TEDGlobal 2011
Allan Jones: A map of the brain
Allan Jones: Um mapa do cérebro
Filmed:
Readability: 4.4
1,269,611 views
Como podemos começar a entender de que maneira o cérebro funciona? Da mesma maneira que começamos a entender uma cidade: fazendo um mapa. Em sua surpreendente palestra visual, Allan Jones mostra como sua equipe está mapeando quais genes estão ativos em cada pequena região cerebral, e de que forma tudo se conecta.
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
Há tempos os homens têm uma fascinação
00:17
for the human brain.
1
2000
2000
pelo cérebro humano.
00:19
We chart it, we've described it,
2
4000
3000
Nós o traçamos, nós o descrevemos,
00:22
we've drawn it,
3
7000
2000
nós o desenhamos,
00:24
we've mapped it.
4
9000
3000
nós o mapeamos.
00:27
Now just like the physical maps of our world
5
12000
3000
Da mesma forma como os mapas físicos de nosso mundo
00:30
that have been highly influenced by technology --
6
15000
3000
que foram muito influenciados pela tecnologia --
00:33
think Google Maps,
7
18000
2000
pensem nos Google Maps,
00:35
think GPS --
8
20000
2000
pensem no GPS --
00:37
the same thing is happening for brain mapping
9
22000
2000
a mesma coisa está acontecendo no mapeamento cerebral
00:39
through transformation.
10
24000
2000
por meio de transformação.
00:41
So let's take a look at the brain.
11
26000
2000
Então vamos dar uma olhada no cérebro.
00:43
Most people, when they first look at a fresh human brain,
12
28000
3000
A maioria das pessoas, ao olhar pela primeira vez para um cérebro humano fresco,
00:46
they say, "It doesn't look what you're typically looking at
13
31000
3000
dizem: "Isso não parece com o que você vê
00:49
when someone shows you a brain."
14
34000
2000
quando alguém mostra um cérebro."
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
36000
3000
Normalmente, o que vocês veem é um cérebro fixado. É cinza.
00:54
And this outer layer, this is the vasculature,
16
39000
2000
E essa camada externa, é a vasculatura,
00:56
which is incredible, around a human brain.
17
41000
2000
que é incrível, ao redor do cérebro humano.
00:58
This is the blood vessels.
18
43000
2000
Esses são os vasos sanguíneos.
01:00
20 percent of the oxygen
19
45000
3000
20 por cento do oxigênio
01:03
coming from your lungs,
20
48000
2000
que vêm de seus pulmões,
01:05
20 percent of the blood pumped from your heart,
21
50000
2000
20 por cento do sangue bombeado pelo seu coração,
01:07
is servicing this one organ.
22
52000
2000
estão servindo a esse único órgão.
01:09
That's basically, if you hold two fists together,
23
54000
2000
Basicamente, se você apertar dois punhos juntos,
01:11
it's just slightly larger than the two fists.
24
56000
2000
ele será um pouco maior do que esses dois punhos.
01:13
Scientists, sort of at the end of the 20th century,
25
58000
3000
Os cientistas, perto do fim do século 20,
01:16
learned that they could track blood flow
26
61000
2000
aprenderam que podiam rastrear o fluxo sanguíneo
01:18
to map non-invasively
27
63000
3000
para mapear de forma não invasiva
01:21
where activity was going on in the human brain.
28
66000
3000
onde a atividade estava ocorrendo no cérebro humano.
01:24
So for example, they can see in the back part of the brain,
29
69000
3000
Então por exemplo, eles podem ver na parte de trás do cérebro,
01:27
which is just turning around there.
30
72000
2000
que está virando aqui.
01:29
There's the cerebellum; that's keeping you upright right now.
31
74000
2000
Eis o cerebelo. Isso que está mantendo vocês sentados agora.
01:31
It's keeping me standing. It's involved in coordinated movement.
32
76000
3000
Ele está me mantendo de pé. Está envolvido em movimentos coordenados.
01:34
On the side here, this is temporal cortex.
33
79000
3000
Aqui do lado, está o córtex temporal.
01:37
This is the area where primary auditory processing --
34
82000
3000
Essa é a área onde ocorre o processamento auditivo primário --
01:40
so you're hearing my words,
35
85000
2000
então vocês escutam minhas palavras,
01:42
you're sending it up into higher language processing centers.
36
87000
2000
e as enviam para centros de processamento de linguagem superiores.
01:44
Towards the front of the brain
37
89000
2000
Em direção à frente do cérebro
01:46
is the place in which all of the more complex thought, decision making --
38
91000
3000
está o lugar de todos os pensamentos mais complexos, tomada de decisão --
01:49
it's the last to mature in late adulthood.
39
94000
4000
é o último a amadurecer na fase adulta.
01:53
This is where all your decision-making processes are going on.
40
98000
3000
É aqui onde todos os processos de tomada de decisão acontecem.
