TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Jak odczytać genom i zbudować człowieka
Filmed:
Readability: 3.6
1,834,677 views
Tajemnice, choroby i piękno są wpisane w ludzki genom, stanowiący kompletny zestaw instrukcji potrzebnych do zbudowania istoty ludzkiej. Jak twierdzi naukowiec i przedsiębiorca Riccardo Sabatini, mamy moc odczytania tego skomplikowanego kodu i przewidywania cech takich jak wzrost, kolor oczu, wiek, a nawet wygląd twarzy - wszystko z jednej fiolki krwi. Sabatini mówi, że już niedługo nasze nowe zrozumienie genomu pozwoli nam spersonalizować leczenie chorób takich jak rak. Dzięki tej wiedzy mamy moc zmiany ludzkiego życia. Jak jej użyjemy?
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
Przez najbliższe 16 minut
zabiorę was w podróż,
zabiorę was w podróż,
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
która jest prawdopodobnie
największym marzeniem ludzkości:
największym marzeniem ludzkości:
00:18
to understand the code of life.
2
6508
2015
zrozumieć kod życia.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Dla mnie wszystko zaczęło się
wiele lat temu,
wiele lat temu,
00:23
when I met the first 3D printer.
4
11839
2723
kiedy po raz pierwszy
zobaczyłem drukarkę 3D.
zobaczyłem drukarkę 3D.
00:26
The concept was fascinating.
5
14586
1674
Pomysł był fascynujący.
00:28
A 3D printer needs three elements:
6
16284
2022
Drukarka 3D wymaga trzech rzeczy:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
odrobinę danych,
szczyptę surowca, trochę energii
szczyptę surowca, trochę energii
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
i może stworzyć dowolny
dotąd nieistniejący obiekt.
dotąd nieistniejący obiekt.
Studiowałem fizykę.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Wracałem do domu i pojąłem,
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
że zawsze znałem
drukarkę 3D. Każdy ją zna.
drukarkę 3D. Każdy ją zna.
00:44
And everyone does.
11
32140
1336
Była nią moja mama.
00:45
It was my mom.
12
33500
1158
(Śmiech)
00:46
(Laughter)
13
34682
1001
Moja mama wzięła 3 rzeczy:
00:47
My mom takes three elements:
14
35707
2414
nieco informacji, w zasadzie należało to
do obojga moich rodziców,
do obojga moich rodziców,
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
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
surowce i energię z tego samego
źródła, czyli jedzenia.
źródła, czyli jedzenia.
Po paru miesiącach wyprodukowała mnie.
00:58
and after several months, produces me.
17
46323
2508
Wcześniej nie istniałem.
01:00
And I was not existent before.
18
48855
1812
Mama doznała szoku na wieść,
że jest drukarką 3D,
że jest drukarką 3D,
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
a mnie zafascynował
pierwszy składnik - informacja.
pierwszy składnik - informacja.
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
01:11
the first one, the information.
21
59239
1717
01:12
What amount of information does it take
22
60980
2251
Ile informacji trzeba,
by skonstruować człowieka?
by skonstruować człowieka?
01:15
to build and assemble a human?
23
63255
1936
Dużo? Mało?
01:17
Is it much? Is it little?
24
65215
1574
01:18
How many thumb drives can you fill?
25
66813
2180
Ile pamięci USB trzeba zapełnić?
Na początku studiowałem fizykę
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
i za namiastkę człowieka
wziąłem ogromny zestaw LEGO.
wziąłem ogromny zestaw LEGO.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Wyobraźcie sobie, że klocki to małe atomy
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
i gdzieniegdzie jest wodór,
gdzie indziej węgiel, gdzieś azot.
gdzie indziej węgiel, gdzieś azot.
W tym przybliżeniu, gdybym miał
listę atomów do stworzenia człowieka,
listę atomów do stworzenia człowieka,
01:37
So in the first approximation,
30
85772
1571
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
mógłbym go zbudować.
01:43
I can build it.
32
91734
1387
01:45
Now, you can run some numbers
33
93145
2029
Możecie to przekalkulować i okazuje się,
że to zdumiewająca liczba.
