TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hills: Entendendo o câncer através da proteômica
Filmed:
Readability: 3.6
465,363 views
Danny Hills apresenta a próxima fronteira da pesquisa do câncer: a proteômica, o estudo das proteínas do corpo. Como Hills explica, a genômica nos mostra uma lista de ingredientes do corpo - enquanto que a proteômica nos mostra o que esses ingredientes produzem. Entender o que acontece com as proteínas do nosso corpo pode levar a um novo entendimento de como o câncer acontece.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
Admito que estou um pouco nervoso
00:18
because I'm going to say some radical things,
1
3000
3000
porque vou dizer algumas coisas radicais
00:21
about how we should think about cancer differently,
2
6000
3000
sobre como devemos pensar diferentemente sobre o câncer
00:24
to an audience that contains a lot of people
3
9000
2000
para uma plateia que tem muitas pessoas
00:26
who know a lot more about cancer than I do.
4
11000
3000
que sabem muito mais sobre câncer do que eu.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Mas também direi que não estou tão nervoso quanto deveria estar
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
porque tenho quase certeza que estou certo a respeito disso.
00:35
(Laughter)
7
20000
2000
(Risos)
00:37
And that this, in fact, will be
8
22000
2000
E que, de fato, esta será
00:39
the way that we treat cancer in the future.
9
24000
3000
a maneira que trataremos o câncer no futuro.
00:43
In order to talk about cancer,
10
28000
2000
Para falar sobre câncer,
00:45
I'm going to actually have to --
11
30000
3000
eu vou ter que, de fato...
00:48
let me get the big slide here.
12
33000
3000
deixe eu mostrar o slide aqui.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Primeiro, eu vou dar uma perspectiva diferente da genômica.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Quero colocar em perspectiva com
00:58
of all the other things that are going on --
15
43000
3000
as outras coisas que estão acontecendo -
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
e então falar sobre algo que vocês ainda não ouviram muito, a proteômica.
01:04
Having explained those,
17
49000
2000
Tendo explicado ambas,
01:06
that will set up for what I think will be a different idea
18
51000
3000
teremos a base para o que eu acredito ser uma ideia diferente
01:09
about how to go about treating cancer.
19
54000
2000
sobre como vamos tratar o câncer.
01:11
So let me start with genomics.
20
56000
2000
Então vou começar com a genômica.
01:13
It is the hot topic.
21
58000
2000
É o tópico principal.
01:15
It is the place where we're learning the most.
22
60000
2000
É onde estamos aprendendo mais coisas.
01:17
This is the great frontier.
23
62000
2000
Esta é a última fronteira.
01:19
But it has its limitations.
24
64000
3000
Mas tem suas limitações.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
E em particular, vocês provavelmente já ouviram a analogia
01:25
that the genome is like the blueprint of your body,
26
70000
3000
de que o genoma é como a planta baixa do seu corpo.
01:28
and if that were only true, it would be great,
27
73000
2000
E se isso fosse verdade, seria ótimo,
01:30
but it's not.
28
75000
2000
mas não é.
01:32
It's like the parts list of your body.
29
77000
2000
É como a lista de peças do seu corpo.
01:34
It doesn't say how things are connected,
30
79000
2000
Não diz como as coisas são conectadas,
01:36
what causes what and so on.
31
81000
3000
o que causa o quê e assim por diante.
01:39
So if I can make an analogy,
32
84000
2000
Então se eu puder fazer uma analogia,
01:41
let's say that you were trying to tell the difference
33
86000
2000
vamos dizer que vocês estejam tentando diferenciar
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
um bom restaurante, um restaurante saudável,
01:46
and a sick restaurant,
35
91000
2000
e um restaurante ruim,
01:48
and all you had was the list of ingredients
36
93000
2000
e tudo que vocês têm é a lista
01:50
that they had in their larder.
37
95000
3000
de ingredientes na despensa.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Então seria como se vocês fossem a um restaurante francês
01:56
and you looked through it and you found
39
101000
2000
e olhassem os ingredientes e descobrissem
01:58
they only had margarine and they didn't have butter,
40
103000
2000
que só havia margarina e não havia manteiga,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
poderiam dizer, "Ah, eu sei o que há de errado aqui.
02:02
I can make them healthy."
42
107000
2000
Eu posso torná-lo mais saudável."
02:04
And there probably are special cases of that.
43
109000
2000
E provavelmente há casos especiais.
02:06
You could certainly tell the difference
44
111000
2000
Vocês certamente podem diferenciar
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
um restaurante chinês de um restaurante francês
02:10
by what they had in a larder.
46
115000
2000
pelo o que eles têm na despensa.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Então a lista de ingredientes diz sim alguma coisa,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
e às vezes diz se algo está errado.
02:19
If they have tons of salt,
49
124000
2000
Se eles têm toneladas de sal,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
vocêm podem achar que eles estão usando muito sal, ou algo parecido.