01:56
It's the place where you're deciding right now
41
101000
2000
É o lugar onde você decide agora mesmo
01:58
you probably aren't going to order the steak for dinner.
42
103000
3000
se você vai pedir bife para o jantar.
02:01
So if you take a deeper look at the brain,
43
106000
2000
Então se você der uma olhada mais profunda no cérebro
02:03
one of the things, if you look at it in cross-section,
44
108000
2000
uma das coisas, se você observá-lo nessa seção,
02:05
what you can see
45
110000
2000
o que você pode ver
02:07
is that you can't really see a whole lot of structure there.
46
112000
3000
é que não pode realmente ver um monte de estruturas aqui.
02:10
But there's actually a lot of structure there.
47
115000
2000
Mas há realmente um monte de estruturas aqui.
02:12
It's cells and it's wires all wired together.
48
117000
2000
Suas células e suas conexões estão todas ligadas.
02:14
So about a hundred years ago,
49
119000
2000
Então, cerca de 100 anos atrás,
02:16
some scientists invented a stain that would stain cells.
50
121000
2000
alguns cientistas inventaram uma marcação que podia identificar células.
02:18
And that's shown here in the the very light blue.
51
123000
3000
E isso é mostrado aqui nesse azul bem claro.
02:21
You can see areas
52
126000
2000
Você pode ver áreas
02:23
where neuronal cell bodies are being stained.
53
128000
2000
onde corpos celulares normais estão marcados.
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
130000
3000
E você pode ver que não é muito uniforme. Você vê um monte de estruturas ali.
02:28
So the outer part of that brain
55
133000
2000
Então a parte externa desse cérebro
02:30
is the neocortex.
56
135000
2000
é o neocórtex.
02:32
It's one continuous processing unit, if you will.
57
137000
3000
É uma unidade de processamento contínuo, se preferir.
02:35
But you can also see things underneath there as well.
58
140000
2000
Mas vocês também podem ver coisas embaixo dele.
02:37
And all of these blank areas
59
142000
2000
Todas essas áreas em branco
02:39
are the areas in which the wires are running through.
60
144000
2000
são as áreas onde as conexões estão passando.
02:41
They're probably less cell dense.
61
146000
2000
Elas provavelmente são menos densas em células.
02:43
So there's about 86 billion neurons in our brain.
62
148000
4000
Então há cerca de 86 billhões de neurônios em nosso cérebro.
02:47
And as you can see, they're very non-uniformly distributed.
63
152000
3000
E como pode ver aqui, eles não estão distribuídos uniformemente.
02:50
And how they're distributed really contributes
64
155000
2000
E como eles se distribuem contribui muito
02:52
to their underlying function.
65
157000
2000
para sua função subjacente.
02:54
And of course, as I mentioned before,
66
159000
2000
E é claro, como mencionei antes,
02:56
since we can now start to map brain function,
67
161000
3000
como podemos agora começar a mapear a função cerebral,
02:59
we can start to tie these into the individual cells.
68
164000
3000
podemos começar a amarrá-las em células individuais.
03:02
So let's take a deeper look.
69
167000
2000
Então vamos dar uma olhada mais profunda.
03:04
Let's look at neurons.
70
169000
2000
Vamos olhar os neurônios.
03:06
So as I mentioned, there are 86 billion neurons.
71
171000
2000
Como mencionei, há 86 bilhões de neurônios.
03:08
There are also these smaller cells as you'll see.
72
173000
2000
Há também essas células menores como podem ver.
03:10
These are support cells -- astrocytes glia.
73
175000
2000
Elas são células de suporte -- astrócitos da glia.
03:12
And the nerves themselves
74
177000
3000
E os próprios nervos
03:15
are the ones who are receiving input.
75
180000
2000
são aqueles que recebem aferências.
03:17
They're storing it, they're processing it.
76
182000
2000
Eles estão armazenando, eles estão processando.
03:19
Each neuron is connected via synapses
77
184000
4000
Cada neurônio está conectado via sinapses
03:23
to up to 10,000 other neurons in your brain.
78
188000
3000
com até 10 mil outros neurônios em seu cérebro.
03:26
And each neuron itself
79
191000
2000
E cada neurônio sozinho
03:28
is largely unique.
80
193000
2000
é muito singular.
03:30
The unique character of both individual neurons
81
195000
2000
O caráter singular tanto de neurônios individuais
03:32
and neurons within a collection of the brain
82
197000
2000
como de neurônios dentro de um aglomerado cerebral
03:34
are driven by fundamental properties
83
199000
3000
é determinada por propriedades fundamentais
03:37
of their underlying biochemistry.
84
202000
2000
de sua bioquímica subjacente.
03:39
These are proteins.
85
204000
2000
Essas são proteínas.
03:41
They're proteins that are controlling things like ion channel movement.
86
206000
3000
São proteínas que controlam coisas como movimento de canais iônicos.
03:44
They're controlling who nervous system cells partner up with.
87
209000
4000
Elas controlam com quem as células do sistema nervoso se conectam.