że to zdumiewająca liczba.
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
Liczba atomów,
01:50
So the number of atoms,
35
98499
2757
plik, który zapisałbym na pamięci USB,
aby zbudować dziecko,
aby zbudować dziecko,
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
wypełniłby pamięciami USB całego Titanica
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
pomnożonego 2000 razy.
02:02
multiplied 2,000 times.
38
110750
2718
02:05
This is the miracle of life.
39
113957
3401
To cud życia.
Odtąd kiedy zobaczycie
ciężarną kobietę, pamiętajcie,
ciężarną kobietę, pamiętajcie,
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
że montuje największą ilość danych,
jaką kiedykolwiek napotkacie.
jaką kiedykolwiek napotkacie.
02:14
that you will ever encounter.
42
122898
1556
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Zapomnijcie o Big Data,
o wszystkim, co słyszeliście.
o wszystkim, co słyszeliście.
To jest największy zbiór
informacji, jaki istnieje.
informacji, jaki istnieje.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
02:22
(Applause)
45
130357
3833
(Brawa)
Ale natura na szczęście jest
o wiele mądrzejsza od młodego fizyka
o wiele mądrzejsza od młodego fizyka
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
i przez 4 miliardy lat dała radę
zmieścić te informacje
zmieścić te informacje
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
w małym krysztale, który nazywamy DNA.
02:34
in a small crystal we call DNA.
48
142482
2705
Poznaliśmy go w 1950 roku,
kiedy Rosalind Franklin,
kiedy Rosalind Franklin,
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
02:41
an amazing scientist, a woman,
50
149941
1556
wspaniały naukowiec, kobieta,
02:43
took a picture of it.
51
151521
1389
zrobiła mu zdjęcie.
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
Zajęło nam to jednak ponad 40 lat,
nim wreszcie zajrzeliśmy wewnątrz komórki,
nim wreszcie zajrzeliśmy wewnątrz komórki,
wyjęliśmy ten kryształ,
02:50
take out this crystal,
53
158146
1602
rozwinęliśmy go
i odczytaliśmy po raz pierwszy.
i odczytaliśmy po raz pierwszy.
02:51
unroll it, and read it for the first time.
54
159772
3080
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
Kod okazał się być dość prostym alfabetem,
cztery litery: A, T, C i G.
02:58
four letters: A, T, C and G.
56
166880
3772
Żeby zbudować człowieka,
potrzebujecie trzech miliardów liter.
potrzebujecie trzech miliardów liter.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
03:06
Three billion.
58
174933
1179
Trzech miliardów.
03:08
How many are three billion?
59
176136
1579
Ile to trzy miliardy?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Taka liczba nawet nie ma sensu, prawda?
Myślałem, jak lepiej wyjaśnić
ogrom tego kodu.
ogrom tego kodu.
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
03:16
about how big and enormous this code is.
62
184634
3050
Potrzebuję teraz pomocy,
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
a najlepszą osobą,
która pomoże mi przedstawić wam kod,
która pomoże mi przedstawić wam kod,
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
jest pierwszy człowiek,
który go sekwencjonował, dr Craig Venter.
który go sekwencjonował, dr Craig Venter.
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
Witamy na scenie, doktorze Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
(Brawa)
03:32
(Applause)
67
200997
6931
03:39
Not the man in the flesh,
68
207952
2256
Nie człowiek z krwi i kości,
ale po raz pierwszy w historii:
03:43
but for the first time in history,
69
211448
2345
03:45
this is the genome of a specific human,
70
213817
3462
oto genom konkretnego człowieka,
wydrukowany strona po stronie,
litera po literze,
litera po literze,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
262 tysiące stron informacji,
03:53
262,000 pages of information,
72
221087
3996
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 kg wysłanych z USA do Kanady
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
dzięki Bruno Bowdenowi, Lulu.com,
inicjatorowi, oni zrobili wszystko.
inicjatorowi, oni zrobili wszystko.
04:06
It was an amazing feat.
75
234362
1463
To była niezwykła współpraca.