02:24
But it's limited,
51
129000
2000
Mas é limitado,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
pois para realmente saber se é um restaurante saudável,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
vocês têm que provar a comida, saber o que acontece na cozinha,
02:31
you need the product of all of those ingredients.
54
136000
3000
e precisam do produto de todos os ingredientes.
02:34
So if I look at a person
55
139000
2000
Então se eu olhar para uma pessoa
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
e olhar para o seu genoma, é a mesma coisa.
02:39
The part of the genome that we can read
57
144000
2000
A pate do genôma que conseguimos ler
02:41
is the list of ingredients.
58
146000
2000
é a lista de ingredientes.
02:43
And so indeed,
59
148000
2000
E de fato,
02:45
there are times when we can find ingredients
60
150000
2000
há vezes onde achamos ingredientes
02:47
that [are] bad.
61
152000
2000
que são ruins.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Fibrose cística é um exemplo de uma doença
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
de que se há um ingrediente ruim, você tem a doença,
02:54
and we can actually make a direct correspondence
64
159000
3000
e podemos fazer uma correspondência direta
02:57
between the ingredient and the disease.
65
162000
3000
ente o ingrediente e a doença.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Mas para a maioria, você tem que saber o que acontece na cozinha,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
porque, em geral, pessoas doentes costumavam ser saudáveis -
03:05
they have the same genome.
68
170000
2000
elas têm o mesmo genoma.
03:07
So the genome really tells you much more
69
172000
2000
Então o genoma realmente diz muito mais
03:09
about predisposition.
70
174000
2000
sobre pré-disposição.
03:11
So what you can tell
71
176000
2000
Então vocês podem diferenciar
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
uma pessoa asiática de uma pessoa européia
03:15
by looking at their ingredients list.
73
180000
2000
pela lista de ingredientes.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Mas na maioria das vezes, não podem diferenciar
03:20
between a healthy person and a sick person --
75
185000
3000
uma pessoa saudável de uma pessoa doente -
03:23
except in some of these special cases.
76
188000
2000
exceto em um desses casos especiais.
03:25
So why all the big deal
77
190000
2000
Então qual é o grande furor
03:27
about genetics?
78
192000
2000
sobre a genética?
03:29
Well first of all,
79
194000
2000
Bem, primeiro,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
nós podemos lê-la, o que é fantástico.
03:34
It is very useful in certain circumstances.
81
199000
3000
É muito útil em certas circunstâncias.
03:37
It's also the great theoretical triumph
82
202000
3000
É também o grande triunfo teórico
03:40
of biology.
83
205000
2000
da biologia.
03:42
It's the one theory
84
207000
2000
É a única teoria
03:44
that the biologists ever really got right.
85
209000
2000
que os biólogos realmente acertaram.
03:46
It's fundamental to Darwin
86
211000
2000
É fundamental para Darwin
03:48
and Mendel and so on.
87
213000
2000
e Mendel e outros.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Então é a única coisa onde eles previram uma construção teórica.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel teve a ideia de um gene
03:56
as an abstract thing,
90
221000
3000
como uma coisa abstrata.
03:59
and Darwin built a whole theory
91
224000
2000
E Darwin contruiu toda uma teoria
04:01
that depended on them existing,
92
226000
2000
que dependia de sua existência.
04:03
and then Watson and Crick
93
228000
2000
E então Watson e Crick
04:05
actually looked and found one.
94
230000
2000
de fato procuraram e encontraram um.
04:07
So this happens in physics all the time.
95
232000
2000
Isso acontece em física o tempo todo.
04:09
You predict a black hole,
96
234000
2000
Você prevê um buraco negro,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
e olha por um telescópio e lá está, como você disse.
04:14
But it rarely happens in biology.
98
239000
2000
Mas isso raramente acontece em biologia.
04:16
So this great triumph -- it's so good,
99
241000
3000
Então este grande triunfo - é tão bom -
04:19
there's almost a religious experience
100
244000
2000
há quase uma experiência religiosa
04:21
in biology.
101
246000
2000
em biologia.
04:23
And Darwinian evolution
102
248000
2000
E a evolução darwiniana
04:25
is really the core theory.
103
250000
3000
é realmente a teoria principal.
04:30
So the other reason it's been very popular
104
255000
2000
Outra razão pela qual tem sido bem popular
04:32
is because we can measure it, it's digital.
105
257000
3000
é porque podemos medi-lo, é digital.
04:35
And in fact,
106
260000
2000
E de fato,
04:37
thanks to Kary Mullis,
107
262000
2000
graças à Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
você basicamente consegue medir o seu genoma na sua cozinha
04:43
with a few extra ingredients.
109
268000
3000
com alguns ingredientes extras.
04:46
So for instance, by measuring the genome,
110
271000
3000
Então por exemplo, ao medir o genoma,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
aprendemos muito sobre a nossa relação com os outros animais
04:53
by the closeness of our genome,
112
278000
3000
pela proximidade de nossos genomas,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
ou como somos relacionandos uns aos outros - árvore genealógica,
04:59
or the tree of life.