03:48
And they're controlling
88
213000
2000
E elas controlam
03:50
basically everything that the nervous system has to do.
89
215000
2000
basicamente tudo o que o sistema nervoso precisa fazer.
03:52
So if we zoom in to an even deeper level,
90
217000
3000
Então se focarmos para um nível ainda mais profundo,
03:55
all of those proteins
91
220000
2000
todas essas proteínas
03:57
are encoded by our genomes.
92
222000
2000
são codificadas por nossos genomas.
03:59
We each have 23 pairs of chromosomes.
93
224000
3000
Cada um de nós tem 23 pares de cromossomos.
04:02
We get one from mom, one from dad.
94
227000
2000
Nós recebemos um da mãe e um do pai.
04:04
And on these chromosomes
95
229000
2000
E nesses cromossomos
04:06
are roughly 25,000 genes.
96
231000
2000
estão aproximadamente 25 mil genes.
04:08
They're encoded in the DNA.
97
233000
2000
Eles estão codificados no DNA.
04:10
And the nature of a given cell
98
235000
3000
E a natureza de uma determinada célula
04:13
driving its underlying biochemistry
99
238000
2000
que dirige sua bioquímica subjacente
04:15
is dictated by which of these 25,000 genes
100
240000
3000
é ditada por quais desses 25 mil genes
04:18
are turned on
101
243000
2000
são ativados
04:20
and at what level they're turned on.
102
245000
2000
e em qual nível estão ativados.
04:22
And so our project
103
247000
2000
Então nosso projeto
04:24
is seeking to look at this readout,
104
249000
3000
é tentar verificar esta leitura,
04:27
understanding which of these 25,000 genes is turned on.
105
252000
3000
e entender quais desses 25 mil genes estão ativados.
04:30
So in order to undertake such a project,
106
255000
3000
Para executar um projeto assim,
04:33
we obviously need brains.
107
258000
3000
nós precisamos de cérebros, obviamente.
04:36
So we sent our lab technician out.
108
261000
3000
Então enviamos nosso técnico de laboratório para fora.
04:39
We were seeking normal human brains.
109
264000
2000
Nós estávamos em busca de cérebros humanos normais.
04:41
What we actually start with
110
266000
2000
Nós começamos na verdade
04:43
is a medical examiner's office.
111
268000
2000
em um instituto médico legal.
04:45
This a place where the dead are brought in.
112
270000
2000
Esse é um lugar para onde os mortos são trazidos.
04:47
We are seeking normal human brains.
113
272000
2000
Nós estamos procurando cérebros humanos normais.
04:49
There's a lot of criteria by which we're selecting these brains.
114
274000
3000
Há vários critérios pelos quais selecionamos esses cérebros.
04:52
We want to make sure
115
277000
2000
Nós queremos ter certeza
04:54
that we have normal humans between the ages of 20 to 60,
116
279000
3000
de que temos humanos normais entre as idades de 20 a 60 anos,
04:57
they died a somewhat natural death
117
282000
2000
que morreram devido a morte natural
04:59
with no injury to the brain,
118
284000
2000
sem danos para o cérebro,
05:01
no history of psychiatric disease,
119
286000
2000
sem histórico de doença psiquiátrica,
05:03
no drugs on board --
120
288000
2000
sem drogas envolvidas --
05:05
we do a toxicology workup.
121
290000
2000
nós fazemos um exame toxicológico.
05:07
And we're very careful
122
292000
2000
E somos muito cuidadosos
05:09
about the brains that we do take.
123
294000
2000
com os cérebros que levamos.
05:11
We're also selecting for brains
124
296000
2000
Nós também selecionamos cérebros
05:13
in which we can get the tissue,
125
298000
2000
em que podemos retirar o tecido,
05:15
we can get consent to take the tissue
126
300000
2000
podemos conseguir o consentimento para retirar o tecido
05:17
within 24 hours of time of death.
127
302000
2000
até 24 horas depois da hora da morte.
05:19
Because what we're trying to measure, the RNA --
128
304000
3000
Pois o que estamos tentando medir, o RNA --
05:22
which is the readout from our genes --
129
307000
2000
que é a leitura de nossos genes --
05:24
is very labile,
130
309000
2000
é muito lábil,
05:26
and so we have to move very quickly.
131
311000
2000
e por isso temos de agir com rapidez.
05:28
One side note on the collection of brains:
132
313000
3000
Uma nota sobre a coleção de cérebros:
05:31
because of the way that we collect,
133
316000
2000
devido à maneira como os coletamos,
05:33
and because we require consent,
134
318000
2000
e por que pedimos consentimento,
05:35
we actually have a lot more male brains than female brains.
135
320000
3000
nós temos muito mais cérebros de homens do que de mulheres.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
323000
3000
Os homens tendem muito mais a morrer em acidentes no auge da vida.