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
Można naocznie się przekonać,
czym jest kod życia.
czym jest kod życia.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Teraz, po raz pierwszy,
mogę zrobić coś fajnego.
mogę zrobić coś fajnego.
04:14
I can actually poke inside it and read.
78
242672
2547
Mogę zajrzeć do środka i czytać.
Pozwólcie, że wybiorę
ciekawą książkę... jak ta.
ciekawą książkę... jak ta.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Mam zakładkę, to dość gruba książka.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Żebyście zobaczyli, czym jest kod życia.
04:32
Thousands and thousands and thousands
82
260566
3391
Tysiące, tysiące, tysiące,
miliony liter.
04:35
and millions of letters.
83
263981
2670
04:38
And they apparently make sense.
84
266675
2396
I najwyraźniej mają sens.
Przejdźmy do konkretnego fragmentu.
04:41
Let's get to a specific part.
85
269095
1757
04:43
Let me read it to you:
86
271571
1362
Przeczytam wam:
04:44
(Laughter)
87
272957
1021
(Śmiech)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA".
Dla was to nieskładne litery,
04:50
To you it sounds like mute letters,
89
278965
2067
ale ta sekwencja daje Craigowi kolor oczu.
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
Pokażę wam inną część książki.
04:57
I'll show you another part of the book.
91
285633
1932
To odrobinę bardziej skomplikowane.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
05:02
Chromosome 14, book 132:
93
290983
2647
Chromosom 14, księga 132.
(Śmiech)
05:05
(Laughter)
94
293654
2090
05:07
As you might expect.
95
295768
1277
Jak mogliście się spodziewać.
05:09
(Laughter)
96
297069
3466
(Śmiech)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT".
05:20
This human is lucky,
98
308329
1687
Ten człowiek ma szczęście,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
bo jeśli zabraknie zaledwie
dwóch liter w tej pozycji,
dwóch liter w tej pozycji,
dwóch liter z trzech miliardów,
05:26
two letters of our three billion --
100
314581
1877
będzie skazany na straszną chorobę:
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
05:30
cystic fibrosis.
102
318525
1440
mukowiscydozę.
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
Nie mamy na nią lekarstwa,
nie wiemy, jak jej zaradzić,
nie wiemy, jak jej zaradzić,
a to zaledwie dwie litery
odstępstwa od normy.
odstępstwa od normy.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
05:39
A wonderful book, a mighty book,
105
327585
2705
Wspaniała książka, potężna,
potężna książka,
która pomogła mi zrozumieć
która pomogła mi zrozumieć
05:43
a mighty book that helped me understand
106
331115
1998
05:45
and show you something quite remarkable.
107
333137
2753
i zademonstrować coś niezwykłego.
Każdy z was, to co sprawia,
że wy to wy, a ja to ja,
że wy to wy, a ja to ja,
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
to zaledwie około 5 milionów liter,
05:52
is just about five million of these,
109
340939
2954
pół książki.
05:55
half a book.
110
343917
1228
W całej reszcie
05:58
For the rest,
111
346015
1663
05:59
we are all absolutely identical.
112
347702
2562
jesteśmy całkowicie identyczni.
500 stron to cud życia,
którym jesteście.
którym jesteście.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Całą resztę mamy wspólną.
06:07
The rest, we all share it.
114
355050
2531
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Wydaje nam się, że jesteśmy różni,
a tu aż tyle mamy wspólnego.
06:12
This is the amount that we share.
116
360538
2221
06:15
So now that I have your attention,
117
363441
3429
Skoro zwróciłem już waszą uwagę,
następne pytanie brzmi:
06:18
the next question is:
118
366894
1359
jak to czytać?
06:20
How do I read it?
119
368277
1151
Jak znaleźć w tym sens?
06:21
How do I make sense out of it?
120
369452
1509
Jakkolwiek możecie być dobrzy
w składaniu szwedzkich mebli,
w składaniu szwedzkich mebli,
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
tej instrukcji nie rozgryziecie
przez całe życie.
przez całe życie.