114
284000
2000
ou a árvore da vida.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Há uma enorme quantidade de informação sobre genética
05:04
just by comparing the genetic similarity.
116
289000
3000
apenas ao comparar similaridade genética.
05:07
Now of course, in medical application,
117
292000
2000
Mas é claro, em aplicação médica,
05:09
that is very useful
118
294000
2000
isso é muito útil
05:11
because it's the same kind of information
119
296000
3000
pois é o mesmo tipo de informação
05:14
that the doctor gets from your family medical history --
120
299000
3000
que o doutor obtém do seu histórico familiar médico -
05:17
except probably,
121
302000
2000
exceto que, provavelmente,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
seu genoma sabe muito mais sobre seu histórico médico do que você.
05:22
And so by reading the genome,
123
307000
2000
Então ao ler o genoma,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
podemos descobrir muito mais sobre sua família do que provavelmente você saiba.
05:27
And so we can discover things
125
312000
2000
Então podemos descobir coisas
05:29
that probably you could have found
126
314000
2000
que provavelmente você poderia ter descoberto
05:31
by looking at enough of your relatives,
127
316000
2000
ao olhar para seus parentes,
05:33
but they may be surprising.
128
318000
3000
mas elas podem ser surpreendentes.
05:36
I did the 23andMe thing
129
321000
2000
Eu fiz a "23andMe"
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
e fiquei surpreso ao descobrir que sou gordo e careca.
05:41
(Laughter)
131
326000
7000
(Risos)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Mas às vezes você pode aprender coisas muito úteis sobre isso.
05:51
But mostly
133
336000
3000
Mas em geral,
05:54
what you need to know, to find out if you're sick,
134
339000
2000
o que você precisa descobrir se está doente
05:56
is not your predispositions,
135
341000
2000
não são as pré-disposições,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
mas sim o que está acontecendo no seu corpo agora.
06:01
So to do that, what you really need to do,
137
346000
2000
E para isso, o que você realmente precisa fazer
06:03
you need to look at the things
138
348000
2000
é olhar para as coisas
06:05
that the genes are producing
139
350000
2000
que os genes estão produzindo
06:07
and what's happening after the genetics,
140
352000
2000
e o que acontece depois da genética.
06:09
and that's what proteomics is about.
141
354000
2000
E isso é a proteômica.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Assim como o genoma mistura o estudo de todos os genes,
06:14
proteomics is the study of all the proteins.
143
359000
3000
a proteômica estuda todas as proteínas.
06:17
And the proteins are all of the little things in your body
144
362000
2000
E as proteínas são todas as coisinhas no seu corpo
06:19
that are signaling between the cells --
145
364000
3000
que sinalizam entre as células -
06:22
actually, the machines that are operating --
146
367000
2000
na verdade as máquinas que estão operando.
06:24
that's where the action is.
147
369000
2000
É aí que as coisas acontecem.
06:26
Basically, a human body
148
371000
3000
Basicamente, o corpo humano
06:29
is a conversation going on,
149
374000
3000
é uma conversa em andamento,
06:32
both within the cells and between the cells,
150
377000
3000
dentro das células e entre as células,
06:35
and they're telling each other to grow and to die,
151
380000
3000
e elas estão dizendo para crescer e morrer.
06:38
and when you're sick,
152
383000
2000
E quando você está doente,
06:40
something's gone wrong with that conversation.
153
385000
2000
algo aconteceu de errado na conversa.
06:42
And so the trick is --
154
387000
2000
Então o truque é -
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
infelizmente não temos uma maneia fácil de medir isso
06:47
like we can measure the genome.
156
392000
2000
como podemos medir o genoma.
06:49
So the problem is that measuring --
157
394000
3000
Então o problema é que medir...
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
se você tenta medir todas as proteínas, é um processo muito elaborado.
06:55
It requires hundreds of steps,
159
400000
2000
Requer centenas de etapas,
06:57
and it takes a long, long time.
160
402000
2000
e leva muito, muito tempo.
06:59
And it matters how much of the protein it is.
161
404000
2000
E é importante o quanto de proteína existe.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Pode ser muito importante que a proteína mudou 10%,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
então não é uma coisa digital boa como o DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
E o nosso problema é que se alguém, no meio desse
07:09
of this very long stage,
165
414000
2000
estágio muito longo,
07:11
they pause for just a moment,
166
416000
2000
pausa por somente um momento,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
e deixa algo em uma enzima por um segundo,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
de repente todas as medidas dali em diante
07:17
don't work.
169
422000
2000
não fincionam.
07:19
And so then people get very inconsistent results
170
424000
2000
Então as pessoas obtêm resultados muito inconsistentes
07:21
when they do it this way.
171
426000
2000
quando fazem assim.
07:23
People have tried very hard to do this.
172
428000
2000
Pessoas tentaram muito fazer isso.
07:25
I tried this a couple of times
173
430000
2000
Eu tentei algumas vezes
07:27
and looked at this problem and gave up on it.