05:41
And men are much more likely
137
326000
2000
E os homens tendem muito mais
05:43
to have their significant other, spouse, give consent
138
328000
3000
a ter uma companheira, sua esposa, que dá o consentimento,
05:46
than the other way around.
139
331000
2000
do que o inverso.
05:48
(Laughter)
140
333000
4000
(Risos)
05:52
So the first thing that we do at the site of collection
141
337000
2000
Então a primeira coisa que fazemos no local da coleta
05:54
is we collect what's called an MR.
142
339000
2000
é coletarmos o que chamamos de MR.
05:56
This is magnetic resonance imaging -- MRI.
143
341000
2000
Isso é imageamento por ressonância magnética -- MRI.
05:58
It's a standard template by which we're going to hang the rest of this data.
144
343000
3000
É uma amostra padrão pela qual vamos basear o resto dos dados.
06:01
So we collect this MR.
145
346000
2000
Então coletamos esse MR.
06:03
And you can think of this as our satellite view for our map.
146
348000
2000
E você pode pensar nisso como nossa visão de satélite de nosso mapa.
06:05
The next thing we do
147
350000
2000
A próxima coisa que fazemos
06:07
is we collect what's called a diffusion tensor imaging.
148
352000
3000
é coletar o que é chamado de imageamento por tensor de difusão.
06:10
This maps the large cabling in the brain.
149
355000
2000
Isso mapeia os cabos principais do cérebro.
06:12
And again, you can think of this
150
357000
2000
E de novo, você pode pensar nisso
06:14
as almost mapping our interstate highways, if you will.
151
359000
2000
como o mapeamento de nossas rodovias federais, se preferir.
06:16
The brain is removed from the skull,
152
361000
2000
O cérebro é removido do crânio,
06:18
and then it's sliced into one-centimeter slices.
153
363000
3000
e é então cortado em fatias de 1 centímetro.
06:21
And those are frozen solid,
154
366000
2000
E elas são congeladas,
06:23
and they're shipped to Seattle.
155
368000
2000
e são enviadas para Seattle.
06:25
And in Seattle, we take these --
156
370000
2000
E em Seattle, nós fazemos isso --
06:27
this is a whole human hemisphere --
157
372000
2000
isso é um hemisfério humano inteiro --
06:29
and we put them into what's basically a glorified meat slicer.
158
374000
2000
e o colocamos num tipo de fatiador de carne especial.
06:31
There's a blade here that's going to cut across
159
376000
2000
Há uma lâmina que corta
06:33
a section of the tissue
160
378000
2000
uma seção do tecido
06:35
and transfer it to a microscope slide.
161
380000
2000
e a transfere para uma lâmina de microscópio.
06:37
We're going to then apply one of those stains to it,
162
382000
2000
Nós vamos aplicar uma das marcações nela,
06:39
and we scan it.
163
384000
2000
e a escaneamos.
06:41
And then what we get is our first mapping.
164
386000
3000
E depois o que temos é nosso primeiro mapeamento.
06:44
So this is where experts come in
165
389000
2000
Então aqui é onde os experts entram
06:46
and they make basic anatomic assignments.
166
391000
2000
e fazem medidas anatômicas básicas.
06:48
You could consider this state boundaries, if you will,
167
393000
3000
Você pode considerar como fronteiras entre os estados, se preferir,
06:51
those pretty broad outlines.
168
396000
2000
essas lindas linhas fronteiriças.
06:53
From this, we're able to then fragment that brain into further pieces,
169
398000
4000
A partir disso, somos capazes de fragmentar esse cérebro em peças menores,
06:57
which then we can put on a smaller cryostat.
170
402000
2000
que colocamos em um criostato menor.
06:59
And this is just showing this here --
171
404000
2000
E isso está mostrado aqui --
07:01
this frozen tissue, and it's being cut.
172
406000
2000
o tecido congelado, e sendo cortado.
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
408000
3000
Isso tem 20 mícrons de espessura, mais ou menos um fio de cabelo de um bebê.
07:06
And remember, it's frozen.
174
411000
2000
E lembre-se, está congelado.
07:08
And so you can see here,
175
413000
2000
E como podem ver aqui,
07:10
old-fashioned technology of the paintbrush being applied.
176
415000
2000
a tradicional tecnologia do pincel sendo aplicada.
07:12
We take a microscope slide.
177
417000
2000
Nós usamos uma lâmina de microscópio.
07:14
Then we very carefully melt onto the slide.
178
419000
3000
Então nós a esquentamos com muito cuidado sobre a lâmina.
07:17
This will then go onto a robot
179
422000
2000
Isso vai depois para um robô
07:19
that's going to apply one of those stains to it.
180
424000
3000
que aplica uma dessas marcações nela.
07:26
And our anatomists are going to go in and take a deeper look at this.
181
431000
3000
E nossos anatomistas vão dar uma olhada mais profunda nisso.
07:29
So again this is what they can see under the microscope.
182
434000
2000
Então novamente isso é o que eles veem no microscópio.
