TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Sheila Nirenberg: Uma prótese de olho para tratar cegueira
Filmed:
Readability: 4.3
470,530 views
No TEDMED, Sheila Nirenberg apresenta uma forma ousada de criar visão em pessoas com certos tipos de cegueira: conectando o nervo óptico e enviando sinais de uma câmera diretamente ao cérebro.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
Estudo como o cérebro processa
00:17
information. That is, how it takes
1
2000
2000
informação. Isto é, como ele pega
00:19
information in from the outside world, and
2
4000
2000
informação do mundo exterior e
00:21
converts it into patterns of electrical activity,
3
6000
2000
a converte em padrões de atividade elétrica,
00:23
and then how it uses those patterns
4
8000
2000
e, então, como ele usa esses padrões
00:25
to allow you to do things --
5
10000
2000
para permitir que você faça coisas --
00:27
to see, hear, to reach for an object.
6
12000
2000
ver, ouvir, alcançar um objeto.
00:29
So I'm really a basic scientist, not
7
14000
2000
Então, sou basicamente uma cientista, não
00:31
a clinician, but in the last year and a half
8
16000
2000
uma médica, mas no último ano e meio
00:33
I've started to switch over, to use what
9
18000
2000
comecei a mudar, a usar o que
00:35
we've been learning about these patterns
10
20000
2000
aprendemos sobre esses padrões
00:37
of activity to develop prosthetic devices,
11
22000
3000
de atividade para desenvolver dispositivos de prótese,
00:40
and what I wanted to do today is show you
12
25000
2000
e o que eu queria fazer hoje é mostrar a vocês
00:42
an example of this.
13
27000
2000
um exemplo disso.
00:44
It's really our first foray into this.
14
29000
2000
É realmente nossa primeira incursão nisso.
00:46
It's the development of a prosthetic device
15
31000
2000
É o desenvolvimento de um aparelho de prótese
00:48
for treating blindness.
16
33000
2000
para tratar cegueira.
00:50
So let me start in on that problem.
17
35000
2000
Deixem-me começar com o problema.
00:52
There are 10 million people in the U.S.
18
37000
2000
Há 10 milhões de pessoas nos E.U.A
00:54
and many more worldwide who are blind
19
39000
2000
e muitos mais no mundo todo que são cegos
00:56
or are facing blindness due to diseases
20
41000
2000
ou estão se tornando cegos devido a doenças
00:58
of the retina, diseases like
21
43000
2000
da retina, doenças como
01:00
macular degeneration, and there's little
22
45000
2000
degeneração macular, e pouco existe
01:02
that can be done for them.
23
47000
2000
que possa ser feito por elas.
01:04
There are some drug treatments, but
24
49000
2000
Há alguns tratamentos com medicamentos, mas
01:06
they're only effective on a small fraction
25
51000
2000
eles são eficazes para apenas uma pequena fração
01:08
of the population. And so, for the vast
26
53000
2000
da população. Assim, para a grande
01:10
majority of patients, their best hope for
27
55000
2000
maioria dos pacientes, a melhor expectativa deles
01:12
regaining sight is through prosthetic devices.
28
57000
2000
para recuperar a visão é através de dispositivos de prótese.
01:14
The problem is that current prosthetics
29
59000
2000
O problema é que as próteses atuais
01:16
don't work very well. They're still very
30
61000
2000
não funcionam muito bem. Elas ainda são
01:18
limited in the vision that they can provide.
31
63000
2000
muito limitadas no campo de visão que proporcionam.
01:20
And so, you know, for example, with these
32
65000
2000
Dessa forma, sabem, por exemplo, com esses
01:22
devices, patients can see simple things
33
67000
2000
dispositivos, os pacientes podem ver coisas simples
01:24
like bright lights and high contrast edges,
34
69000
2000
como luzes brilhantes e bordas de contrastes fortes,
01:26
not very much more, so nothing close
35
71000
2000
não muito mais, portanto, nada próximo
01:28
to normal vision has been possible.