174
432000
2000
e vi o problema e acabei desistindo.
07:29
I kept getting this call from this oncologist
175
434000
2000
Eu recebi várias ligações de um oncologista
07:31
named David Agus.
176
436000
2000
chamado David Agus.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
E a Applied Minds recebe muitas ligações
07:36
from people who want help with their problems,
178
441000
2000
de pessoas que querem ajudar com seus problemas,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
e não pensei que essa fosse uma ligação para se retornar,
07:41
so I kept on giving him to the delay list.
180
446000
3000
então acabei colocando ele na lista de espera.
07:44
And then one day,
181
449000
2000
Então um dia,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
recebi uma ligação de John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
e Al Gore no mesmo dia
07:50
saying return David Agus's phone call.
184
455000
2000
dizendo para ligar para o David Agus.
07:52
(Laughter)
185
457000
2000
(Risos)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Eu pensei, "OK, pelo menos esse cara tem contatos."
07:56
(Laughter)
187
461000
4000
(Risos)
08:00
So we started talking,
188
465000
2000
Então começamos a falar,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
e ele disse, "Realmente preciso uma maneira melhor de medir proteínas."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Eu disse, "Já vi. Já experimentei.
08:07
Not going to be easy."
191
472000
2000
Não vai ser fácil."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Ele disse, "Não, eu realmente preciso.
08:11
I mean, I see patients dying every day
193
476000
4000
Eu vejo pacientes morrendo todos os dias
08:15
because we don't know what's going on inside of them.
194
480000
3000
porque não sabemos o que está acontecendo dentro deles.
08:18
We have to have a window into this."
195
483000
2000
Temos que ter uma janela para isso."
08:20
And he took me through
196
485000
2000
E ele me explicou
08:22
specific examples of when he really needed it.
197
487000
3000
exemplos específicos de quando ele realmente precisava.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
E percebi que isso realmente faria uma grande diferença,
08:27
if we could do it,
199
492000
2000
se pudéssemos fazê-lo.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Eu disse, "Bem, vamos dar uma olhada."
08:31
Applied Minds has enough play money
201
496000
2000
A Applied Minds tem fundos suficientes
08:33
that we can go and just work on something
202
498000
2000
para trabalhar em algo
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
sem ter que contar com o financiamento ou permissão de ninguém.
08:38
So we started playing around with this.
204
503000
2000
Então começamos a experimentar.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
À medida que o fazíamos, percebi que este era o problema básico -
08:43
that taking the sip of coffee --
206
508000
2000
que tomar um gole de café -
08:45
that there were humans doing this complicated process
207
510000
2000
que havia humanos fazendo este processo complicado
08:47
and that what really needed to be done
208
512000
2000
e que, o que realmente precisava ser feito
08:49
was to automate this process like an assembly line
209
514000
3000
era automatizar o processo como uma linha de montagem
08:52
and build robots
210
517000
2000
e montar robôs
08:54
that would measure proteomics.
211
519000
2000
que mediriam a proteômica.
08:56
And so we did that,
212
521000
2000
Então nós fizemos isso.
08:58
and working with David,
213
523000
2000
E trabalhando com David,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
montamos uma pequena empresa chamada Apllied Proteomics,
09:03
which makes this robotic assembly line,
215
528000
3000
que fabrica esta linha de montagem robótica,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
que, de uma maneira muito consistente, mede proteínas.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
E vou mostrar como se faz uma medição de proteínas.
09:13
Basically, what we do
218
538000
2000
Basicamente, o que fazemos
09:15
is we take a drop of blood
219
540000
2000
é pegar uma gota de sangue
09:17
out of a patient,
220
542000
2000
de um paciente,
09:19
and we sort out the proteins
221
544000
2000
e arrumamos as proteínas
09:21
in the drop of blood
222
546000
2000
na gota de sangue
09:23
according to how much they weigh,
223
548000
2000
de acordo com o quanto elas pesam,
09:25
how slippery they are,
224
550000
2000
o quão escorregadias são,
09:27
and we arrange them in an image.
225
552000
3000
e as arrumamos em uma imagem.
09:30
And so we can look at literally
226
555000
2000
E podemos olhar para literalmente
09:32
hundreds of thousands of features at once
227
557000
2000
centenas de milhares de características de uma vez
09:34
out of that drop of blood.
228
559000
2000
tiradas da gota de sangue.
09:36
And we can take a different one tomorrow,
229
561000
2000
E podemos pegar uma diferente amanhã,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
e verão que suas proteínas amanhã serão diferentes -
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
serão diferentes depois de vocês comerem ou dormirem.
09:43
They really tell us what's going on there.
232
568000
3000
Elas realmente nos dizem o que está acontecendo.
09:46
And so this picture,
233
571000
2000
Então esta foto,
09:48
which looks like a big smudge to you,
234
573000
2000
que parece ser um grande borrão para vocês,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
é na verdade a coisa que me deixou empolgado sobre isso
09:54
and made me feel like we were on the right track.
