TEDGlobal 2011
Allan Jones: A map of the brain
Allan Jones: Mapa mózgu
Filmed:
Readability: 4.4
1,269,611 views
W jaki sposób zrozumieć funkcjonowanie mózgu? Tak samo jak uczymy się żyć w mieście: poprzez zrobienie mapy. W tym niesamowitym pod względem wizualnym wykładzie, Allan Jones pokazuje jak jego zespół wykonuje mapowanie, by sprawdzić które geny są włączane w każdym z niewielkich obszarów i jak to wszystko jest połączone.
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio
Double-click the English transcript below to play the video.
00:15
Humans have long held a fascination
0
0
2000
Ludzie od dawna zafascynowani byli
00:17
for the human brain.
1
2000
2000
ludzkim mózgiem.
00:19
We chart it, we've described it,
2
4000
3000
Robimy jego wykresy, opisaliśmy go,
00:22
we've drawn it,
3
7000
2000
narysowaliśmy,
00:24
we've mapped it.
4
9000
3000
zmapowaliśmy go.
00:27
Now just like the physical maps of our world
5
12000
3000
Tak jak mapy fizyczne świata
00:30
that have been highly influenced by technology --
6
15000
3000
zostały bardzo zmienione przez technologię --
00:33
think Google Maps,
7
18000
2000
mam na myśli Mapy Google,
00:35
think GPS --
8
20000
2000
GPS --
00:37
the same thing is happening for brain mapping
9
22000
2000
to samo ma miejsce w mapowaniu mózgu
00:39
through transformation.
10
24000
2000
przez przekształcanie.
00:41
So let's take a look at the brain.
11
26000
2000
Przyjrzyjmy się więc mózgowi.
00:43
Most people, when they first look at a fresh human brain,
12
28000
3000
Większość ludzi, po raz pierwszy widząc świeży ludzki mózg,
00:46
they say, "It doesn't look what you're typically looking at
13
31000
3000
powie: "Nie wygląda tak,
00:49
when someone shows you a brain."
14
34000
2000
jak można by się tego spodziewać."
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
36000
3000
Normalnie patrzycie na mózg utrwalony. Jest on szary.
00:54
And this outer layer, this is the vasculature,
16
39000
2000
To jest warstwa zewnętrzna, to unaczynienie,
00:56
which is incredible, around a human brain.
17
41000
2000
które jest niesamowite, wokół ludzkiego mózgu.
00:58
This is the blood vessels.
18
43000
2000
To naczynia krwionośne.
01:00
20 percent of the oxygen
19
45000
3000
20% tlenu
01:03
coming from your lungs,
20
48000
2000
pochodzącego z płuc,
01:05
20 percent of the blood pumped from your heart,
21
50000
2000
20% krwi pompowanej z serca
01:07
is servicing this one organ.
22
52000
2000
zaopatruje ten jeden organ.
01:09
That's basically, if you hold two fists together,
23
54000
2000
Zajmuje mniej więcej tyle miejsca, ile dwie złączone pięści,
01:11
it's just slightly larger than the two fists.
24
56000
2000
jest tylko nieco większy.
01:13
Scientists, sort of at the end of the 20th century,
25
58000
3000
Naukowcy jakoś pod koniec XX wieku
01:16
learned that they could track blood flow
26
61000
2000
odkryli, że można prześledzić przepływ krwi
01:18
to map non-invasively
27
63000
3000
by nieinwazyjnie zbadać,
01:21
where activity was going on in the human brain.
28
66000
3000
które obszary ludzkiego mózgu są aktywne.
01:24
So for example, they can see in the back part of the brain,
29
69000
3000
Więc na przykład, można zobaczyć tylną część mózgu,
01:27
which is just turning around there.
30
72000
2000
która właśnie się tu obraca.
01:29
There's the cerebellum; that's keeping you upright right now.
31
74000
2000
Tam jest móżdżek, który utrzymuje nas w pozycji pionowej.
01:31
It's keeping me standing. It's involved in coordinated movement.
32
76000
3000
Dzięki niemu mogę stać. Jest odpowiedzialny za koordynację ruchową.
01:34
On the side here, this is temporal cortex.
33
79000
3000
Po tej stronie jest kora skroniowa.
01:37
This is the area where primary auditory processing --
34
82000
3000
To obszar odpowiedzialny za ośrodkowe procesy przetwarzania słuchowego --
01:40
so you're hearing my words,
35
85000
2000
dzięki temu słyszycie moje słowa,
01:42
you're sending it up into higher language processing centers.
36
87000
2000
które są przesyłane do wyższych ośrodków przetwarzania języka.
01:44
Towards the front of the brain
37
89000
2000
W przedniej części mózgu
01:46
is the place in which all of the more complex thought, decision making --
38
91000
3000
znajduje się obszar odpowiedzialny za wszystkie bardziej skomplikowane procesy myślenia i podejmowania decyzji,
01:49
it's the last to mature in late adulthood.
39
94000
4000
który najpóźniej osiąga pełną dojrzałość (w późnym wieku dorosłym).
01:53
This is where all your decision-making processes are going on.