36
73000
3000
da visão normal tem sido possível.
01:31
So what I'm going to tell you about today
37
76000
2000
Assim, aquilo sobre o que vou lhes falar hoje
01:33
is a device that we've been working on
38
78000
2000
é um dispositivo no qual estamos trabalhando
01:35
that I think has the potential to make
39
80000
2000
que, penso, tem o potencial de fazer
01:37
a difference, to be much more effective,
40
82000
2000
diferença, ser muito mais eficiente,
01:39
and what I wanted to do is show you
41
84000
2000
e o que eu queria fazer é mostrar a vocês
01:41
how it works. Okay, so let me back up a
42
86000
2000
como ele funciona. Ok, deixem-me retroceder"
01:43
little bit and show you how a normal retina
43
88000
2000
um pouquinho e mostrar a vocês primeiro como uma retina normal
01:45
works first so you can see the problem
44
90000
2000
funciona para que vocês possam ver o problema
01:47
that we were trying to solve.
45
92000
2000
que estamos tentando resolver.
01:49
Here you have a retina.
46
94000
2000
Aqui você tem um retina.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Você tem uma imagem, uma retina e um cérebro.
01:53
So when you look at something, like this image
48
98000
2000
Assim, quando você olha para algo, como esta imagem
01:55
of this baby's face, it goes into your eye
49
100000
2000
do rosto de um bebê, ela vai para seu olho
01:57
and it lands on your retina, on the front-end
50
102000
2000
e repousa na sua retina, nessas células
01:59
cells here, the photoreceptors.
51
104000
2000
frontais aqui, os fotorreceptores.
02:01
Then what happens is the retinal circuitry,
52
106000
2000
A seguir o que acontece é que o circuito da retina,
02:03
the middle part, goes to work on it,
53
108000
2000
a parte média, vai trabalhar nisso,
02:05
and what it does is it performs operations
54
110000
2000
e o que ela faz é executar operações
02:07
on it, it extracts information from it, and it
55
112000
2000
nisso, ela extrai informação disso e
02:09
converts that information into a code.
56
114000
2000
converte essa informação em um código.
02:11
And the code is in the form of these patterns
57
116000
2000
E o código é em forma desses padrões
02:13
of electrical pulses that get sent
58
118000
2000
de pulsos elétricos que são enviados
02:15
up to the brain, and so the key thing is
59
120000
2000
para o cérebro, portanto, o elemento chave é
02:17
that the image ultimately gets converted
60
122000
2000
que a imagem, em última análise, é convertida
02:19
into a code. And when I say code,
61
124000
2000
em um código. E quando digo código,
02:21
I do literally mean code.
62
126000
2000
eu literalmente me refiro a código.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Como esse padrão de pulsos aqui, na verdade, significa "rosto de bebê",
02:26
and so when the brain gets this pattern
64
131000
2000
e assim, quando o cérebro tem esse padrão
02:28
of pulses, it knows that what was out there
65
133000
2000
de pulsos, ele sabe que aquilo lá
02:30
was a baby's face, and if it
66
135000
2000
era um rosto de bebê, e se ele
02:32
got a different pattern it would know
67
137000
2000
tivesse um padrão diferente, ele saberia
02:34
that what was out there was, say, a dog,
68
139000
2000
que o que estava lá era, digamos, um cachorro,
02:36
or another pattern would be a house.
69
141000
2000
ou um outro padrão seria uma casa.
02:38
Anyway, you get the idea.
70
143000
2000
De qualquer forma, vocês entenderam a ideia.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
E, é claro, na vida real, tudo é dinâmico,
02:42
meaning that it's changing all the time,
72
147000
2000
significando que está mundando o tempo todo,
02:44
so the patterns of pulses are changing
73
149000
2000
portanto, os padrões de pulsos estão mudando
02:46
all the time because the world you're
74
151000
2000
o tempo todo porque o mundo para o qual
02:48
looking at is changing all the time too.