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
06:31
(Laughter)
123
379260
1603
(Śmiech)
W roku 2014 dwóch znanych entuzjastów TED,
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis i sam Craig Venter,
postanowili stworzyć firmę.
06:38
decided to assemble a new company.
126
386587
1927
Powstało Human Longetivity
06:40
Human Longevity was born,
127
388538
1412
z jedną misją:
06:41
with one mission:
128
389974
1370
robić, co w naszej mocy
06:43
trying everything we can try
129
391368
1861
i nauczyć się, czego tylko
się da z tych książek
się da z tych książek
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
06:48
with one target --
131
396036
1705
w jednym celu:
urzeczywistnić sen
o spersonalizowanej medycynie,
o spersonalizowanej medycynie,
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
zrozumieć, co trzeba zrobić
dla lepszego zdrowia
dla lepszego zdrowia
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
i jakie tajemnice kryją te książki.
06:57
and what are the secrets in these books.
134
405478
2283
Niesamowita ekipa,
40 analityków danych i wielu innych,
40 analityków danych i wielu innych,
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
z którymi współpraca to przyjemność.
07:04
a pleasure to work with.
136
412603
1350
07:05
The concept is actually very simple.
137
413977
2253
To prosta koncepcja.
Zamierzamy użyć technologii
samouczenia się maszyn.
samouczenia się maszyn.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Z jednej strony mamy tysiące genomów.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Z drugiej zebraliśmy największą
bazę danych ludzi:
bazę danych ludzi:
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
fenotypy, skany 3D, MRJ...
wszystko, co możecie wymyślić.
wszystko, co możecie wymyślić.
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
Pomiędzy tymi dwiema stronami
07:24
Inside there, on these two opposite sides,
142
432340
2899
jest tajemnica tłumaczenia.
07:27
there is the secret of translation.
143
435263
2442
A pośrodku zbudowaliśmy maszynę.
07:29
And in the middle, we build a machine.
144
437729
2472
Zbudowaliśmy ją i uczymy,
właściwie nie jedną, a wiele maszyn.
właściwie nie jedną, a wiele maszyn.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
Jak zrozumieć genom
i przełożyć go na fenotyp.
i przełożyć go na fenotyp.
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
Czym są te litery i co robią?
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Tej metody można użyć do wszystkiego,
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
ale jest to szczególnie skomplikowane
w przypadku genomiki.
w przypadku genomiki.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
Powoli się rozwijaliśmy i chcieliśmy
sobie stworzyć różne wyzwania.
sobie stworzyć różne wyzwania.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Zaczęliśmy od początku,
czyli cech wspólnych.
czyli cech wspólnych.
Cechy wspólne są wygodne,
bo są wspólne, każdy je ma.
bo są wspólne, każdy je ma.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
08:01
everyone has them.
154
469197
1184
Zaczęliśmy zadawać pytania:
08:02
So we started to ask our questions:
155
470405
2494
08:04
Can we predict height?
156
472923
1380
Czy możemy przewidzieć wzrost?
Czy możemy przeczytać te książki
i przewidzieć wasz wzrost?
i przewidzieć wasz wzrost?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
08:09
Well, we actually can,
158
477186
1151
Owszem,
z precyzją do pięciu centymetrów.
08:10
with five centimeters of precision.
159
478361
1793
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
BMI jest mocno związany
z waszym stylem życia,
z waszym stylem życia,
ale mimo to możemy z precyzją
do ośmiu kilogramów.
do ośmiu kilogramów.
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
Czy możemy przewidzieć kolor oczu?
08:19
Can we predict eye color?
162
487225
1231
Tak, możemy.
08:20
Yeah, we can.
163
488480
1158
Z dokładnością 80%.
08:21
Eighty percent accuracy.
164
489662
1324
Czy możemy przewidzieć kolor skóry?
08:23
Can we predict skin color?
165
491466
1858
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Możemy, dokładność 80%.
Czy możemy przewidzieć wiek?
08:27
Can we predict age?
167
495813
1340
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Możemy, bo jak się okazuje
kod zmienia się z wiekiem.
kod zmienia się z wiekiem.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Skraca się, tracone są fragmenty,
pojawiają się insercje.
pojawiają się insercje.