40
98000
3000
To tam zachodzą wszystkie procesy decyzyjne.
01:56
It's the place where you're deciding right now
41
101000
2000
To miejsce, gdzie właśnie podejmujecie decyzje,
01:58
you probably aren't going to order the steak for dinner.
42
103000
3000
że prawdopodobnie nie zamówicie steka na obiad.
02:01
So if you take a deeper look at the brain,
43
106000
2000
Więc jeśli bliżej przyjrzeć się mózgowi,
02:03
one of the things, if you look at it in cross-section,
44
108000
2000
jedną z rzeczy, patrząc na jego przekrój poprzeczny,
02:05
what you can see
45
110000
2000
którą można zobaczyć
02:07
is that you can't really see a whole lot of structure there.
46
112000
3000
jest to, że wcale nie ma tam wielu struktur.
02:10
But there's actually a lot of structure there.
47
115000
2000
W rzeczywistości jest ich tam bardzo dużo.
02:12
It's cells and it's wires all wired together.
48
117000
2000
To połączone ze sobą komórki i przewody.
02:14
So about a hundred years ago,
49
119000
2000
Więc około 100 lat temu
02:16
some scientists invented a stain that would stain cells.
50
121000
2000
pewni naukowcy wynaleźli wnikający do komórek barwnik.
02:18
And that's shown here in the the very light blue.
51
123000
3000
Widać to tutaj, w bardzo jasnoniebieskim kolorze.
02:21
You can see areas
52
126000
2000
Możecie zobaczyć obszary,
02:23
where neuronal cell bodies are being stained.
53
128000
2000
gdzie zabarwione zostały ciała normalnych komórek.
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
130000
3000
To, co widać jest bardzo niejednolite. Widać tu dużo więcej struktur.
02:28
So the outer part of that brain
55
133000
2000
Więc zewnętrzną częścią mózgu
02:30
is the neocortex.
56
135000
2000
jest kora nowa.
02:32
It's one continuous processing unit, if you will.
57
137000
3000
Nieustannie przetwarza informacje.
02:35
But you can also see things underneath there as well.
58
140000
2000
Możemy również zobaczyć to, co jest pod spodem.
02:37
And all of these blank areas
59
142000
2000
Przez te wszystkie puste obszary
02:39
are the areas in which the wires are running through.
60
144000
2000
przebiegają połączenia.
02:41
They're probably less cell dense.
61
146000
2000
Prawdopodobnie komórki są tam rzadziej rozmieszczone.
02:43
So there's about 86 billion neurons in our brain.
62
148000
4000
W mózgu jest około 86 miliardów neuronów.
02:47
And as you can see, they're very non-uniformly distributed.
63
152000
3000
I jak widać, są one bardzo nierównomiernie rozmieszczone.
02:50
And how they're distributed really contributes
64
155000
2000
A sposób ich rozmieszczenia jest ściśle powiązany
02:52
to their underlying function.
65
157000
2000
z ich funkcjami.
02:54
And of course, as I mentioned before,
66
159000
2000
I oczywiście, jak wspomniałem wcześniej,
02:56
since we can now start to map brain function,
67
161000
3000
skoro możemy mapować funkcje mózgu,
02:59
we can start to tie these into the individual cells.
68
164000
3000
możemy zacząć przypisywać je poszczególnym komórkom.
03:02
So let's take a deeper look.
69
167000
2000
Więc przyjrzyjmy się bliżej
03:04
Let's look at neurons.
70
169000
2000
neuronom.
03:06
So as I mentioned, there are 86 billion neurons.
71
171000
2000
Jak już wspominałem, jest ich 86 miliardów.
03:08
There are also these smaller cells as you'll see.
72
173000
2000
Jak widać, są tam także te mniejsze komórki.
03:10
These are support cells -- astrocytes glia.
73
175000
2000
To komórki wspomagające -- astrocyty.
03:12
And the nerves themselves
74
177000
3000
I same nerwy,
03:15
are the ones who are receiving input.
75
180000
2000
które odbierają bodźce.
03:17
They're storing it, they're processing it.
76
182000
2000
Przechowują je i przetwarzają.
03:19
Each neuron is connected via synapses
77
184000
4000
Każdy neuron jest połączony synapsami
03:23
to up to 10,000 other neurons in your brain.
78
188000
3000
z 10 000 innych neuronów w mózgu.
03:26
And each neuron itself
79
191000
2000
A każdy neuron sam w sobie
03:28
is largely unique.
80
193000
2000
jest niepowtarzalny.
03:30
The unique character of both individual neurons
81
195000
2000
Ten niepowtarzalny charakter zarówno pojedynczych neuronów
03:32
and neurons within a collection of the brain
82
197000
2000
i grup neuronów wewnątrz mózgu
03:34
are driven by fundamental properties
83
199000
3000
zależy od podstawowych właściwości
03:37
of their underlying biochemistry.
84
202000
2000
leżącej u ich podłoża biochemii.
03:39
These are proteins.
85
204000
2000
To białka.
03:41
They're proteins that are controlling things like ion channel movement.
86
206000
3000
Te białka sterują takimi procesami jak ruch jonów w kanałach.