75
153000
3000
você está olhando está mudando o tempo todo também.
02:51
So, you know, it's sort of a complicated
76
156000
2000
Sabem, é uma coisa meio
02:53
thing. You have these patterns of pulses
77
158000
2000
complicada. Você tem esses padrões de pulsos
02:55
coming out of your eye every millisecond
78
160000
2000
vindo de seu olho a cada milissegundo
02:57
telling your brain what it is that you're seeing.
79
162000
2000
dizendo ao seu cérebro o que você está vendo.
02:59
So what happens when a person
80
164000
2000
Então, o que acontece quando uma pessoa
03:01
gets a retinal degenerative disease like
81
166000
2000
tem um doença degenerativa na retina como
03:03
macular degeneration? What happens is
82
168000
2000
a degeneração macular? O que acontece é
03:05
is that, the front-end cells die,
83
170000
2000
isso, as células frontais morrem,
03:07
the photoreceptors die, and over time,
84
172000
2000
os fotorreceptores morrem e, com o tempo,
03:09
all the cells and the circuits that are
85
174000
2000
todas as células e circuitos que estão
03:11
connected to them, they die too.
86
176000
2000
ligados a elas morrem também.
03:13
Until the only things that you have left
87
178000
2000
Até que a única coisa que resta
03:15
are these cells here, the output cells,
88
180000
2000
são essas células aqui, as células processadoras,
03:17
the ones that send the signals to the brain,
89
182000
2000
aquelas que enviam os sinais ao cérebro,
03:19
but because of all that degeneration
90
184000
2000
mas, por causa de toda essa degeneração,
03:21
they aren't sending any signals anymore.
91
186000
2000
elas não estão enviando mais nenhum sinal.
03:23
They aren't getting any input, so
92
188000
2000
Elas não estão recebendo nenhum dado, assim
03:25
the person's brain no longer gets
93
190000
2000
o cérebro da pessoa não obtém mais
03:27
any visual information --
94
192000
2000
nenhuma informação visual --
03:29
that is, he or she is blind.
95
194000
3000
ou seja, ele ou ela está cego.
03:32
So, a solution to the problem, then,
96
197000
2000
Dessa maneira, a solução para o problema, portanto,
03:34
would be to build a device that could mimic
97
199000
2000
seria construir um dispositivo que pudesse imitar
03:36
the actions of that front-end circuitry
98
201000
2000
as ações desse circuito frontal
03:38
and send signals to the retina's output cells,
99
203000
2000
e enviar sinais para as células processadoras da retina,
03:40
and they can go back to doing their
100
205000
2000
para que elas possam voltar a fazer seu
03:42
normal job of sending signals to the brain.
101
207000
2000
trabalho normal de enviar sinais ao cérebro.
03:44
So this is what we've been working on,
102
209000
2000
Assim, isto é aquilo em que estivemos trabalhando
03:46
and this is what our prosthetic does.
103
211000
2000
e isto é o que nossa prótese faz.
03:48
So it consists of two parts, what we call
104
213000
2000
Ela consiste de duas partes que chamamos
03:50
an encoder and a transducer.
105
215000
2000
de codificador e transdutor.
03:52
And so the encoder does just
106
217000
2000
Assim, o codificador faz exatamente
03:54
what I was saying: it mimics the actions
107
219000
2000
o que eu dizia: ele imita as ações
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
do circuito frontal -- ele pega imagens
03:58
in and converts them into the retina's code.
109
223000
2000
e as converte no código da retina.
04:00
And then the transducer then makes the
110
225000
2000
E, a seguir, o transdutor faz
04:02
output cells send the code on up
111
227000
2000
as células processadoras enviarem o código
04:04
to the brain, and the result is
112
229000
2000
ao cérebro, e o resultado é
04:06
a retinal prosthetic that can produce
113
231000
3000
uma prótese da retina que pode produzir
04:09
normal retinal output.