08:37
We read the signals, and we make a model.
170
505190
2555
Odczytujemy sygnały i budujemy model.
08:40
Now, an interesting challenge:
171
508438
1475
I interesujące wyzwanie:
08:41
Can we predict a human face?
172
509937
1729
czy możemy przewidzieć ludzką twarz?
08:45
It's a little complicated,
173
513014
1278
To trochę skomplikowane,
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
bo ludzka twarz jest rozproszona
wśród milionów tych liter.
wśród milionów tych liter.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Twarz ludzka nie jest
konkretnie zdefiniowanym obiektem.
konkretnie zdefiniowanym obiektem.
08:52
So, we had to build an entire tier of it
176
520184
2051
Musieliśmy zbudować ją warstwami,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
aby nauczyć siebie
i maszynę, czym jest twarz,
i maszynę, czym jest twarz,
08:56
and embed and compress it.
178
524993
2037
nałożyć na siebie i skompresować.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Jeśli znacie się na uczeniu maszynowym,
09:01
you understand what the challenge is here.
180
529326
2284
rozumiecie, jakie jest to wyzwanie.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Obecnie 15 lat po odczytaniu
pierwszej sekwencji,
pierwszej sekwencji,
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
w październiku tego roku
zaczęliśmy widzieć znaki.
zaczęliśmy widzieć znaki.
09:13
And it was a very emotional moment.
183
541049
2455
To był bardzo wzruszający moment.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Widzicie tu osobę badaną
w naszym laboratorium.
w naszym laboratorium.
09:19
This is a face for us.
185
547619
1928
To jest dla nas twarz.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Bierzemy prawdziwą twarz obiektu,
i upraszczamy ją,
i upraszczamy ją,
bo wiele szczegółów i defektów twarzy
powstaje w ciągu życia.
powstaje w ciągu życia.
09:25
because not everything is in your face --
187
553226
1970
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
Symetryzujemy twarz
i przeprowadzamy algorytm.
i przeprowadzamy algorytm.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
A to, co widzicie teraz
09:35
The results that I show you right now,
190
563245
1898
to wynik, który przewidzieliśmy z krwi.
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
(Brawa)
09:41
(Applause)
192
569596
1524
09:43
Wait a second.
193
571144
1435
Poczekajmy.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
W tej chwili wasze oczy
patrzą z lewa na prawo,
patrzą z lewa na prawo,
a wasz mózg chce,
żeby te obrazki były identyczne.
żeby te obrazki były identyczne.
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
Więc proszę was o inne ćwiczenie,
żeby było uczciwie.
żeby było uczciwie.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
09:55
Please search for the differences,
197
583743
2287
Poszukajcie różnic, jest ich wiele.
09:58
which are many.
198
586054
1361
Największa część sygnału
związana jest z płcią,
związana jest z płcią,
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
potem jest wiek, BMI i czynnik etniczny.
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
Wszystko powyżej się komplikuje.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Ale to, co tu widzicie, także w różnicach,
pokazuje, że jesteśmy blisko.
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
10:17
that we are getting closer.
204
605919
1348
Już to wzbudza w was emocje.
10:19
And it's already giving you some emotions.
205
607291
2349
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
To ko,lejny badany,
a oto co przewidzieliśmy.
a oto co przewidzieliśmy.
10:24
and this is a prediction.
207
612391
1409
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Trochę mniejsza twarz,
nie złapaliśmy kompletnej
nie złapaliśmy kompletnej
struktury czaszki,
ale i tak jesteśmy blisko.
ale i tak jesteśmy blisko.
10:30
but still, it's in the ballpark.
209
618444
2651
10:33
This is a subject that comes in our lab,
210
621634
2224
To kolejny badany w laboratorium,
10:35
and this is the prediction.
211
623882
1443
a oto co przewidzieliśmy.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Ci ludzie nie byli wykorzystani
do trenowania maszyny,
do trenowania maszyny,
10:42
These are the so-called "held-out" set.