03:44
They're controlling who nervous system cells partner up with.
87
209000
4000
Kontrolują z czym łączą się komórki układu nerwowego.
03:48
And they're controlling
88
213000
2000
I wpływają zasadniczo
03:50
basically everything that the nervous system has to do.
89
215000
2000
na wszystko, za co odpowiedzialny jest układ nerwowy.
03:52
So if we zoom in to an even deeper level,
90
217000
3000
Więc jeśli zbliżymy się jeszcze bardziej,
03:55
all of those proteins
91
220000
2000
te wszystkie białka
03:57
are encoded by our genomes.
92
222000
2000
są zakodowane przez nasze genomy.
03:59
We each have 23 pairs of chromosomes.
93
224000
3000
Wszyscy mamy 23 pary chromosomów.
04:02
We get one from mom, one from dad.
94
227000
2000
Jeden zestaw otrzymujemy od matki, drugi od ojca.
04:04
And on these chromosomes
95
229000
2000
I na tych chromosomach
04:06
are roughly 25,000 genes.
96
231000
2000
jest około 25 000 genów.
04:08
They're encoded in the DNA.
97
233000
2000
Są one zakodowane w DNA.
04:10
And the nature of a given cell
98
235000
3000
I natura danej komórki
04:13
driving its underlying biochemistry
99
238000
2000
odpowiadająca za jej biochemię
04:15
is dictated by which of these 25,000 genes
100
240000
3000
jest podyktowana tym, który z tych 25 000 genów
04:18
are turned on
101
243000
2000
jest włączony
04:20
and at what level they're turned on.
102
245000
2000
i na jakim poziomie.
04:22
And so our project
103
247000
2000
Więc nasz projekt
04:24
is seeking to look at this readout,
104
249000
3000
ma na celu znalezienie takiego odczytu
04:27
understanding which of these 25,000 genes is turned on.
105
252000
3000
i zrozumienie, który z tych 25 000 genów jest włączony.
04:30
So in order to undertake such a project,
106
255000
3000
Aby podjąć się takiego projektu,
04:33
we obviously need brains.
107
258000
3000
oczywiście potrzebujemy mózgów.
04:36
So we sent our lab technician out.
108
261000
3000
Więc wysyłamy naszych laborantów.
04:39
We were seeking normal human brains.
109
264000
2000
Szukaliśmy ludzkich mózgów.
04:41
What we actually start with
110
266000
2000
Tak naprawdę to zaczynamy
04:43
is a medical examiner's office.
111
268000
2000
w gabinecie patomorfologa.
04:45
This a place where the dead are brought in.
112
270000
2000
To miejsce, do którego przywożeni są zmarli.
04:47
We are seeking normal human brains.
113
272000
2000
Szukamy normalnych mózgów ludzkich.
04:49
There's a lot of criteria by which we're selecting these brains.
114
274000
3000
Jest wiele kryteriów, według których wybieramy mózgi.
04:52
We want to make sure
115
277000
2000
Chcemy się upewnić,
04:54
that we have normal humans between the ages of 20 to 60,
116
279000
3000
że mamy normalnych ludzi między w wieku 20-60 lat,
04:57
they died a somewhat natural death
117
282000
2000
którzy zmarli z przyczyn naturalnych,
04:59
with no injury to the brain,
118
284000
2000
bez urazów mózgu,
05:01
no history of psychiatric disease,
119
286000
2000
chorób psychicznych w wywiadzie,
05:03
no drugs on board --
120
288000
2000
niezażywających narkotyków --
05:05
we do a toxicology workup.
121
290000
2000
robimy badania toksykologiczne.
05:07
And we're very careful
122
292000
2000
I jesteśmy bardzo ostrożni co do
05:09
about the brains that we do take.
123
294000
2000
wybieranych mózgów.
05:11
We're also selecting for brains
124
296000
2000
Szukamy także mózgów,
05:13
in which we can get the tissue,
125
298000
2000
z których pobieramy tkankę,
05:15
we can get consent to take the tissue
126
300000
2000
i dostajemy zgodę na jej pobranie
05:17
within 24 hours of time of death.
127
302000
2000
w ciągu 24 godzin od zgonu.
05:19
Because what we're trying to measure, the RNA --
128
304000
3000
To dlatego, że będziemy badać RNA --
05:22
which is the readout from our genes --
129
307000
2000
transkrypt naszych genów -
05:24
is very labile,
130
309000
2000
które jest bardzo niestabilne,
05:26
and so we have to move very quickly.
131
311000
2000
więc musimy działać bardzo szybko.
05:28
One side note on the collection of brains:
132
313000
3000
Jedna uwaga na marginesie dotycząca zbioru mózgów:
05:31
because of the way that we collect,
133
316000
2000
z powodu sposobu, w jaki je zbieramy
05:33
and because we require consent,
134
318000
2000
i ponieważ wymagamy zgody,
05:35
we actually have a lot more male brains than female brains.
135
320000
3000
mamy znacznie więcej mózgów mężczyzn niż kobiet.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
323000
3000
To mężczyźni częściej giną nagle w kwiecie wieku.