114
234000
2000
os efeitos normais da retina.
04:11
So a completely blind retina,
115
236000
2000
Assim, uma retina completamente cega,
04:13
even one with no front-end circuitry at all,
116
238000
2000
mesmo uma sem nenhum circuito frontal,
04:15
no photoreceptors,
117
240000
2000
sem fotorreceptores,
04:17
can now send out normal signals,
118
242000
2000
pode agora enviar sinais normais,
04:19
signals that the brain can understand.
119
244000
3000
sinais que o cérebro pode entender.
04:22
So no other device has been able
120
247000
2000
Nenhum outro dispositivo foi capaz
04:24
to do this.
121
249000
2000
de fazer isto.
04:26
Okay, so I just want to take
122
251000
2000
Ok, eu queria apenas usar
04:28
a sentence or two to say something about
123
253000
2000
uma ou duas frases para dizer algo sobre
04:30
the encoder and what it's doing, because
124
255000
2000
o codificador e o que ele faz, porque
04:32
it's really the key part and it's
125
257000
2000
ele é realmente a parte chave e
04:34
sort of interesting and kind of cool.
126
259000
2000
é interessante e legal.
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
Não sei se "legal" é na verdade a palavra certa, mas
04:38
you know what I mean.
128
263000
2000
vocês sabem o que quero dizer.
04:40
So what it's doing is, it's replacing
129
265000
2000
Então, o que ele está fazendo é substituir
04:42
the retinal circuitry, really the guts of
130
267000
2000
o circuito da retina, na verdade, as entranhas do
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
circuito da retina, por um conjunto de equações,
04:46
a set of equations that we can implement
132
271000
2000
um conjunto de equações que podemos acrescentar
04:48
on a chip. So it's just math.
133
273000
2000
a um chip. Assim é apenas matemática.
04:50
In other words, we're not literally replacing
134
275000
3000
Em outras palavras, não estamos literalmente substituindo
04:53
the components of the retina.
135
278000
2000
os componentes da retina.
04:55
It's not like we're making a little mini-device
136
280000
2000
Não é como se estivéssemos fazendo pequeninos minidispositivos
04:57
for each of the different cell types.
137
282000
2000
para cada um dos diferentes tipos de células.
04:59
We've just abstracted what the
138
284000
2000
Apenas abstraímos o que
05:01
retina's doing with a set of equations.
139
286000
2000
a retina faz com um conjunto de equações.
05:03
And so, in a way, the equations are serving
140
288000
2000
E assim, de certa forma, as equações estão servindo
05:05
as sort of a codebook. An image comes in,
141
290000
2000
como um tipo de codificador. Uma imagem surge,
05:07
goes through the set of equations,
142
292000
3000
passa pelo conjunto de equações
05:10
and out comes streams of electrical pulses,
143
295000
2000
e saem correntes de pulsos elétricos,
05:12
just like a normal retina would produce.
144
297000
4000
exatamente como uma retina normal produziria.
05:16
Now let me put my money
145
301000
2000
Agora deixem-me ser coerente
05:18
where my mouth is and show you that
146
303000
2000
com minhas afirmações e mostrar-lhes que
05:20
we can actually produce normal output,
147
305000
2000
podemos realmente produzir resultados normais
05:22
and what the implications of this are.
148
307000
2000
e quais são as implicações disso.
05:24
Here are three sets of
149
309000
2000
Aqui estão três conjuntos de
05:26
firing patterns. The top one is from
150
311000
2000
padrões de acendimento. O do topo é de
05:28
a normal animal, the middle one is from
151
313000
2000
um animal normal, o do meio é de um
05:30
a blind animal that's been treated with
152
315000
2000
animal cego que está sendo tratado com
05:32
this encoder-transducer device, and the
153
317000
2000
este dispositivo codificador-transdutor, e o
05:34
bottom one is from a blind animal treated
154
319000
2000
da base é de um animal cego tratado
05:36
with a standard prosthetic.