213
630756
2837
należą do grupy "wstrzymanej".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Są to ludzie, którym pewnie
nigdy nie uwierzycie.
nigdy nie uwierzycie.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Możecie o wszystkim przeczytać
w naszych naukowych publikacjach.
w naszych naukowych publikacjach.
10:52
you can read it.
216
640081
1151
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Ale skoro jesteśmy na scenie,
Chris dał mi wyzwanie.
Chris dał mi wyzwanie.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Próbowałem przewidzieć wygląd kogoś,
kogo możecie rozpoznać.
kogo możecie rozpoznać.
10:59
someone that you might recognize.
219
647274
2831
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
W tej probówce z krwią,
a uwierzcie mi, nie macie pojęcia,
a uwierzcie mi, nie macie pojęcia,
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
co musieliśmy zrobić,
żeby móc tu wnieść krew,
żeby móc tu wnieść krew,
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
w tej probówce jest wystarczająca ilość
informacji biologicznej,
informacji biologicznej,
11:13
that we need to do a full genome sequence.
223
661748
2277
której potrzebujemy
do sekwencjonowania genomu.
do sekwencjonowania genomu.
11:16
We just need this amount.
224
664049
2070
Potrzebujemy tylko tyle.
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
Przeanalizowaliśmy tę sekwencję.
Zrobię to z wami.
Zrobię to z wami.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Zaczęliśmy nawarstwiać wszystko,
co możemy zrozumieć.
co możemy zrozumieć.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
Z tej próbki krwi przewidzieliśmy,
że to mężczyzna.
że to mężczyzna.
11:29
And the subject is a male.
228
677134
1364
Tak, obiekt jest mężczyzną.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Przewidzieliśmy, że ma 1,76 m wzrostu.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Obiekt ma 1,77 m.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Przewidzieliśmy, że waży 76 kg,
naprawdę waży 82 kg.
naprawdę waży 82 kg.
11:40
We predict his age, 38.
232
688701
2632
Przewidzieliśmy, że ma 38 lat.
11:43
The subject is 35.
233
691357
1904
Obiekt ma 35.
11:45
We predict his eye color.
234
693851
2124
Przewidzieliśmy kolor oczu,
11:48
Too dark.
235
696824
1211
są ciemne.
11:50
We predict his skin color.
236
698059
1555
Przewidzieliśmy kolor skóry.
11:52
We are almost there.
237
700026
1410
No, już prawie.
11:53
That's his face.
238
701899
1373
To jego twarz.
11:57
Now, the reveal moment:
239
705172
3269
A teraz chwila prawdy:
12:00
the subject is this person.
240
708465
1770
obiekt to ta osoba.
12:02
(Laughter)
241
710259
1935
(Śmiech)
12:04
And I did it intentionally.
242
712218
2058
Zrobiłem to celowo.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Należę do bardzo szczególnej
i osobliwej grupy etnicznej.
i osobliwej grupy etnicznej.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Południowi Europejczycy, Włosi,
nigdy nie pasują do schematów.
nigdy nie pasują do schematów.
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
To osobliwa grupa, skomplikowany
przypadek graniczny.
przypadek graniczny.
12:18
But there is another point.
246
726144
1509
Ale jest jeszcze jedna kwestia.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Coś, czego często używamy
do rozpoznawania ludzi,
do rozpoznawania ludzi,
12:23
will never be written in the genome.
248
731178
1722
nigdy nie będzie zapisane w genomie.
12:24
It's our free will, it's how I look.
249
732924
2317
To nasza wolna wola, to jak wyglądamy.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
W moim przypadku nie fryzura, ale broda.
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
Więc pokażę wam, w tym przypadku skopiuję,
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
to tylko Photoshop, nie modelowanie,
12:36
the beard on the subject.
253
744884
1713
skopiuję brodę na obiekt.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Natychmiast mamy o wiele lepsze odczucie.
12:42
So, why do we do this?
