie.
06:07
The rest, we all share it.
114
355050
2531
Al de rest hebben we gemeenschappelijk.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Dus denk eraan wanneer
je denkt dat we verschillend zijn.
je denkt dat we verschillend zijn.
06:12
This is the amount that we share.
116
360538
2221
Zoveel hebben we dus gemeenschappelijk.
06:15
So now that I have your attention,
117
363441
3429
Nu ik dus jullie aandacht heb,
06:18
the next question is:
118
366894
1359
wil ik nog een vraag stellen
06:20
How do I read it?
119
368277
1151
hoe kan je dat nu lezen?
06:21
How do I make sense out of it?
120
369452
1509
Hoe kan dat nu zinvol zijn?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Je mag nog een kei zijn in het
ineenknutselen van Zweedse meubels,
ineenknutselen van Zweedse meubels,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
maar deze handleiding zal je
nooit kunnen gebruiken.
nooit kunnen gebruiken.
06:31
(Laughter)
123
379260
1603
(Gelach)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
En zo besloten twee bekende TED-ers,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis en Craig Venter zelf,
06:38
decided to assemble a new company.
126
386587
1927
in 2014 een nieuw bedrijf op te starten.
06:40
Human Longevity was born,
127
388538
1412
Hier kwam Human Longevity,
06:41
with one mission:
128
389974
1370
met één missie:
06:43
trying everything we can try
129
391368
1861
alles proberen
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
en alles leren uit deze boeken,
06:48
with one target --
131
396036
1705
met één doel -
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
de droom waarmaken
van gepersonaliseerde geneeskunde,
van gepersonaliseerde geneeskunde,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
begrijpen wat we moeten doen
om een betere gezondheid te hebben
om een betere gezondheid te hebben
06:57
and what are the secrets in these books.
134
405478
2283
en wat voor geheimen deze boeken omvatten.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Een fantastisch team met 40 wetenschappers
en veel, veel andere mensen,
en veel, veel andere mensen,
07:04
a pleasure to work with.
136
412603
1350
een plezier om mee te werken.
07:05
The concept is actually very simple.
137
413977
2253
Het concept is heel eenvoudig.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
We gebruiken de technologie
van 'machine learning'.
van 'machine learning'.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Aan de ene kant hebben we
duizenden genomen.
duizenden genomen.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
Aan de andere kant hebben we de grootste
database van de mens bijeengebracht:
database van de mens bijeengebracht:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
fenotypes, 3D-scans, kernspinresonantie -
je noemt het maar.
je noemt het maar.
07:24
Inside there, on these two opposite sides,
142
432340
2899
En daar, aan deze twee overstaande kanten
07:27
there is the secret of translation.
143
435263
2442
vind je het geheim van de vertaling.
07:29
And in the middle, we build a machine.
144
437729
2472
Tussen de twee bouwen we een machine.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
We bouwen een machine en
we programeren die -
we programeren die -
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
om precies te zijn, niet één machine,
maar veel, veel machines -
maar veel, veel machines -
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
om te proberen het genoom in een fenotype
te begrijpen en te vertalen.
te begrijpen en te vertalen.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Welke zijn die letters
en wat doen ze?
en wat doen ze?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
Deze methodologie kan voor alles
gebruikt worden,
gebruikt worden,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
maar het is een hele opdracht om die
te gebruiken in genomica.
te gebruiken in genomica.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
We zijn langzaamaan gegroeid en
we hadden verschillende projecten.
we hadden verschillende projecten.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
We begonnen met het begin,
met gemeenschappelijke kenmerken.
met gemeenschappelijke kenmerken.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
Gemeenschappelijke kenmerken zijn
de gemakkelijkste,
de gemakkelijkste,
08:01
everyone has them.
154
469197
1184
omdat iedereen ze heeft.
08:02
So we started to ask our questions:
155
470405
2494
Dus hebben we ons afgevraagd:
08:04
Can we predict height?
156
472923
1380
kan lengte voorspeld worden?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Kunnen we uit de boeken
je lengte afleiden?
je lengte afleiden?
08:09
Well, we actually can,
158
477186
1151
Wel ja, we kunnen dat,
08:10
with five centimeters of precision.
159
478361
1793
met een precisie van vijf centimeter.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
Je BMI-index is gekoppeld
aan je levensstijl
aan je levensstijl
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
maar we kunnen toch je gewicht schatten
met een precisie van 8 kilo.
met een precisie van 8 kilo.
08:19
Can we predict eye color?
162
487225
1231
De kleur van je ogen?
08:20
Yeah, we can.