155
321000
2000
com uma prótese padrão.
05:38
So the bottom one is the state-of-the-art
156
323000
2000
Aquele da base é o nível mais alto de desenvolvimento
05:40
device that's out there right now, which is
157
325000
2000
do dispositivo que existe por aí agora, que é
05:42
basically made up of light detectors,
158
327000
2000
basicamente feito de detetores de luz,
05:44
but no encoder. So what we did was we
159
329000
2000
mas sem codificador. Então o que fizemos foi:
05:46
presented movies of everyday things --
160
331000
2000
apresentamos filmes de coisas cotidianas --
05:48
people, babies, park benches,
161
333000
2000
pessoas, bebês, bancos de parque,
05:50
you know, regular things happening -- and
162
335000
2000
sabem, coisas normais acontecendo -- e
05:52
we recorded the responses from the retinas
163
337000
2000
gravamos as respostas das retinas
05:54
of these three groups of animals.
164
339000
2000
desses três grupos de animais.
05:56
Now just to orient you, each box is showing
165
341000
2000
Apenas para orientá-los, cada caixa está mostrando
05:58
the firing patterns of several cells,
166
343000
2000
os padrões de acendimento de várias células
06:00
and just as in the previous slides,
167
345000
2000
e, exatamente como nos slides anteriores,
06:02
each row is a different cell,
168
347000
2000
cada linha é um célula diferente,
06:04
and I just made the pulses a little bit smaller
169
349000
2000
e apenas tornei os pulsos um pouco menores
06:06
and thinner so I could show you
170
351000
3000
e mais finos para que pudesse mostrar a vocês
06:09
a long stretch of data.
171
354000
2000
um trecho longo de dados.
06:11
So as you can see, the firing patterns
172
356000
2000
Assim, como podem ver, os padrões de acendimento
06:13
from the blind animal treated with
173
358000
2000
do animal cego tratado com
06:15
the encoder-transducer really do very
174
360000
2000
o codificador-transdutor realmente se
06:17
closely match the normal firing patterns --
175
362000
2000
aproximam muito dos padrões de acendimento normais --
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
não está perfeito, mas é bastante bom --
06:21
and the blind animal treated with
177
366000
2000
e no animal cego tratado com
06:23
the standard prosthetic,
178
368000
2000
a prótese padrão,
06:25
the responses really don't.
179
370000
2000
as respostas realmente não são boas.
06:27
And so with the standard method,
180
372000
3000
Dessa forma, com o método padrão,
06:30
the cells do fire, they just don't fire
181
375000
2000
as células de fato acendem, apenas não acendem
06:32
in the normal firing patterns because
182
377000
2000
nos padrões normais de acendimento porque
06:34
they don't have the right code.
183
379000
2000
elas não têm o código correto.
06:36
How important is this?
184
381000
2000
Quão importante é isso?
06:38
What's the potential impact
185
383000
2000
Qual é o impacto potencial
06:40
on a patient's ability to see?
186
385000
3000
na habilidade de ver de um paciente?
06:43
So I'm just going to show you one
187
388000
2000
Vou mostrar-lhes exatamente um
06:45
bottom-line experiment that answers this,
188
390000
2000
experimento de base que responde essa questão,
06:47
and of course I've got a lot of other data,
189
392000
2000
e, claro, tenho muitos outros dados,
06:49
so if you're interested I'm happy
190
394000
2000
e se estiverem interessados fico feliz
06:51
to show more. So the experiment
191
396000
2000
em mostrar-lhes. O experimento
06:53
is called a reconstruction experiment.
192
398000
2000
é chamado de experiência de reconstrução.
06:55
So what we did is we took a moment
193
400000
2000
O que fizemos foi: pegamos um momento
06:57
in time from these recordings and asked,
194
402000
3000
dessas gravações e perguntamos,
07:00
what was the retina seeing at that moment?