07:31
You can see collections and configurations
183
436000
2000
Vocês podem ver coleções e configurações
07:33
of large and small cells
184
438000
2000
de células maiores e menores
07:35
in clusters and various places.
185
440000
2000
em grupos e lugares variados.
07:37
And from there it's routine. They understand where to make these assignments.
186
442000
2000
E a partir daí é rotina. Eles sabem onde fazer essas medidas.
07:39
And they can make basically what's a reference atlas.
187
444000
3000
E eles podem fazer basicamente um atlas de referência.
07:42
This is a more detailed map.
188
447000
2000
Esse é um mapa mais detalhado.
07:44
Our scientists then use this
189
449000
2000
Nossos cientistas usam isso
07:46
to go back to another piece of that tissue
190
451000
3000
para voltar para outra peça desse tecido
07:49
and do what's called laser scanning microdissection.
191
454000
2000
e fazer a chamada microdissecção por escaneamento a laser.
07:51
So the technician takes the instructions.
192
456000
3000
Então os técnicos tomam as instruções.
07:54
They scribe along a place there.
193
459000
2000
Eles delineiam um lugar ali.
07:56
And then the laser actually cuts.
194
461000
2000
E depois o laser o corta.
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
463000
3000
Vocês podem ver esse ponto azul cortando. E esse tecido cai.
08:01
You can see on the microscope slide here,
196
466000
2000
Vocês podem vê-lo na lâmina de microscópio aqui,
08:03
that's what's happening in real time.
197
468000
2000
isso é o que acontece em tempo real.
08:05
There's a container underneath that's collecting that tissue.
198
470000
3000
Há um recipiente abaixo que está coletando esse tecido.
08:08
We take that tissue,
199
473000
2000
Nós pegamos esse tecido,
08:10
we purify the RNA out of it
200
475000
2000
purificamos o RNA dele
08:12
using some basic technology,
201
477000
2000
usando alguma tecnologia básica,
08:14
and then we put a florescent tag on it.
202
479000
2000
e depois colocamos uma marca fluorescente nele.
08:16
We take that tagged material
203
481000
2000
Nós pegamos esse material marcado
08:18
and we put it on to something called a microarray.
204
483000
3000
e o colocamos em algo chamado de 'microarray'.
08:21
Now this may look like a bunch of dots to you,
205
486000
2000
Agora isso pode parecer como um monte de pontos para vocês,
08:23
but each one of these individual dots
206
488000
2000
mas cada um desses pontos individuais
08:25
is actually a unique piece of the human genome
207
490000
2000
representa um pedaço singular do genoma humano
08:27
that we spotted down on glass.
208
492000
2000
que detectamos na lâmina.
08:29
This has roughly 60,000 elements on it,
209
494000
3000
Esse tem cerca de 60 mil elementos,
08:32
so we repeatedly measure various genes
210
497000
3000
então nós medimos repetidamente vários genes
08:35
of the 25,000 genes in the genome.
211
500000
2000
dos 25 mil genes do genoma.
08:37
And when we take a sample and we hybridize it to it,
212
502000
3000
E quando tomamos uma amostra e a hibridizamos,
08:40
we get a unique fingerprint, if you will,
213
505000
2000
conseguimos uma digital singular, se preferir,
08:42
quantitatively of what genes are turned on in that sample.
214
507000
3000
quantitativa de quais genes estão ativados naquela amostra.
08:45
Now we do this over and over again,
215
510000
2000
Agora fazemos isso de novo e de novo,
08:47
this process for any given brain.
216
512000
3000
esse processo para todos os cérebros.
08:50
We're taking over a thousand samples for each brain.
217
515000
3000
Estamos coletando mil amostras para cada cérebro.
08:53
This area shown here is an area called the hippocampus.
218
518000
3000
Essa área mostrada aqui é chamada de hipocampo.
08:56
It's involved in learning and memory.
219
521000
2000
Ela está envolvida em aprendizagem e memória.
08:58
And it contributes to about 70 samples
220
523000
3000
E ela contribui com cerca de 70 amostras
09:01
of those thousand samples.
221
526000
2000
das mil amostras.
09:03
So each sample gets us about 50,000 data points
222
528000
4000
Então cada amostra nos oferece cerca de 50 mil pontos de dados
09:07
with repeat measurements, a thousand samples.
223
532000
3000
com medidas repetidas, mil amostras.
09:10
So roughly, we have 50 million data points
224
535000
2000
Então temos aproximadamente 50 milhões de pontos de dados
09:12
for a given human brain.
225
537000
2000
para cada cérebro humano.
09:14
We've done right now
226
539000
2000
Nós conseguimos agora
09:16
two human brains-worth of data.
227
541000
2000
dados completos de dois cérebros humanos.
09:18
We've put all of that together
228
543000
2000
Nós juntamos tudo
09:20
into one thing,
229
545000
2000
em uma coisa só,
09:22
and I'll show you what that synthesis looks like.