163
488480
1158
Die kunnen we ook raden.
08:21
Eighty percent accuracy.
164
489662
1324
Met 80% zekerheid.
08:23
Can we predict skin color?
165
491466
1858
Kunnen we je huidskleur raden?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Ja - met 80% zekerheid.
08:27
Can we predict age?
167
495813
1340
Kunnen we je leeftijd raden?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Dat kunnen we, omdat de code blijkbaar
in de loop van de jaren verandert.
in de loop van de jaren verandert.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Ze wordt korter, je verliest stukjes,
ander stukken worden bijgevoegd.
ander stukken worden bijgevoegd.
08:37
We read the signals, and we make a model.
170
505190
2555
We lezen de signalen
en we maken een model.
en we maken een model.
08:40
Now, an interesting challenge:
171
508438
1475
Nu is er wel een interessante uitdaging
08:41
Can we predict a human face?
172
509937
1729
Kunnen we een gezicht voorspellen?
08:45
It's a little complicated,
173
513014
1278
Dat is een beetje moeilijk
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
omdat een menselijk gezicht bestaat
uit miljoenen letters
uit miljoenen letters
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
En een gezicht is nu ook niet
een welomschreven object.
een welomschreven object.
08:52
So, we had to build an entire tier of it
176
520184
2051
Dus moesten we er
een hele reeks van bouwen
een hele reeks van bouwen
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
om te leren en aan een machine
te leren wat een gezicht is
te leren wat een gezicht is
08:56
and embed and compress it.
178
524993
2037
en dan moet je het nog integreren.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Als je iets van machine learning kent,
09:01
you understand what the challenge is here.
180
529326
2284
dan weet je ook
wat voor een uitdaging dit is.
wat voor een uitdaging dit is.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
En nu, na 15 jaar - 15 jaar nadat we
de eerste sequentie gelezen hebben -
de eerste sequentie gelezen hebben -
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
in oktober, hebben we
de eerste signalen gezien.
de eerste signalen gezien.
09:13
And it was a very emotional moment.
183
541049
2455
Dat was een zeer ontroerend moment.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Je ziet dus een persoon
ons lab binnenwandelen.
ons lab binnenwandelen.
09:19
This is a face for us.
185
547619
1928
Voor ons is het een gezicht.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
We nemen iemands reële gezicht,
verminderen de complexiteit,
verminderen de complexiteit,
09:25
because not everything is in your face --
187
553226
1970
omdat niet alles van je gezicht komt,
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
veel kenmerken en imperfecties en
onregelmatigheden komen van ons leven.
onregelmatigheden komen van ons leven.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
We maken het gezicht symmetrisch
en we voeren ons algoritme uit.
en we voeren ons algoritme uit.
09:35
The results that I show you right now,
190
563245
1898
Hier zijn de resultaten.
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
Dit is de voorspelling die berekend
wordt op basis van het bloed.
wordt op basis van het bloed.
09:41
(Applause)
192
569596
1524
(Applaus)
09:43
Wait a second.
193
571144
1435
Wacht eens even.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
Voor het ogenblik zijn jullie ogen aan het
kijken, links en rechts, links en rechts,
kijken, links en rechts, links en rechts,
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
en jullie hersenen willen gewoon
dat die foto's identiek zijn.
dat die foto's identiek zijn.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Dus moeten jullie nu even eerlijk zijn.
09:55
Please search for the differences,
197
583743
2287
Probeer de verschillen na te sporen,
09:58
which are many.
198
586054
1361
en die zijn er!
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
De grootste hoeveelheid signalen
komt van het geslacht,
komt van het geslacht,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
dan heb je leeftijd, BMI,
het ethnische aspect van een mens.
het ethnische aspect van een mens.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Wanneer je een stap verder zet,
dan wordt het pas echt ingewikkeld.
dan wordt het pas echt ingewikkeld.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Maar wat je hier kan zien,
zelfs de verschillen,
zelfs de verschillen,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
dat maakt ons duidelijk dat we
in de goede richting aan het gaan zijn,
in de goede richting aan het gaan zijn,
10:17
that we are getting closer.
204
605919
1348
dat we dichterbij komen.
10:19
And it's already giving you some emotions.
205
607291
2349
En je voelt de emoties al opkomen.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
Dit is een andere persoon
die het lab binnenkomt,
die het lab binnenkomt,
10:24
and this is a prediction.
207
612391
1409
en dit is de voorspelling.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Een kleiner gezicht, de vorm
van de schedel was niet volledig,
van de schedel was niet volledig,
10:30
but still, it's in the ballpark.