195
405000
2000
o que a retina estava vendo nesse momento?
07:02
Can we reconstruct what the retina
196
407000
2000
Podemos reconstruir o que a retina
07:04
was seeing from the responses
197
409000
2000
estava vendo a partir das respostas
07:06
from the firing patterns?
198
411000
2000
dos padrões de acendimento?
07:08
So, when we did this for responses
199
413000
3000
Assim, fizemos isso para respostas
07:11
from the standard method and from
200
416000
3000
do método padrão e de
07:14
our encoder and transducer.
201
419000
2000
nosso codificador e transdutor.
07:16
So let me show you, and I'm going to
202
421000
2000
Deixem-me mostrar-lhes, e vou
07:18
start with the standard method first.
203
423000
2000
começar com o método padrão primeiro.
07:20
So you can see that it's pretty limited,
204
425000
2000
Então, podem ver que é bastante limitada,
07:22
and because the firing patterns aren't
205
427000
2000
e porque os padrões de acendimento não estão
07:24
in the right code, they're very limited in
206
429000
2000
no código correto, eles são muito limitados
07:26
what they can tell you about
207
431000
2000
naquilo que conseguem captar sobre
07:28
what's out there. So you can see that
208
433000
2000
o que está lá fora. Portanto, você pode ver que
07:30
there's something there, but it's not so clear
209
435000
2000
há alguma coisa lá, mas não está tão claro
07:32
what that something is, and this just sort of
210
437000
2000
qual é essa coisa, e isso remete
07:34
circles back to what I was saying in the
211
439000
2000
exatamente ao que eu dizia
07:36
beginning, that with the standard method,
212
441000
2000
no começo, que com o método padrão
07:38
patients can see high-contrast edges, they
213
443000
2000
os pacientes podem ver bordas de alto contraste,
07:40
can see light, but it doesn't easily go
214
445000
2000
eles podem ver luz, mas não vai muito
07:42
further than that. So what was
215
447000
2000
além disso. Então qual era
07:44
the image? It was a baby's face.
216
449000
3000
a imagem? Era um rosto de bebê.
07:47
So what about with our approach,
217
452000
2000
E com a nossa abordagem,
07:49
adding the code? And you can see
218
454000
2000
adicionando o código? Podem ver
07:51
that it's much better. Not only can you
219
456000
2000
que é muito melhor. Não apenas você pode
07:53
tell that it's a baby's face, but you can
220
458000
2000
dizer que é o rosto de um bebê, mas você pode
07:55
tell that it's this baby's face, which is a
221
460000
2000
dizer que é o rosto daquele bebê, o que é
07:57
really challenging task.
222
462000
2000
uma tarefa realmente desafiadora.
07:59
So on the left is the encoder
223
464000
2000
A da esquerda é do codificador
08:01
alone, and on the right is from an actual
224
466000
2000
apenas, e a da direita é de uma retina
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
cega real, daí o codificador e o transdutor.
08:05
But the key one really is the encoder alone,
226
470000
2000
Mas o elemento chave realmente é apenas o codificador,
08:07
because we can team up the encoder with
227
472000
2000
porque podemos acoplar o codificador com
08:09
the different transducer.
228
474000
2000
um transdutor diferente.
08:11
This is just actually the first one that we tried.
229
476000
2000
Este na verdade é o primeiro que testamos.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Queria apenas dizer algo sobre o método padrão.
08:15
When this first came out, it was just a really
231
480000
2000
Quando isto surgiu, era realmente
08:17
exciting thing, the idea that you
232
482000
2000
uma coisa entusiasmante, a ideia de que você
08:19
even make a blind retina respond at all.
233
484000
3000
fizesse mesmo uma retina cega responder.
08:22
But there was this limiting factor,
234
487000
3000
Mas havia esse fator limitante,
08:25
the issue of the code, and how to make
235
490000
2000
a questão do código, e como fazer
08:27
the cells respond better,
236
492000
2000
as células responder melhor,
08:29
produce normal responses,
237
494000
2000
produzir respostas normais,
08:31
and so this was our contribution.