230
547000
2000
e vou mostrar a vocês como se parece a síntese.
09:24
It's basically a large data set of information
231
549000
3000
É basicamente uma grande série de informações
09:27
that's all freely available to any scientist around the world.
232
552000
3000
que está disponível gratuitamente para qualquer cientista no planeta.
09:30
They don't even have to log in to come use this tool,
233
555000
3000
Não é preciso fazer cadastro para usar essa ferramenta,
09:33
mine this data, find interesting things out with this.
234
558000
4000
analisar os dados, encontrar coisas interessantes com isso.
09:37
So here's the modalities that we put together.
235
562000
3000
Então eis as modalidades que colocamos juntas.
09:40
You'll start to recognize these things from what we've collected before.
236
565000
3000
Vocês vão reconhecer essas coisas das que já coletamos antes.
09:43
Here's the MR. It provides the framework.
237
568000
2000
Aqui está o MR. Ele fornece a estrutura.
09:45
There's an operator side on the right that allows you to turn,
238
570000
3000
Há um operador lateral à direita que permite que você vire,
09:48
it allows you to zoom in,
239
573000
2000
faça um zoom,
09:50
it allows you to highlight individual structures.
240
575000
3000
permite que você destaque estruturas individuais.
09:53
But most importantly,
241
578000
2000
Mas mais importante,
09:55
we're now mapping into this anatomic framework,
242
580000
3000
estamos agora mapeando essa estrutura anatômica,
09:58
which is a common framework for people to understand where genes are turned on.
243
583000
3000
que é uma estrutura comum para as pessoas entenderem onde os genes estão ativados.
10:01
So the red levels
244
586000
2000
Então os níveis em vermelho
10:03
are where a gene is turned on to a great degree.
245
588000
2000
são onde um gene está ativado em um nível alto.
10:05
Green is the sort of cool areas where it's not turned on.
246
590000
3000
O verde são as áreas frias onde não está ativado.
10:08
And each gene gives us a fingerprint.
247
593000
2000
E cada gene nos dá uma digital.
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
595000
5000
E lembre-se que analisamos todos os 25 mil genes do genoma
10:15
and have all of that data available.
249
600000
4000
e temos todos esses dados disponíveis.
10:19
So what can scientists learn about this data?
250
604000
2000
Então o que os cientistas podem aprender com esses dados?
10:21
We're just starting to look at this data ourselves.
251
606000
3000
Nós mesmos estamos só começando a olhar para esses dados.
10:24
There's some basic things that you would want to understand.
252
609000
3000
Há algumas coisas básicas que vocês gostariam de saber.
10:27
Two great examples are drugs,
253
612000
2000
Dois grandes exemplos são as drogas,
10:29
Prozac and Wellbutrin.
254
614000
2000
Prozac e Wellbutrin.
10:31
These are commonly prescribed antidepressants.
255
616000
3000
Eles são antidepressivos normalmente prescritos.
10:34
Now remember, we're assaying genes.
256
619000
2000
Agora lembrem-se, estamos analisando genes.
10:36
Genes send the instructions to make proteins.
257
621000
3000
Os genes enviam as instruções para fazer proteínas.
10:39
Proteins are targets for drugs.
258
624000
2000
As proteínas são alvos para as drogas.
10:41
So drugs bind to proteins
259
626000
2000
Então as drogas se ligam a proteínas
10:43
and either turn them off, etc.
260
628000
2000
e as ativam, etc.
10:45
So if you want to understand the action of drugs,
261
630000
2000
Então se você quer entender a ação das drogas,
10:47
you want to understand how they're acting in the ways you want them to,
262
632000
3000
é preciso entender como elas atuam nas maneiras que gostaríamos,
10:50
and also in the ways you don't want them to.
263
635000
2000
e também nas maneiras que não gostaríamos.
10:52
In the side effect profile, etc.,
264
637000
2000
Seus efeitos colaterais, etc.
10:54
you want to see where those genes are turned on.
265
639000
2000
Você quer ver onde esses genes são ativados.
10:56
And for the first time, we can actually do that.
266
641000
2000
E pela primeira vez, nós podemos fazer isso.
10:58
We can do that in multiple individuals that we've assayed too.
267
643000
3000
Podemos fazer isso em vários indivíduos que analisamos também.
11:01
So now we can look throughout the brain.
268
646000
3000
Então agora podemos ver através do cérebro.
11:04
We can see this unique fingerprint.
269
649000
2000
Podemos ver essa digital única.
11:06
And we get confirmation.
270
651000
2000
E obter a confirmação.
11:08
We get confirmation that, indeed, the gene is turned on --
271
653000
3000
Obtemos a confirmação de que, de fato, o gene está ativado --
11:11
for something like Prozac,
272
656000
2000
por algo como o Prozac,
11:13
in serotonergic structures, things that are already known be affected --
273
658000
3000
em estruturas serotonérgicas, coisas que já se sabia que são afetadas --
11:16
but we also get to see the whole thing.