209
618444
2651
maar je kan toch zien
dat we er niet ver van af zijn.
dat we er niet ver van af zijn.
10:33
This is a subject that comes in our lab,
210
621634
2224
Dit is nog een andere persoon in ons lab,
10:35
and this is the prediction.
211
623882
1443
met de voorspelling.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Maar deze mensen zul je nooit zien
in de training van de machine.
in de training van de machine.
10:42
These are the so-called "held-out" set.
213
630756
2837
Ze zijn de zogenaamde validatieset.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Maar deze mensen zal je
waarschijnlijk nooit geloven.
waarschijnlijk nooit geloven.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Ons werk wordt uitgegeven
in een wetenschappelijk blad,
in een wetenschappelijk blad,
10:52
you can read it.
216
640081
1151
je kan het lezen.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Maar we zijn op het podium
en Chris heeft me uitgedaagd.
en Chris heeft me uitgedaagd.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Ik heb een risico genomen en
geprobeerd iemand te raden
geprobeerd iemand te raden
10:59
someone that you might recognize.
219
647274
2831
die jullie misschien zullen herkennen.
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
Hier heb je een bloedbuisje -- en,
geloof me, jullie heb geen idee
geloof me, jullie heb geen idee
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
wat we wel hebben moeten doen
om dit bloed te bemachtigen --
om dit bloed te bemachtigen --
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
hier in dit bloedbuisje hebben we
genoeg biologische informatie
genoeg biologische informatie
11:13
that we need to do a full genome sequence.
223
661748
2277
om een volledige genoom te sequencen.
11:16
We just need this amount.
224
664049
2070
Meer hebben we niet nodig.
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
We hebben deze sequence uitgevoerd,
en we zullen dit nu samen doen.
en we zullen dit nu samen doen.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Laag na laag brengen we alle informatie
bij elkaar die we hebben.
bij elkaar die we hebben.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
Via dit bloedbuisje hebben we voorspeld
dat het gaat over een man.
dat het gaat over een man.
11:29
And the subject is a male.
228
677134
1364
En inderdaad, het is een man.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
We voorspellen dat hij 1,76 m groot is.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Onze persoon is 1,77 cm groot.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
We mikken op 76 kg, en hij weegt 82 kg.
11:40
We predict his age, 38.
232
688701
2632
We voorspellen zijn leeftijd, 38 jaar.
11:43
The subject is 35.
233
691357
1904
Onze persoon is er 35.
11:45
We predict his eye color.
234
693851
2124
Wij denken dat hij donkere ogen heeft.
11:48
Too dark.
235
696824
1211
Te donker.
11:50
We predict his skin color.
236
698059
1555
Zijn huidskleur.
11:52
We are almost there.
237
700026
1410
We zijn er nu bijna.
11:53
That's his face.
238
701899
1373
Dit is zijn gezicht.
11:57
Now, the reveal moment:
239
705172
3269
En nu DE revelatie:
12:00
the subject is this person.
240
708465
1770
hier is onze persoon.
12:02
(Laughter)
241
710259
1935
(Gelach)
12:04
And I did it intentionally.
242
712218
2058
Ik heb dit met opzet gedaan.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Ik heb een heel vreemde
ethnische oorsprong.
ethnische oorsprong.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Zuid-Europees, Italiaans -
die moeten altijd alles anders doen.
die moeten altijd alles anders doen.
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
En dat is speciaal - ethnische oorsprong
is een ingewikkelde test voor ons model.
is een ingewikkelde test voor ons model.
12:18
But there is another point.
246
726144
1509
Maar er is nog iets anders.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Eén van de elementen die we veel
gebruiken om mensen te herkennen
gebruiken om mensen te herkennen
12:23
will never be written in the genome.
248
731178
1722
zal je nooit in het genoom vinden.
12:24
It's our free will, it's how I look.
249
732924
2317
Het is onze vrije wil, hoe je eruit ziet.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
In mijn geval niet mijn haarsnit,
maar mijn baard.
maar mijn baard.
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
Ik zal hier nu een baard toevoegen,
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
en dat is niets anders dan Photoshop
12:36
the beard on the subject.
253
744884
1713
en zeker geen modellering.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
En nu krijgen we onmiddellijk iets totaal,
maar dan ook totaal anders.
maar dan ook totaal anders.
12:42
So, why do we do this?