05:41
And men are much more likely
137
326000
2000
I w przypadku mężczyzn jest bardziej prawdopodobne,
05:43
to have their significant other, spouse, give consent
138
328000
3000
że ich partnerka lub małżonka, wyrazi zgodę
05:46
than the other way around.
139
331000
2000
niż w sytuacji odwrotnej.
05:48
(Laughter)
140
333000
4000
(Śmiech)
05:52
So the first thing that we do at the site of collection
141
337000
2000
Więc pierwszą rzeczą, która robimy w miejscu pobrania
05:54
is we collect what's called an MR.
142
339000
2000
to zrobienie rezonansu.
05:56
This is magnetic resonance imaging -- MRI.
143
341000
2000
Mowa o rezonansie magnetycznym - MRI.
05:58
It's a standard template by which we're going to hang the rest of this data.
144
343000
3000
To standardowy procedura, według której będziemy zbierać resztę danych.
06:01
So we collect this MR.
145
346000
2000
Więc robimy rezonans.
06:03
And you can think of this as our satellite view for our map.
146
348000
2000
I można traktować jako widok satelity na naszą mapę.
06:05
The next thing we do
147
350000
2000
Następną rzeczą, którą robimy
06:07
is we collect what's called a diffusion tensor imaging.
148
352000
3000
jest obrazowanie metodą tensora dyfuzji.
06:10
This maps the large cabling in the brain.
149
355000
2000
To mapuje większe przewody w mózgu.
06:12
And again, you can think of this
150
357000
2000
I znów, można to traktować
06:14
as almost mapping our interstate highways, if you will.
151
359000
2000
prawie jak mapowanie autostrad międzystanowych.
06:16
The brain is removed from the skull,
152
361000
2000
Mózg jest wyjmowany z czaszki,
06:18
and then it's sliced into one-centimeter slices.
153
363000
3000
a potem krojony na jednocentymetrowe plastry.
06:21
And those are frozen solid,
154
366000
2000
A te są dokładnie zamrażane
06:23
and they're shipped to Seattle.
155
368000
2000
i wysyłane do Seattle.
06:25
And in Seattle, we take these --
156
370000
2000
W Seattle zabieramy je --
06:27
this is a whole human hemisphere --
157
372000
2000
to cała półkula mózgu człowieka --
06:29
and we put them into what's basically a glorified meat slicer.
158
374000
2000
i wkładamy w coś, co w zasadzie jest szlachetniejszą formą krajalnicy do mięsa.
06:31
There's a blade here that's going to cut across
159
376000
2000
Jest tam ostrze, które przetnie
06:33
a section of the tissue
160
378000
2000
fragment tkanki
06:35
and transfer it to a microscope slide.
161
380000
2000
i przeniesie go na szkiełko podstawowe mikroskopu.
06:37
We're going to then apply one of those stains to it,
162
382000
2000
Potem stosujemy jeden z barwników
06:39
and we scan it.
163
384000
2000
i skanujemy.
06:41
And then what we get is our first mapping.
164
386000
3000
Następnie otrzymujemy pierwsze mapowanie.
06:44
So this is where experts come in
165
389000
2000
To tu wkraczają eksperci
06:46
and they make basic anatomic assignments.
166
391000
2000
i wykonują podstawowe badania anatomiczne.
06:48
You could consider this state boundaries, if you will,
167
393000
3000
Możecie to potraktować jako granice stanów,
06:51
those pretty broad outlines.
168
396000
2000
te całkiem wyraźne zarysy.
06:53
From this, we're able to then fragment that brain into further pieces,
169
398000
4000
Teraz możemy podzielić mózg na kolejne części,
06:57
which then we can put on a smaller cryostat.
170
402000
2000
które następnie możemy położyć na mniejszy kriostat.
06:59
And this is just showing this here --
171
404000
2000
Widać to tutaj --
07:01
this frozen tissue, and it's being cut.
172
406000
2000
zamrożona tkanka, w trakcie cięcia.
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
408000
3000
Jest cienka na 20 mikronów, a więc jest mniej więcej grubości włosa niemowlęcia.
07:06
And remember, it's frozen.
174
411000
2000
I pamiętajcie, że jest zamrożona.
07:08
And so you can see here,
175
413000
2000
Jak widać tutaj,
07:10
old-fashioned technology of the paintbrush being applied.
176
415000
2000
stosowana jest staromodna technika pędzla.
07:12
We take a microscope slide.
177
417000
2000
Bierzemy szkiełko podstawowe
07:14
Then we very carefully melt onto the slide.
178
419000
3000
i przykładamy do próbki tkanki.
07:17
This will then go onto a robot
179
422000
2000
Następnie wkładamy do robota,
07:19
that's going to apply one of those stains to it.
180
424000
3000
który zastosuje jeden z barwników.
07:26
And our anatomists are going to go in and take a deeper look at this.
181
431000
3000
Nasi anatomowie przyjrzą się temu bliżej.
07:29
So again this is what they can see under the microscope.
182
434000
2000
To jest to, co mogą zobaczyć pod mikroskopem.
07:31
You can see collections and configurations
183
436000
2000
Możemy zobaczyć grupy i układy
07:33
of large and small cells
184
438000
2000
dużych i małych komórek
07:35
in clusters and various places.