255
750955
2709
Dlaczego to robimy?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Na pewno nie po to,
żeby przewidzieć wzrost
żeby przewidzieć wzrost
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
ani zrobić piękny obrazek z waszej krwi.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Robimy to, bo ta sama technologia
i to samo podejście,
i to samo podejście,
13:00
the machine learning of this code,
259
768432
2520
uczenie maszyn tego kodu,
13:02
is helping us to understand how we work,
260
770976
3137
pomaga nam zrozumieć, jak działamy,
13:06
how your body works,
261
774137
1486
jak działa wasze ciało,
13:07
how your body ages,
262
775647
1665
jak się starzeje,
13:09
how disease generates in your body,
263
777336
2769
jak w ciele powstają choroby,
13:12
how your cancer grows and develops,
264
780129
2972
jak rozwijają się nowotwory,
13:15
how drugs work
265
783125
1783
jak działają leki
13:16
and if they work on your body.
266
784932
2314
i czy działają na ciało.
13:19
This is a huge challenge.
267
787713
1667
To wielkie wyzwanie.
13:21
This is a challenge that we share
268
789894
1638
To wyzwanie wspólne
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
dla tysięcy innych naukowców
na całym świecie.
na całym świecie.
13:26
It's called personalized medicine.
270
794159
2222
Nazywamy to medycyną personalizowaną.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
To możliwość przejścia
od metody statystycznej,
od metody statystycznej,
13:32
where you're a dot in the ocean,
272
800609
2032
gdzie jesteś kroplą w morzu,
13:34
to a personalized approach,
273
802665
1813
do indywidualnego podejścia,
13:36
where we read all these books
274
804502
2185
gdzie czytamy te wszystkie książki
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
i zaczynamy rozumieć,
kim naprawdę jesteście.
kim naprawdę jesteście.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Ale to tym bardziej skomplikowane,
13:45
because of all these books, as of today,
277
813646
3998
bo z tych wszystkich książek
dziś znamy mniej więcej dwa procent:
13:49
we just know probably two percent:
278
817668
2642
13:53
four books of more than 175.
279
821027
3653
cztery książki z ponad 175.
13:58
And this is not the topic of my talk,
280
826021
3206
To nie temat mojej prelekcji,
14:02
because we will learn more.
281
830145
2598
bo poznamy więcej.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Pracują nad tym najlepsze umysły świata.
14:09
The prediction will get better,
283
837048
1834
Będziemy przewidywać lepiej,
14:10
the model will get more precise.
284
838906
2253
model będzie bardziej precyzyjny.
14:13
And the more we learn,
285
841183
1858
A im więcej się nauczymy,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
tym częściej staniemy przed decyzjami,
14:19
that we never had to face before
287
847919
3021
których nigdy przedtem
nie musieliśmy podejmować.
nie musieliśmy podejmować.
14:22
about life,
288
850964
1435
O życiu,
14:24
about death,
289
852423
1674
o śmierci,
14:26
about parenting.
290
854121
1603
o rodzicielstwie.
Dotykamy zasadniczych
szczegółów działania życia.
szczegółów działania życia.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
Ta rewolucja nie może być ograniczona
14:41
in the domain of science or technology.
293
869300
2659
do dziedzin nauki czy technologii.
14:44
This must be a global conversation.
294
872960
2244
To musi być globalna dyskusja.
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
Musimy zacząć myśleć o przyszłości,
jaką budujemy jako ludzkość.
jaką budujemy jako ludzkość.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Musimy wejść w interakcję
z branżą kreatywną,
z branżą kreatywną,
z artystami, filozofami, politykami.
14:57
with politicians.
297
885127
1510
14:58
Everyone is involved,
298
886661
1158
Dotyczy to wszystkich,
14:59
because it's the future of our species.
299
887843
2825
bo to przyszłość naszego gatunku.
15:03
Without fear, but with the understanding
300
891273
3968
Bez strachu, za to rozumiejąc,
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
że decyzje, które podejmiemy za rok,
15:11
will change the course of history forever.
302
899160
3789
zmienią bieg historii na zawsze.
15:15
Thank you.
303
903732
1160
Dziękuję.
15:16
(Applause)
304
904916
10159
(Brawa)
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