255
750955
2709
Waarom doen we dit dus?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
We doen het zeker niet om te voorspellen
hoe groot iemand wordt
hoe groot iemand wordt
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
of om een mooi plaatje
te vormen vanaf je bloed.
te vormen vanaf je bloed.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
We doen dit omdat dezelfde technologie,
en dezelfde methode,
en dezelfde methode,
13:00
the machine learning of this code,
259
768432
2520
de machine learning van deze code,
13:02
is helping us to understand how we work,
260
770976
3137
ons kan helpen te begrijpen
hoe ons lichaam werkt,
hoe ons lichaam werkt,
13:06
how your body works,
261
774137
1486
hoe je lichaam in elkaar zit,
13:07
how your body ages,
262
775647
1665
hoe je lichaam veroudert,
13:09
how disease generates in your body,
263
777336
2769
hoe ziekte ontstaat in je lichaam,
13:12
how your cancer grows and develops,
264
780129
2972
hoe kanker ontstaat en zich ontwikkelt,
13:15
how drugs work
265
783125
1783
hoe drugs werken
13:16
and if they work on your body.
266
784932
2314
en wat het effect ervan is op je lichaam.
13:19
This is a huge challenge.
267
787713
1667
Dit is een ongelooflijke uitdaging.
13:21
This is a challenge that we share
268
789894
1638
En deze uitdaging gaan we aan
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
tezamen met duizenden wetenschappers
overal ter wereld.
overal ter wereld.
13:26
It's called personalized medicine.
270
794159
2222
Dat is nu gepersonaliseerde geneeskunde.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
In plaats van een statistische methode,
13:32
where you're a dot in the ocean,
272
800609
2032
waar je slechts een nummer bent,
gebruiken we
gebruiken we
13:34
to a personalized approach,
273
802665
1813
een gepersonaliseerde methode,
13:36
where we read all these books
274
804502
2185
waar we al die boeken lezen
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
en we zo te weten komen
hoe je precies in elkaar zit.
hoe je precies in elkaar zit.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Maar dit is een uiterst
complexe uitdaging,
complexe uitdaging,
13:45
because of all these books, as of today,
277
813646
3998
omdat we, vandaag, van al die boeken,
13:49
we just know probably two percent:
278
817668
2642
maar ongeveer twee procent kennen:
13:53
four books of more than 175.
279
821027
3653
vier boeken uit een totaal
van meer dan 175.
van meer dan 175.
13:58
And this is not the topic of my talk,
280
826021
3206
Dit is ook niet het onderwerp
van mijn uiteenzetting,
van mijn uiteenzetting,
14:02
because we will learn more.
281
830145
2598
want we zullen zeker meer en meer leren.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
De beste breinen van de wereld
zwoegen op deze topic.
zwoegen op deze topic.
14:09
The prediction will get better,
283
837048
1834
De berekening zal verbeteren,
14:10
the model will get more precise.
284
838906
2253
het model zal preciezer worden.
14:13
And the more we learn,
285
841183
1858
Hoe meer we leren,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
hoe meer we zullen geconfronteerd
worden met keuzes
worden met keuzes
14:19
that we never had to face before
287
847919
3021
die we nooit eerder gezien hebben
14:22
about life,
288
850964
1435
over het leven,
14:24
about death,
289
852423
1674
over de dood,
14:26
about parenting.
290
854121
1603
over het ouderschap.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
We raken nu dus de echte essentie
van hoe het leven werkt.
van hoe het leven werkt.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
En dit is een revolutie die we niet kunnen
reduceren tot het domein
reduceren tot het domein
14:41
in the domain of science or technology.
293
869300
2659
van wetenschap of technologie.
14:44
This must be a global conversation.
294
872960
2244
Dit moet een globaal debat zijn.
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
We moeten nadenken over de toekomst van
de mensheid die we aan het bouwen zijn.
de mensheid die we aan het bouwen zijn.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Daarbij moeten we samenwerken met
artiesten, met filosofen,
artiesten, met filosofen,
14:57
with politicians.
297
885127
1510
met de politieke wereld.
14:58
Everyone is involved,
298
886661
1158
Iedereen moet helpen,
14:59
because it's the future of our species.
299
887843
2825
omdat het gaat over de toekomst
van onze soort.
van onze soort.
15:03
Without fear, but with the understanding
300
891273
3968
Zonder angst, maar met het besef
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
dat de beslissingen die we
volgend jaar zullen nemen
volgend jaar zullen nemen
15:11
will change the course of history forever.
302
899160
3789
voorgoed de loop van geschiedenis
zullen veranderen.
zullen veranderen.
15:15
Thank you.
303
903732
1160
Hartelijk bedankt.
15:16
(Applause)
304
904916
10159
(Applaus)
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