185
440000
2000
w skupiskach i różnych miejscach.
07:37
And from there it's routine. They understand where to make these assignments.
186
442000
2000
Od tej chwili to rutyna. Wiedzą gdzie co badać.
07:39
And they can make basically what's a reference atlas.
187
444000
3000
Mogą stworzyć swoisty atlas.
07:42
This is a more detailed map.
188
447000
2000
To bardziej szczegółowa mapa
07:44
Our scientists then use this
189
449000
2000
Następnie, nasi naukowcy używają tego
07:46
to go back to another piece of that tissue
190
451000
3000
by wrócić do poprzedniego kawałka tkanki
07:49
and do what's called laser scanning microdissection.
191
454000
2000
i wykonują mikrodysekcję laserową.
07:51
So the technician takes the instructions.
192
456000
3000
Technik dostaje instrukcje.
07:54
They scribe along a place there.
193
459000
2000
Obrysowują dane miejsce,
07:56
And then the laser actually cuts.
194
461000
2000
a laser wycina.
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
463000
3000
Widzimy tnącą niebieską kropkę. A tamta tkanka odchodzi.
08:01
You can see on the microscope slide here,
196
466000
2000
Widzimy na szkiełku mikroskopu,
08:03
that's what's happening in real time.
197
468000
2000
co dzieje się w trakcie cięcia.
08:05
There's a container underneath that's collecting that tissue.
198
470000
3000
Poniżej znajduje się pojemnik na odciętą tkankę.
08:08
We take that tissue,
199
473000
2000
Zbieramy ją,
08:10
we purify the RNA out of it
200
475000
2000
oczyszczamy z niej RNA
08:12
using some basic technology,
201
477000
2000
przy użyciu prostych technologii,
08:14
and then we put a florescent tag on it.
202
479000
2000
a następnie nakładamy znacznik fluorescencyjny.
08:16
We take that tagged material
203
481000
2000
Oznaczony materiał
08:18
and we put it on to something called a microarray.
204
483000
3000
umieszczamy na mikromacierzy.
08:21
Now this may look like a bunch of dots to you,
205
486000
2000
Dla was może to wyglądać jak grupa kropek,
08:23
but each one of these individual dots
206
488000
2000
ale każda z nich
08:25
is actually a unique piece of the human genome
207
490000
2000
jest unikalną częścią ludzkiego genomu,
08:27
that we spotted down on glass.
208
492000
2000
przeniesionego na szkło.
08:29
This has roughly 60,000 elements on it,
209
494000
3000
Jest tu z grubsza 60 000 elementów,
08:32
so we repeatedly measure various genes
210
497000
3000
więc nieustannie mierzymy poszczególne geny
08:35
of the 25,000 genes in the genome.
211
500000
2000
z 25 000 genów w genomie.
08:37
And when we take a sample and we hybridize it to it,
212
502000
3000
Kiedy zhybrydyzujemy próbkę,
08:40
we get a unique fingerprint, if you will,
213
505000
2000
otrzymamy unikalny odcisk palca,
08:42
quantitatively of what genes are turned on in that sample.
214
507000
3000
dowód ilościowy, potwierdzający które geny są włączone w danej próbce.
08:45
Now we do this over and over again,
215
510000
2000
Powtarzamy ten proces bez przerwy
08:47
this process for any given brain.
216
512000
3000
dla każdego mózgu.
08:50
We're taking over a thousand samples for each brain.
217
515000
3000
Pobieramy ponad tysiąc próbek z każdego mózgu.
08:53
This area shown here is an area called the hippocampus.
218
518000
3000
Pokazany tu obszar to hipokamp.
08:56
It's involved in learning and memory.
219
521000
2000
Odpowiedzialny jest za uczenie się i pamięć.
08:58
And it contributes to about 70 samples
220
523000
3000
Z niego pobieramy około 70 próbek
09:01
of those thousand samples.
221
526000
2000
spośród tego tysiąca.
09:03
So each sample gets us about 50,000 data points
222
528000
4000
Każda próbka dostarcza nam około 50 000 punktów danych
09:07
with repeat measurements, a thousand samples.
223
532000
3000
z powtarzającymi się danymi, tysiąc próbek.
09:10
So roughly, we have 50 million data points
224
535000
2000
Mamy więc z grubsza 50 mln punktów danych
09:12
for a given human brain.
225
537000
2000
dla każdego badanego ludzkiego mózgu.
09:14
We've done right now
226
539000
2000
Przebadaliśmy ostatnio
09:16
two human brains-worth of data.
227
541000
2000
dwa ludzkie mózgi pełne danych.
09:18
We've put all of that together
228
543000
2000
Dodaliśmy to wszystko
09:20
into one thing,
229
545000
2000
do siebie
09:22
and I'll show you what that synthesis looks like.
230
547000
2000
i pokażę teraz co otrzymaliśmy z tej syntezy.
09:24
It's basically a large data set of information
231
549000
3000
Jest to duży zestaw informacji
09:27
that's all freely available to any scientist around the world.
232
552000
3000
dostępny każdemu naukowcowi na świecie.