236
579000
2000
e me fez sentir que estamos no caminho certo.
09:56
So if I zoom into that picture,
237
581000
2000
Se eu der um zoom nesta foto,
09:58
I can just show you what it means.
238
583000
2000
eu posso mostrar o que significa.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Arrumamos as proteínas - da esquerda para a direita
10:03
is the weight of the fragments that we're getting,
240
588000
3000
é o peso dos fragmentos que obtemos.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
E de cima para baixo é o quão escorregadias são.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Estou dando um zoom aqui para mostrar um pouco.
10:12
And so each of these lines
243
597000
2000
Então cada uma destas linhas
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
representa um sinal que recebemos de parte de uma proteína.
10:17
And you can see how the lines occur
245
602000
2000
E podem ver como as linhas ocorrem
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
em pequenos grupos de bum, bum, bum, bum, bum.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
E isso porque estamos medindo o peso tão precisamente que -
10:26
carbon comes in different isotopes,
248
611000
2000
carbono vem em diferentes isótopos,
10:28
so if it has an extra neutron on it,
249
613000
3000
então se existe um nêutron extra,
10:31
we actually measure it as a different chemical.
250
616000
4000
conseguimos medir como uma substância diferente.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Então estamos medindo cada isótopo como sendo diferente.
10:38
And so that gives you an idea
252
623000
3000
E isso dá uma ideia do quão
10:41
of how exquisitely sensitive this is.
253
626000
2000
sensível é.
10:43
So seeing this picture
254
628000
2000
Olhar para esta foto
10:45
is sort of like getting to be Galileo
255
630000
2000
é como ser Galileu
10:47
and looking at the stars
256
632000
2000
olhando para as estrelas
10:49
and looking through the telescope for the first time,
257
634000
2000
e pelo telescópio pela primeira vez,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
e de repente você diz, "Uau, é muito mais complicado do que pensávamos."
10:54
But we can see that stuff out there
259
639000
2000
Mas podemos ver as coisas
10:56
and actually see features of it.
260
641000
2000
e de fato ver suas características.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Essa é a assinatura da qual estamos tentando estabelecer padrões.
11:01
So what we do with this
262
646000
2000
Então o que fazemos com isso
11:03
is, for example, we can look at two patients,
263
648000
2000
é, por exemplo, poder olhar para dois pacientes,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
um que respondeu a uma droga e um que não respondeu a uma droga,
11:08
and ask, "What's going on differently
265
653000
2000
e pergunta, "O que está acontecendo de diferente
11:10
inside of them?"
266
655000
2000
dentro deles?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Então podemos fazer essas medições precisas o suficiente
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
para podermos olhar para os dois pacientes e ver as diferenças.
11:18
So here we have Alice in green
269
663000
2000
Aqui temos Alice em verde
11:20
and Bob in red.
270
665000
2000
e Bob em vermelho.
11:22
We overlay them. This is actual data.
271
667000
3000
Sobrepomos eles. Estes são dados reais.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Podem ver que a maioria se sobrepõe em amarelo,
11:28
but there's some things that just Alice has
273
673000
2000
mas há coisas que só Alice tem
11:30
and some things that just Bob has.
274
675000
2000
e coisas que só o Bob tem.
11:32
And if we find a pattern of things
275
677000
3000
E se achamos um padrão de coisas
11:35
of the responders to the drug,
276
680000
3000
dos que responderam à droga,
11:38
we see that in the blood,
277
683000
2000
vemos que no sangue,
11:40
they have the condition
278
685000
2000
eles têm a condição
11:42
that allows them to respond to this drug.
279
687000
2000
que lhes permite responder a esta droga.
11:44
We might not even know what this protein is,
280
689000
2000
Podemos nem saber qual é a proteína,
11:46
but we can see it's a marker
281
691000
2000
mas vemos que é ativa
11:48
for the response to the disease.
282
693000
2000
na resposta à doença.
11:53
So this already, I think,
283
698000
2000
Então penso que isso
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
é tremendamente útil em todos os tipos de medicina.
11:58
But I think this is actually
285
703000
2000
Mas acho que isso seja
12:00
just the beginning
286
705000
2000
somente o começo
12:02
of how we're going to treat cancer.
287
707000
2000
de como vamos tratar o câncer.
12:04
So let me move to cancer.
288
709000
2000
Então passarei para o câncer.
12:06
The thing about cancer --
289
711000
2000
O negócio com o câncer -
12:08
when I got into this,
290
713000
2000
quando comecei nisso,
12:10
I really knew nothing about it,
291
715000
2000
eu realmente não sabia nada a respeito,
12:12
but working with David Agus,
292
717000
2000
mas trabalhando com David Agus,
12:14
I started watching how cancer was actually being treated
293
719000
3000
comecei a obsevar como o câncer é realmente tratado
12:17
and went to operations where it was being cut out.
294
722000
3000
e fui a operações onde estava sendo removido.