274
661000
2000
mas também conseguimos ver o quadro completo.
11:18
We also get to see areas that no one has ever looked at before,
275
663000
2000
Podemos ver áreas que ninguém havia olhado antes,
11:20
and we see these genes turned on there.
276
665000
2000
e vemos esses genes ativados aqui.
11:22
It's as interesting a side effect as it could be.
277
667000
3000
É um efeito colateral muito interessante.
11:25
One other thing you can do with such a thing
278
670000
2000
Uma outra coisa que você pode fazer com isso
11:27
is you can, because it's a pattern matching exercise,
279
672000
3000
é que você pode, pois é um exercício de comparação de padrões,
11:30
because there's unique fingerprint,
280
675000
2000
pois há uma digital singular,
11:32
we can actually scan through the entire genome
281
677000
2000
podemos escanear o genoma completo
11:34
and find other proteins
282
679000
2000
e encontrar outras proteínas
11:36
that show a similar fingerprint.
283
681000
2000
que mostram uma digital similar.
11:38
So if you're in drug discovery, for example,
284
683000
3000
Então se você pesquisa a descoberta de novas drogas, por exemplo,
11:41
you can go through
285
686000
2000
você pode fazer
11:43
an entire listing of what the genome has on offer
286
688000
2000
uma lista completa do que o genoma tem a oferecer
11:45
to find perhaps better drug targets and optimize.
287
690000
4000
para encontrar talvez melhores drogas e otimizá-las.
11:49
Most of you are probably familiar
288
694000
2000
A maioria de vocês provavelmente conhece
11:51
with genome-wide association studies
289
696000
2000
estudos de associação de genomas
11:53
in the form of people covering in the news
290
698000
3000
na forma como as pessoas acompanham as notícias
11:56
saying, "Scientists have recently discovered the gene or genes
291
701000
3000
dizendo: "Cientistas descobriram recentemente o gene ou genes
11:59
which affect X."
292
704000
2000
que afetam X."
12:01
And so these kinds of studies
293
706000
2000
E assim esse tipo de estudos
12:03
are routinely published by scientists
294
708000
2000
são rotineiramente publicados pelos cientistas
12:05
and they're great. They analyze large populations.
295
710000
2000
e são ótimos. Eles analisam grandes populações.
12:07
They look at their entire genomes,
296
712000
2000
Eles verificam genomas inteiros,
12:09
and they try to find hot spots of activity
297
714000
2000
e tentam encontrar pontos quentes de atividade
12:11
that are linked causally to genes.
298
716000
3000
que estão ligados causalmente com genes.
12:14
But what you get out of such an exercise
299
719000
2000
Mas o que você obtém com um estudo assim
12:16
is simply a list of genes.
300
721000
2000
é apenas uma lista de genes.
12:18
It tells you the what, but it doesn't tell you the where.
301
723000
3000
Ele diz o que, mas não diz onde.
12:21
And so it's very important for those researchers
302
726000
3000
Assim é muito importante para esses pesquisadores
12:24
that we've created this resource.
303
729000
2000
que tenhamos criado esse recurso.
12:26
Now they can come in
304
731000
2000
Agora eles podem vir
12:28
and they can start to get clues about activity.
305
733000
2000
e podem começar a ter pistas sobre atividade.
12:30
They can start to look at common pathways --
306
735000
2000
Eles podem começar a olhar as vias comuns --
12:32
other things that they simply haven't been able to do before.
307
737000
3000
outros caminhos que simplesmente não podiam ver antes.
12:36
So I think this audience in particular
308
741000
3000
Então eu acho que essa audiência em particular
12:39
can understand the importance of individuality.
309
744000
3000
pode entender a importância da individualidade.
12:42
And I think every human,
310
747000
2000
E eu acho que cada humano,
12:44
we all have different genetic backgrounds,
311
749000
4000
todos nós temos contextos genéticos diferentes,
12:48
we all have lived separate lives.
312
753000
2000
todos nós vivemos vidas separadas.
12:50
But the fact is
313
755000
2000
Mas o fato é que
12:52
our genomes are greater than 99 percent similar.
314
757000
3000
nossos genomas são mais do que 99 por cento parecidos.
12:55
We're similar at the genetic level.
315
760000
3000
Nós somos parecidos no nível genético.
12:58
And what we're finding
316
763000
2000
E o que estamos descobrindo
13:00
is actually, even at the brain biochemical level,
317
765000
2000
é que, mesmo no nível da bioquímica cerebral,
13:02
we are quite similar.
318
767000
2000
nós somos muito parecidos.
13:04
And so this shows it's not 99 percent,
319
769000
2000
E isso mostra que não é 99 por cento,
13:06
but it's roughly 90 percent correspondence
320
771000
2000
mas é uma correspondência de 90 por cento
13:08
at a reasonable cutoff,
321
773000
3000
em um limite razoável,
13:11
so everything in the cloud is roughly correlated.