238
496000
2000
então essa foi nossa contribuição.
08:33
Now I just want to wrap up,
239
498000
2000
Agora, gostaria de resumir,
08:35
and as I was mentioning earlier
240
500000
2000
e como mencionei anteriormente,
08:37
of course I have a lot of other data
241
502000
2000
claro, tenho muitos outros dados
08:39
if you're interested, but I just wanted to give
242
504000
2000
se estiverem interessados, mas queria dar
08:41
this sort of basic idea
243
506000
2000
esse tipo de ideia básica
08:43
of being able to communicate
244
508000
3000
de ser capaz de comunicar
08:46
with the brain in its language, and
245
511000
2000
com o cérebro na linguagem dele, e
08:48
the potential power of being able to do that.
246
513000
3000
o poder potencial de ser capaz de fazer isso.
08:51
So it's different from the motor prosthetics
247
516000
2000
É diferente da prótese motora,
08:53
where you're communicating from the brain
248
518000
2000
na qual você se comunica do cérebro
08:55
to a device. Here we have to communicate
249
520000
2000
para o dispositivo. Aqui temos que comunicar
08:57
from the outside world
250
522000
2000
do mundo exterior
08:59
into the brain and be understood,
251
524000
2000
para o cérebro e ser entendidos,
09:01
and be understood by the brain.
252
526000
2000
e ser entendidos pelo cérebro.
09:03
And then the last thing I wanted
253
528000
2000
E assim, a última coisa que eu queria
09:05
to say, really, is to emphasize
254
530000
2000
dizer, realmente, é enfatizar
09:07
that the idea generalizes.
255
532000
2000
que a ideia se generaliza.
09:09
So the same strategy that we used
256
534000
2000
Dessa forma, a mesma estratégia que usamos
09:11
to find the code for the retina we can also
257
536000
2000
para encontrar o código para a retina podemos também
09:13
use to find the code for other areas,
258
538000
2000
usar para achar o código para outras áreas,
09:15
for example, the auditory system and
259
540000
2000
por exemplo, o sistema auditivo e
09:17
the motor system, so for treating deafness
260
542000
2000
o sistema motor, para tratar surdez
09:19
and for motor disorders.
261
544000
2000
e desordens motoras.
09:21
So just the same way that we were able to
262
546000
2000
Exatamente da mesma forma que fomos capazes
09:23
jump over the damaged
263
548000
2000
de saltar sobre o circuito
09:25
circuitry in the retina to get to the retina's
264
550000
2000
danificado na retina para atingir as células
09:27
output cells, we can jump over the
265
552000
2000
processadoras da retina, podemos saltar o
09:29
damaged circuitry in the cochlea
266
554000
2000
circuito danificado da cóclea
09:31
to get the auditory nerve,
267
556000
2000
para chegar ao nervo auditivo,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
ou saltar sobre áreas danificadas no córtex,
09:35
in the motor cortex, to bridge the gap
269
560000
3000
no córtex motor, para contornar uma sequela
09:38
produced by a stroke.
270
563000
2000
produzida por uma apoplexia.
09:40
I just want to end with a simple
271
565000
2000
Queria finalizar com a simples
09:42
message that understanding the code
272
567000
2000
mensagem de que entender o código
09:44
is really, really important, and if we
273
569000
2000
é realmente, realmente importante, e se
09:46
can understand the code,
274
571000
2000
podemos entender o código,
09:48
the language of the brain, things become
275
573000
2000
a linguagem do cérebro, as coisas se tornam
09:50
possible that didn't seem obviously
276
575000
2000
possíveis quando não pareciam obviamente
09:52
possible before. Thank you.
277
577000
2000
possíveis antes. Obrigada
09:54
(Applause)
278
579000
5000
(Aplausos)
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com