12:20
And as I looked at it,
295
725000
2000
E ao olhar para isso,
12:22
to me it didn't make sense
296
727000
2000
para mim não fez sentido
12:24
how we were approaching cancer,
297
729000
2000
a maneira como estávamos abordando o câncer.
12:26
and in order to make sense of it,
298
731000
3000
E para entender isso,
12:29
I had to learn where did this come from.
299
734000
3000
eu tive que entender de onde isso vinha.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Nós tratamos câncer quase como se fosse uma doença infecciosa.
12:36
We're treating it as something that got inside of you
301
741000
2000
Tratamos isso como se fosse algo que entrou em você
12:38
that we have to kill.
302
743000
2000
e que temos que matar.
12:40
So this is the great paradigm.
303
745000
2000
Então este é o grande paradigma.
12:42
This is another case
304
747000
2000
Este é outro caso
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
onde o paradigma teórico em biologia deu certo -
12:46
was the germ theory of disease.
306
751000
3000
a teoria do germe da doença.
12:49
So what doctors are mostly trained to do
307
754000
2000
Os médicos são em geral treinados
12:51
is diagnose --
308
756000
2000
para diagnosticar -
12:53
that is, put you into a category
309
758000
2000
ou seja, colocá-lo em uma categoria -
12:55
and apply a scientifically proven treatment
310
760000
2000
e aplicar um tratamento cientificamente comprovado
12:57
for that diagnosis --
311
762000
2000
para aquele diagnóstico.
12:59
and that works great for infectious diseases.
312
764000
3000
E isso funciona bem com doenças infecciosas.
13:02
So if we put you in the category
313
767000
2000
Então se o colocarmos na categoria
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
de que você tem sífilis, podemos dar penicilina.
13:07
We know that that works.
315
772000
2000
Sabemos que isso funciona.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Se você tem malária, damos quinina,
13:11
or some derivative of it.
317
776000
2000
ou algum derivado.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Então é para isso que os médicos são teinados.
13:16
and it's miraculous
319
781000
2000
E é miraculoso
13:18
in the case of infectious disease --
320
783000
3000
no caso de doença infecciosa -
13:21
how well it works.
321
786000
2000
o quão bem funciona.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
E muitas pessoas nesta plateia provavelmente não estariam vivas
13:26
if doctors didn't do this.
323
791000
2000
se médicos não fizessem isso.
13:28
But now let's apply that
324
793000
2000
Mas agora vamos aplicar isso
13:30
to systems diseases like cancer.
325
795000
2000
a doenças sistêmicas como o câncer.
13:32
The problem is that, in cancer,
326
797000
2000
O problema é que, em câncer,
13:34
there isn't something else
327
799000
2000
não há um intruso
13:36
that's inside of you.
328
801000
2000
dentro do seu corpo.
13:38
It's you; you're broken.
329
803000
2000
É você, você está com defeito.
13:40
That conversation inside of you
330
805000
4000
A conversa dentro de você
13:44
got mixed up in some way.
331
809000
2000
ficou atrapalhada de certa forma.
13:46
So how do we diagnose that conversation?
332
811000
2000
Então como diagnosticamos a conversa?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Bem, o que fazemos agora é dividir em partes do corpo -
13:51
you know, where did it appear? --
334
816000
3000
onde o câncer aparece -
13:54
and we put you in different categories
335
819000
2000
e colocamos você em categorias diferentes
13:56
according to the part of the body.
336
821000
2000
de acordo com a parte do corpo.
13:58
And then we do a clinical trial
337
823000
2000
Então fazemos uma teste clínico
14:00
for a drug for lung cancer
338
825000
2000
para uma droga para câncer de pulmão
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
e uma para câncer de próstata e uma para câncer de mama,
14:05
and we treat these as if they're separate diseases
340
830000
3000
e tratamos tudo como se fossem doenças separadas
14:08
and that this way of dividing them
341
833000
2000
e esta maneira de dividir
14:10
had something to do with what actually went wrong.
342
835000
2000
teve a ver com o que de fato deu errado.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
E é claro, não tem realmente muito a ver
14:14
with what went wrong
344
839000
2000
com o que deu errado.
14:16
because cancer is a failure of the system.
345
841000
3000
Porque o câncer é uma falha do sistema.
14:19
And in fact, I think we're even wrong
346
844000
2000
E acredito que estamos errados
14:21
when we talk about cancer as a thing.
347
846000
3000
quando falamos sobre câncer como uma coisa.
14:24
I think this is the big mistake.
348
849000
2000
Acho que esse é o grande erro.
14:26
I think cancer should not be a noun.
349
851000
4000
Acho que câncer não deveria ser um substantivo.
14:30
We should talk about cancering
350
855000
2000
Deveríamos falar sobre "canceriar"
14:32
as something we do, not something we have.
351
857000
3000
como algo que fazemos, não algo que temos.
14:35
And so those tumors,
352
860000
2000
Então os tumores
14:37
those are symptoms of cancer.