09:30
They don't even have to log in to come use this tool,
233
555000
3000
Nie muszą się nawet logować by móc używać tego narzędzia,
09:33
mine this data, find interesting things out with this.
234
558000
4000
pozyskiwać danych i szukać interesujących informacji.
09:37
So here's the modalities that we put together.
235
562000
3000
To są wszystkie badania, które składamy w całość.
09:40
You'll start to recognize these things from what we've collected before.
236
565000
3000
Pewnie możecie już je rozpoznać ze zgromadzonych wcześniej danych.
09:43
Here's the MR. It provides the framework.
237
568000
2000
Oto badanie rezonansem magnetycznych. Dostarcza nam zarys.
09:45
There's an operator side on the right that allows you to turn,
238
570000
3000
Po prawej stronie znajduje się panel operatora umożliwiający obracanie,
09:48
it allows you to zoom in,
239
573000
2000
powiększanie
09:50
it allows you to highlight individual structures.
240
575000
3000
i wyodrębnianie konkretnych struktur.
09:53
But most importantly,
241
578000
2000
Ale co najważniejsze,
09:55
we're now mapping into this anatomic framework,
242
580000
3000
mapujemy teraz ten zarys anatomiczny,
09:58
which is a common framework for people to understand where genes are turned on.
243
583000
3000
typowy zarys pomagający ludziom zrozumieć gdzie znajdują się aktywne geny.
10:01
So the red levels
244
586000
2000
Kolorem czerwonym
10:03
are where a gene is turned on to a great degree.
245
588000
2000
oznaczono geny o wysokiej aktywności.
10:05
Green is the sort of cool areas where it's not turned on.
246
590000
3000
Kolor zielony oznacza spokojniejsze obszary niższej aktywności.
10:08
And each gene gives us a fingerprint.
247
593000
2000
Każdy gen dostarcza nam, w pewnym sensie, "odcisku palca."
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
595000
5000
Pamiętajcie, że mamy na macierzach wszystkie z25 000 genów genomu
10:15
and have all of that data available.
249
600000
4000
i posiadamy wszelkie dostępne dane.
10:19
So what can scientists learn about this data?
250
604000
2000
Jakich informacji dostarczają te dane naukowcom?
10:21
We're just starting to look at this data ourselves.
251
606000
3000
Dopiero się z nimi zaczynamy zapoznawać.
10:24
There's some basic things that you would want to understand.
252
609000
3000
Są podstawowe rzeczy, które chcielibyście zrozumieć.
10:27
Two great examples are drugs,
253
612000
2000
Dwa doskonałe przykłady to leki
10:29
Prozac and Wellbutrin.
254
614000
2000
fluoksetyna i bupropion.
10:31
These are commonly prescribed antidepressants.
255
616000
3000
To powszechnie przepisywane antydepresanty.
10:34
Now remember, we're assaying genes.
256
619000
2000
A teraz weźcie pod uwagę, że analizujemy geny.
10:36
Genes send the instructions to make proteins.
257
621000
3000
Geny wysyłają instrukcje to stworzenia białek.
10:39
Proteins are targets for drugs.
258
624000
2000
Białka są celem leków.
10:41
So drugs bind to proteins
259
626000
2000
Więc leki wiążą się z białkami
10:43
and either turn them off, etc.
260
628000
2000
i je wyłączają itd.
10:45
So if you want to understand the action of drugs,
261
630000
2000
Jeśli chcemy zrozumieć działanie leków,
10:47
you want to understand how they're acting in the ways you want them to,
262
632000
3000
musimy zrozumieć ich działanie zgodne z naszymi oczekiwaniami
10:50
and also in the ways you don't want them to.
263
635000
2000
oraz ich działania niepożądane.
10:52
In the side effect profile, etc.,
264
637000
2000
W opisie skutków ubocznych itd.,
10:54
you want to see where those genes are turned on.
265
639000
2000
chcielibyśmy zobaczyć, gdzie znajdują się włączone geny.
10:56
And for the first time, we can actually do that.
266
641000
2000
Po raz pierwszy możemy tego dokonać.
10:58
We can do that in multiple individuals that we've assayed too.
267
643000
3000
Możemy to zrobić w przypadku wielu przeanalizowanych przez nas jednostek.
11:01
So now we can look throughout the brain.
268
646000
3000
Więc możemy spojrzeć w głąb mózgu.
11:04
We can see this unique fingerprint.
269
649000
2000
Możemy zobaczyć ten unikalny "odcisk palca."
11:06
And we get confirmation.
270
651000
2000
I mamy potwierdzenie.
11:08
We get confirmation that, indeed, the gene is turned on --
271
653000
3000
Potwierdzenie, że rzeczywiście gen jest włączony --
11:11
for something like Prozac,
272
656000
2000
w przypadku leków takich jak fluoksetyna,
11:13
in serotonergic structures, things that are already known be affected --
273
658000
3000
w strukturach serotoninowych, wiemy co zostaje zaatakowane --
11:16
but we also get to see the whole thing.
274
661000
2000
ale widzimy też całość.