322
776000
2000
então tudo na nuvem está correlacionado aproximadamente.
13:13
And then we find some outliers,
323
778000
2000
E depois encontramos alguns pontos fora da curva,
13:15
some things that lie beyond the cloud.
324
780000
3000
algumas coisas que estão fora da nuvem.
13:18
And those genes are interesting,
325
783000
2000
E esses genes são interessantes,
13:20
but they're very subtle.
326
785000
2000
mas eles são muito sutis.
13:22
So I think it's an important message
327
787000
3000
Então acho que é uma mensagem importante
13:25
to take home today
328
790000
2000
para levar para casa hoje
13:27
that even though we celebrate all of our differences,
329
792000
3000
que mesmo que celebremos todas as nossas diferenças,
13:30
we are quite similar
330
795000
2000
nós somos muito parecidos
13:32
even at the brain level.
331
797000
2000
mesmo no nível cerebral.
13:34
Now what do those differences look like?
332
799000
2000
Agora como essas diferenças se parecem?
13:36
This is an example of a study that we did
333
801000
2000
Isso é um exemplo de um estudo que fizemos
13:38
to follow up and see what exactly those differences were --
334
803000
2000
para rastrear e ver como eram essas diferenças exatamente --
13:40
and they're quite subtle.
335
805000
2000
e elas são muito sutis.
13:42
These are things where genes are turned on in an individual cell type.
336
807000
4000
Essas são coisas onde os genes são ativados em um tipo de célula específico.
13:46
These are two genes that we found as good examples.
337
811000
3000
Esses são dois genes que encontramos como bons exemplos.
13:49
One is called RELN -- it's involved in early developmental cues.
338
814000
3000
Um é chamado de RELN -- está envolvido com pistas do desenvolvimento inicial.
13:52
DISC1 is a gene
339
817000
2000
O DISC1 é um gene
13:54
that's deleted in schizophrenia.
340
819000
2000
que está deletado na esquizofrenia.
13:56
These aren't schizophrenic individuals,
341
821000
2000
Esses não são indivíduos esquizofrênicos,
13:58
but they do show some population variation.
342
823000
3000
mas eles mostram alguma variação na população.
14:01
And so what you're looking at here
343
826000
2000
E o que vocês estão vendo aqui
14:03
in donor one and donor four,
344
828000
2000
no doador um e doador quatro,
14:05
which are the exceptions to the other two,
345
830000
2000
que são as exceções dos outros dois,
14:07
that genes are being turned on
346
832000
2000
é que os genes estão sendo ativados
14:09
in a very specific subset of cells.
347
834000
2000
em um grupo muito específico de células.
14:11
It's this dark purple precipitate within the cell
348
836000
3000
É esse precipitado roxo escuro dentro da célula
14:14
that's telling us a gene is turned on there.
349
839000
3000
que está nos dizendo que um gene está ativado ali.
14:17
Whether or not that's due
350
842000
2000
Se isso é ou não é devido
14:19
to an individual's genetic background or their experiences,
351
844000
2000
ao contexto genético do indivíduo ou suas experiências,
14:21
we don't know.
352
846000
2000
nós não sabemos.
14:23
Those kinds of studies require much larger populations.
353
848000
3000
Esses tipos de estudos requerem populações bem maiores.
14:28
So I'm going to leave you with a final note
354
853000
2000
Então vou deixar a vocês uma nota final
14:30
about the complexity of the brain
355
855000
3000
sobre a complexidade do cérebro
14:33
and how much more we have to go.
356
858000
2000
e quanto ainda precisamos ir.
14:35
I think these resources are incredibly valuable.
357
860000
2000
Eu acho que esses recursos são incrivelmente valiosos.
14:37
They give researchers a handle
358
862000
2000
Eles oferecem aos pesquisadores uma bússola
14:39
on where to go.
359
864000
2000
para onde ir.
14:41
But we only looked at a handful of individuals at this point.
360
866000
3000
Mas nós só olhamos para alguns indivíduos até esse ponto.
14:44
We're certainly going to be looking at more.
361
869000
2000
Certamente vamos olhar em mais.
14:46
I'll just close by saying
362
871000
2000
Eu vou apenas encerrar dizendo
14:48
that the tools are there,
363
873000
2000
que as ferramentas estão aí,
14:50
and this is truly an unexplored, undiscovered continent.
364
875000
4000
e isso é realmente um continente inexplorado e desconhecido.
14:54
This is the new frontier, if you will.
365
879000
4000
Essa é a nova fronteira, se preferir.
14:58
And so for those who are undaunted,
366
883000
2000
E para aqueles que são destemidos,
15:00
but humbled by the complexity of the brain,
367
885000
2000
mas humildes diante da complexidade do cérebro,
15:02
the future awaits.
368
887000
2000
o futuro aguarda.
15:04
Thanks.
369
889000
2000
Obrigado.
15:06
(Applause)
370
891000
9000
(Aplausos)
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