353
862000
2000
são sintomas do câncer.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Então seu corpo está "canceriando" o tempo todo.
14:42
but there are lots of systems in your body
355
867000
3000
Mas existem diversos sistemas em seu corpo
14:45
that keep it under control.
356
870000
2000
que o mantém sob controle.
14:47
And so to give you an idea
357
872000
2000
Então para dar uma ideia
14:49
of an analogy of what I mean
358
874000
2000
de uma analogia do que eu quero dizer
14:51
by thinking of cancering as a verb,
359
876000
3000
ao me referir ao câncer como um verbo,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
imaginem que não soubéssemos nada sobre encanamentos,
14:57
and the way that we talked about it,
361
882000
2000
e a maneira como falaríamos disso seria:
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
chegaríamos em casa e encontraríamos um vazamento na cozinha
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
e diríamos, "Oh, minha casa tem água."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Poderíamos dividir - o encanador diria, "Bem, onde está a água?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Bem, está na cozinha." "Oh, você deve ter água de cozinha."
15:12
That's kind of the level at which it is.
366
897000
3000
Este é mais ou menos o nível dela.
15:15
"Kitchen water,
367
900000
2000
"Água de cozinha?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Bem, primeiro nós vamos passar bastante o mop.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
E então sabemos que se espalharmos Draino pela cozinha
15:22
that helps.
370
907000
3000
irá ajudar.
15:25
Whereas living room water,
371
910000
2000
Enquanto que para água de sala de estar,
15:27
it's better to do tar on the roof."
372
912000
2000
é melhor passar piche no telhado."
15:29
And it sounds silly,
373
914000
2000
E parece bobo,
15:31
but that's basically what we do.
374
916000
2000
mas é basicamente o que fazemos.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
E não estou dizendo para não secar sua água se você tem câncer.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Estou dizendo que este não é realmente o problema;
15:39
that's the symptom of the problem.
377
924000
2000
este é o sintoma do problema.
15:41
What we really need to get at
378
926000
2000
O que precisamos achar
15:43
is the process that's going on,
379
928000
2000
é o processo que está acontecendo,
15:45
and that's happening at the level
380
930000
2000
e ele acontece no nível
15:47
of the proteonomic actions,
381
932000
2000
das ações proteômicas,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
acontecendo no nível do por quê o seu corpo não está se curando
15:52
in the way that it normally does?
383
937000
2000
da maneira como nomalmente o faz?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Porque normalmente seu corpo está lidando com o problema o tempo todo.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Então sua casa está lidando com vazamentos o tempo todo.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Mas está consertando-os e drenando-os e assim por diante.
16:04
So what we need
387
949000
3000
Então o que precisamos
16:07
is to have a causative model
388
952000
4000
é ter um modelo causativo
16:11
of what's actually going on,
389
956000
2000
do que de fato está acontecendo.
16:13
and proteomics actually gives us
390
958000
3000
E a proteômica nos dá
16:16
the ability to build a model like that.
391
961000
3000
a habilidade que construir um modelo como esse.
16:19
David got me invited
392
964000
2000
David conseguiu que eu desse
16:21
to give a talk at National Cancer Institute
393
966000
2000
uma palestra do Instituto Nacional do Câncer
16:23
and Anna Barker was there.
394
968000
3000
e Anna Barker estava lá.
16:27
And so I gave this talk
395
972000
2000
Então eu dei essa palestra
16:29
and said, "Why don't you guys do this?"
396
974000
3000
e disse, "Por que vocês não fazem isso?"
16:32
And Anna said,
397
977000
2000
E Anna disse,
16:34
"Because nobody within cancer
398
979000
3000
"Porque ninguém com câncer
16:37
would look at it this way.
399
982000
2000
veria desta maneira.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Mas nós iremos criar um programa
16:42
for people outside the field of cancer
401
987000
2000
para pessoas fora da área do câncer
16:44
to get together with doctors
402
989000
2000
para se juntarem com médicos
16:46
who really know about cancer
403
991000
3000
que realmente conhecem câncer
16:49
and work out different programs of research."
404
994000
4000
e trabalharem em diferentes programas de pesquisa."
16:53
So David and I applied to this program
405
998000
2000
Então David e eu nos juntamos a este programa
16:55
and created a consortium
406
1000000
2000
e criamos um consórcio
16:57
at USC
407
1002000
2000
na USC
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
onde temos os melhores oncologistas do mundo
17:02
and some of the best biologists in the world,
409
1007000
3000
e alguns dos melhores biólogos do mundo,
17:05
from Cold Spring Harbor,
410
1010000
2000
de Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
Stanford, Austin -
17:09
I won't even go through and name all the places --
412
1014000
3000
e nem vou chegar a mencionar todos os lugares -
17:12
to have a research project
413
1017000
3000
para desenvolver um projeto de pesquisa
17:15
that will last for five years
414
1020000
2000
que vai durar cinco anos
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
onde tentaremos montar um modelo de câncer como este.
17:20
We're doing it in mice first,
416
1025000
2000
Vamos usar ratos primeiro.