11:18
We also get to see areas that no one has ever looked at before,
275
663000
2000
Możemy również przyjrzeć się obszarom, których nikt wcześniej nie oglądał
11:20
and we see these genes turned on there.
276
665000
2000
i możemy tam zobaczyć włączone geny.
11:22
It's as interesting a side effect as it could be.
277
667000
3000
Jest to niezwykle interesujący skutek uboczny.
11:25
One other thing you can do with such a thing
278
670000
2000
Inną rzeczą, którą możemy zrobić,
11:27
is you can, because it's a pattern matching exercise,
279
672000
3000
ponieważ polega to na łączeniu wzorców,
11:30
because there's unique fingerprint,
280
675000
2000
i ponieważ występuje tam unikalny "odcisk palca,"
11:32
we can actually scan through the entire genome
281
677000
2000
możemy zeskanować cały genom
11:34
and find other proteins
282
679000
2000
i odnaleźć inne białka
11:36
that show a similar fingerprint.
283
681000
2000
charakteryzujące się podobnym odciskiem.
11:38
So if you're in drug discovery, for example,
284
683000
3000
Jeżeli opracowujecie leki, możecie
11:41
you can go through
285
686000
2000
na przykład przestudiować
11:43
an entire listing of what the genome has on offer
286
688000
2000
całą listę cech genomu,
11:45
to find perhaps better drug targets and optimize.
287
690000
4000
by znaleźć lepsze cele dla leków i je zoptymalizować.
11:49
Most of you are probably familiar
288
694000
2000
Prawdopodobnie większość z was zna
11:51
with genome-wide association studies
289
696000
2000
metodę badania GWA
11:53
in the form of people covering in the news
290
698000
3000
w formie podawanej w mediach,
11:56
saying, "Scientists have recently discovered the gene or genes
291
701000
3000
gdzie zwykło się mówić: "Naukowcy właśnie odkryli gen lub geny,
11:59
which affect X."
292
704000
2000
odpowiedzialne za coś."
12:01
And so these kinds of studies
293
706000
2000
Takie badania
12:03
are routinely published by scientists
294
708000
2000
są zazwyczaj publikowane przez naukowców,
12:05
and they're great. They analyze large populations.
295
710000
2000
i są świetne. Analizują duże populace.
12:07
They look at their entire genomes,
296
712000
2000
Badają całe genomy
12:09
and they try to find hot spots of activity
297
714000
2000
i starają się znaleźć obszary szczególnej aktywności
12:11
that are linked causally to genes.
298
716000
3000
połączone z konkretnymi genami.
12:14
But what you get out of such an exercise
299
719000
2000
Takie badanie dostarcza nam
12:16
is simply a list of genes.
300
721000
2000
listę genów.
12:18
It tells you the what, but it doesn't tell you the where.
301
723000
3000
Mówi na CO, ale nie stwierdza GDZIE.
12:21
And so it's very important for those researchers
302
726000
3000
Najważniejszą rzeczą dla tych naukowców,
12:24
that we've created this resource.
303
729000
2000
jest to, abyśmy stworzyli im odpowiednie zasoby.
12:26
Now they can come in
304
731000
2000
Teraz mogą przyjść
12:28
and they can start to get clues about activity.
305
733000
2000
i zebrać odpowiednie dane na temat aktywności.
12:30
They can start to look at common pathways --
306
735000
2000
Mogą zapoznać się z powszechnie stosowanymi procedurami --
12:32
other things that they simply haven't been able to do before.
307
737000
3000
innymi metodami, których nie mieli okazji stosować.
12:36
So I think this audience in particular
308
741000
3000
Uważam że ta widownia w szczególności
12:39
can understand the importance of individuality.
309
744000
3000
może zrozumieć jak ważna jest niepowtarzalność.
12:42
And I think every human,
310
747000
2000
Sądzę, że każdy człowiek,
12:44
we all have different genetic backgrounds,
311
749000
4000
każdy z nas ma inne podłoże genetyczne,
12:48
we all have lived separate lives.
312
753000
2000
każdy z nas wiedzie inne życie.
12:50
But the fact is
313
755000
2000
Ale faktem jest,
12:52
our genomes are greater than 99 percent similar.
314
757000
3000
że nasze genomy są w ponad 99% podobne.
12:55
We're similar at the genetic level.
315
760000
3000
Na poziomie genetycznym jesteśmy do siebie podobni.
12:58
And what we're finding
316
763000
2000
To, czego się dowiedzieliśmy,
13:00
is actually, even at the brain biochemical level,
317
765000
2000
nawet na poziomie biochemicznym mózgu,
13:02
we are quite similar.
318
767000
2000
to to, że jesteśmy do siebie podobni.
13:04
And so this shows it's not 99 percent,
319
769000
2000
Ukazuje to, że nie jest to 99%,
13:06
but it's roughly 90 percent correspondence
320
771000
2000
ale z grubsza 90% zgodności
13:08
at a reasonable cutoff,
321
773000
3000
przy rozsądnym odcięciu,
13:11
so everything in the cloud is roughly correlated.
322
776000
2000
wszystko w skupisku jest ze sobą ściśle powiązane.