17:22
and we will kill a lot of mice
417
1027000
2000
E vamos matar muitos ratos
17:24
in the process of doing this,
418
1029000
2000
neste processo,
17:26
but they will die for a good cause.
419
1031000
2000
mas eles morrerão por uma boa causa.
17:28
And we will actually try to get to the point
420
1033000
3000
E vamos tentar chegar ao ponto
17:31
where we have a predictive model
421
1036000
2000
onde temos um modelo previsível
17:33
where we can understand,
422
1038000
2000
onde podemos entender,
17:35
when cancer happens,
423
1040000
2000
quando o câncer acontece,
17:37
what's actually happening in there
424
1042000
2000
o que realmente acontece lá
17:39
and which treatment will treat that cancer.
425
1044000
3000
e qual tratamento será usado para aquele câncer.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Então me permitam terminar com uma imagem
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
do que eu acredito que será o tratamento do câncer no futuro.
17:48
So I think eventually,
428
1053000
2000
Acho que no final,
17:50
once we have one of these models for people,
429
1055000
2000
uma vez que tivermos um desses modelos para pessoas,
17:52
which we'll get eventually --
430
1057000
2000
o que teremos cedo ou tarde -
17:54
I mean, our group won't get all the way there --
431
1059000
2000
digo, nosso grupo não irá chegar até o final -
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
mas cedo ou tarde teremos um bom modelo de computador -
17:59
sort of like a global climate model for weather.
433
1064000
3000
tipo o modelo climático global para o clima.
18:02
It has lots of different information
434
1067000
3000
Tem muitas informações diferentes
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
sobre qual é o processo acontecendo nesta conversa sobre proteômica
18:08
on many different scales.
436
1073000
2000
em muitas escalas diferentes.
18:10
And so we will simulate
437
1075000
2000
Então iremos simular
18:12
in that model
438
1077000
2000
neste modelo
18:14
for your particular cancer --
439
1079000
3000
o seu câncer em particular -
18:17
and this also will be for ALS,
440
1082000
2000
e também servirá para esclerose lateral amiotrófica,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
ou quaisquer outras doenças neurodegenerativas,
18:22
things like that --
442
1087000
2000
coisas como -
18:24
we will simulate
443
1089000
2000
vamos simular
18:26
specifically you,
444
1091000
2000
especificamente você,
18:28
not just a generic person,
445
1093000
2000
não uma pessoa genérica,
18:30
but what's actually going on inside you.
446
1095000
2000
mas sim o que está realmente acontecendo dentro de você.
18:32
And in that simulation, what we could do
447
1097000
2000
E nesta simulação, o que podemos fazer
18:34
is design for you specifically
448
1099000
2000
é projetar especificamente para você
18:36
a sequence of treatments,
449
1101000
2000
a sequência de tratamentos,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
e talvez sejam tratamentos muito gentis, pequenas quantidades de drogas.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Podem ser coisas como: não coma neste dia,
18:44
or give them a little chemotherapy,
452
1109000
2000
e lhes dê um pouco de quimioterapia,
18:46
maybe a little radiation.
453
1111000
2000
talvez um pouco de radiação.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Claro que faremos cirurgias algumas vezes, e assim por diante.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Mas projetar um programa de tratamentos específicos para você
18:54
and help your body
456
1119000
3000
e ajudar o seu corpo
18:57
guide back to health --
457
1122000
3000
a voltar a ser saudável -
19:00
guide your body back to health.
458
1125000
2000
o seu corpo voltar a ser saudável.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Porque o seu corpo fará a maior parte do conserto
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
se pudermos ajudar nas áreas que não estão bem.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Nós colocamos o equivalente a talas.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
E o seu corpo tem basicamente muitos mecanismos
19:13
for fixing cancer,
463
1138000
2000
para curar o câncer,
19:15
and we just have to prop those up in the right way
464
1140000
3000
só temos que ajudar da maneira certa
19:18
and get them to do the job.
465
1143000
2000
para que o trabalho seja feito.
19:20
And so I believe that this will be the way
466
1145000
2000
Então acredito que esta será a maneira
19:22
that cancer will be treated in the future.
467
1147000
2000
que trataremos o câncer no futuro.
19:24
It's going to require a lot of work,
468
1149000
2000
Vai precisar de muito trabalho,
19:26
a lot of research.
469
1151000
2000
muita pesquisa.
19:28
There will be many teams like our team
470
1153000
3000
Haverá muitas equipes como a nossa
19:31
that work on this.
471
1156000
2000
trabalhando nisso.
19:33
But I think eventually,
472
1158000
2000
Mas acho que no final,
19:35
we will design for everybody
473
1160000
2000
vamos desenvolver para todos
19:37
a custom treatment for cancer.
474
1162000
4000
um tratamento costumizado para o câncer.
19:41
So thank you very much.
475
1166000
2000
Então, muito obrigado.
19:43
(Applause)
476
1168000
6000
(Aplausos)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com