13:13
And then we find some outliers,
323
778000
2000
Są też jednostki odstające,
13:15
some things that lie beyond the cloud.
324
780000
3000
te poza skupiskiem.
13:18
And those genes are interesting,
325
783000
2000
I właśnie te geny są interesujące,
13:20
but they're very subtle.
326
785000
2000
ale również delikatne.
13:22
So I think it's an important message
327
787000
3000
Uważam, że jest to niezwykle ważna informacja,
13:25
to take home today
328
790000
2000
z którą wrócimy dziś do domu:
13:27
that even though we celebrate all of our differences,
329
792000
3000
pomimo, że każdy z nas szczyci się odmiennością,
13:30
we are quite similar
330
795000
2000
to jesteśmy całkiem podobni
13:32
even at the brain level.
331
797000
2000
nawet na poziomie mózgu.
13:34
Now what do those differences look like?
332
799000
2000
Jak wyglądają te różnice?
13:36
This is an example of a study that we did
333
801000
2000
To przykład badania, jakie przeprowadziliśmy
13:38
to follow up and see what exactly those differences were --
334
803000
2000
na zakończenie, by sprawdzić o jakich dokładnie różnicach mowa --
13:40
and they're quite subtle.
335
805000
2000
są one bardzo subtelne.
13:42
These are things where genes are turned on in an individual cell type.
336
807000
4000
Różnice, gdzie włączone geny znajdują się w komórkach indywidualnych.
13:46
These are two genes that we found as good examples.
337
811000
3000
To są dwa geny, będące dobrym przykładem.
13:49
One is called RELN -- it's involved in early developmental cues.
338
814000
3000
Jeden nazywa się RELN - bierze udział w replikacji we wczesnej fazie rozwoju.
13:52
DISC1 is a gene
339
817000
2000
DISC1 to gen
13:54
that's deleted in schizophrenia.
340
819000
2000
nie występujący w przypadku schizofrenii.
13:56
These aren't schizophrenic individuals,
341
821000
2000
Nie są to osoby chore na schizofrenię,
13:58
but they do show some population variation.
342
823000
3000
ale obrazują pewien wariant populacyjny.
14:01
And so what you're looking at here
343
826000
2000
To na co teraz patrzycie
14:03
in donor one and donor four,
344
828000
2000
to dawca 1 i dawca 4,
14:05
which are the exceptions to the other two,
345
830000
2000
którzy stanowią wyjątek w stosunku do pozostałych dwóch dawców.
14:07
that genes are being turned on
346
832000
2000
Ich geny są włączone
14:09
in a very specific subset of cells.
347
834000
2000
w bardzo specyficznej podgrupie komórek.
14:11
It's this dark purple precipitate within the cell
348
836000
3000
To ten ciemnofioletowy osad w komórce,
14:14
that's telling us a gene is turned on there.
349
839000
3000
który świadczy o tym, że gen jest tu włączony.
14:17
Whether or not that's due
350
842000
2000
Niezależnie od tego, uwarunkowane to jest
14:19
to an individual's genetic background or their experiences,
351
844000
2000
podłożem genetycznym lub doświadczeniem danego osobnika,
14:21
we don't know.
352
846000
2000
ale tego nie wiemy.
14:23
Those kinds of studies require much larger populations.
353
848000
3000
Tego typu badania wymagają przeanalizowania większej populacji.
14:28
So I'm going to leave you with a final note
354
853000
2000
Pożegnam was ostatnią uwagą
14:30
about the complexity of the brain
355
855000
3000
odnoście do złożoności mózgu
14:33
and how much more we have to go.
356
858000
2000
i tego, co jeszcze jest do zrobienia.
14:35
I think these resources are incredibly valuable.
357
860000
2000
Uważam, że są to niezwykle cenne informacje,
14:37
They give researchers a handle
358
862000
2000
pozwalające podążać naukowcom
14:39
on where to go.
359
864000
2000
w odpowiednim kierunku.
14:41
But we only looked at a handful of individuals at this point.
360
866000
3000
My natomiast przyjrzeliśmy się tylko kilku materiałom badawczym.
14:44
We're certainly going to be looking at more.
361
869000
2000
Przebadamy jeszcze więcej.
14:46
I'll just close by saying
362
871000
2000
Zakończę stwierdzeniem,
14:48
that the tools are there,
363
873000
2000
istnieją narzędzia,
14:50
and this is truly an unexplored, undiscovered continent.
364
875000
4000
a to jest zdecydowanie nieodkryty kontynent.
14:54
This is the new frontier, if you will.
365
879000
4000
Albo jak wolicie, nowa granica.
14:58
And so for those who are undaunted,
366
883000
2000
A dla nieustraszonych
15:00
but humbled by the complexity of the brain,
367
885000
2000
i zdumionych złożonością mózgu,
15:02
the future awaits.
368
887000
2000
oczekują nowe odkrycia.
15:04
Thanks.
369
889000
2000
Dziękuję.
15:06
(Applause)
370
891000
9000
(Oklaski)
ABOUT THE SPEAKER
Allan Jones - Brain scientistAs CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.
Why you should listen
The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.
Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.
He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."
Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>
Allan Jones | Speaker | TED.com