TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Дэнни Хиллз: Исследование рака с помощью протеомики
Filmed:
Readability: 3.6
465,363 views
Дэнни Хиллз предлагает новый подход к исследованию рака: протеомика, изучение белков в организме. Как объясняет Хиллз, геномика показывает составляющие нашего тела - в то время как протеомика показывает, что эти составляющие производят. Понимание того, что происходит в вашем организме на уровне белка может привести к новому пониманию рака.
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
Признаюсь, я немного нервничаю,
00:18
because I'm going to say some radical things,
1
3000
3000
потому что я собираюсь сообщить несколько радикальных идей
00:21
about how we should think about cancer differently,
2
6000
3000
о том, как мы должны рассматривать рак,
00:24
to an audience that contains a lot of people
3
9000
2000
аудитории, которая
00:26
who know a lot more about cancer than I do.
4
11000
3000
знает намного больше о раке, чем я.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Но я также заявляю, что я не так нервничаю, как должен бы,
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
потому что я уверен в своей правоте.
00:35
(Laughter)
7
20000
2000
(Смех)
00:37
And that this, in fact, will be
8
22000
2000
Я расскажу о том,
00:39
the way that we treat cancer in the future.
9
24000
3000
как мы будем лечить рак в будущем.
00:43
In order to talk about cancer,
10
28000
2000
Давайте посмотрим
00:45
I'm going to actually have to --
11
30000
3000
на этот
00:48
let me get the big slide here.
12
33000
3000
большой слайд.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Прежде всего, я постараюсь дать вам новую точку зрения на геномику.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Сначала я хочу предложить вам общую картину
00:58
of all the other things that are going on --
15
43000
3000
происходящего,
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
а затем рассказать о том, о чём вы не так много слышали, о протеомике.
01:04
Having explained those,
17
49000
2000
Это поможет нам
01:06
that will set up for what I think will be a different idea
18
51000
3000
подойти к пониманию
01:09
about how to go about treating cancer.
19
54000
2000
нового подхода лечения рака.
01:11
So let me start with genomics.
20
56000
2000
Итак, позвольте мне начать с геномики.
01:13
It is the hot topic.
21
58000
2000
Это горячая тема.
01:15
It is the place where we're learning the most.
22
60000
2000
Это то, о чём мы много слышим.
01:17
This is the great frontier.
23
62000
2000
Это передовая область.
01:19
But it has its limitations.
24
64000
3000
Но она имеет ограничения.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
В частности, вы, наверное, все знаете аналогию,
01:25
that the genome is like the blueprint of your body,
26
70000
3000
что геном - это план вашего тела.
01:28
and if that were only true, it would be great,
27
73000
2000
И если бы это было так, это было бы здорово,
01:30
but it's not.
28
75000
2000
но это не так.
01:32
It's like the parts list of your body.
29
77000
2000
Геном - это скорее список частей вашего тела.
01:34
It doesn't say how things are connected,
30
79000
2000
Он не говорит, ни о том, как вещи связаны,
01:36
what causes what and so on.
31
81000
3000
ни о том, как что работает.
01:39
So if I can make an analogy,
32
84000
2000
Проведём аналогию:
01:41
let's say that you were trying to tell the difference
33
86000
2000
скажем, вы пытаетесь выяснить разницу
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
между хорошим рестораном, рестораном здоровой пищи,
01:46
and a sick restaurant,
35
91000
2000
и забегаловкой,
01:48
and all you had was the list of ingredients
36
93000
2000
и все, что у вас есть - это список ингридиентов
01:50
that they had in their larder.
37
95000
3000
того, что у них на складе.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Например, вы пошли в ресторан французской кухни,
01:56
and you looked through it and you found
39
101000
2000
и посмотрели на список ингридиентов, и обнаружили,
01:58
they only had margarine and they didn't have butter,
40
103000
2000
что у них есть только маргарин, но нет масла,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
тогда вы могли бы сказать: "А, я понимаю, что здесь неправильно.
02:02
I can make them healthy."
42
107000
2000
Я могу это исправить."
02:04
And there probably are special cases of that.
43
109000
2000
Но это только данный конкретный случай.
02:06
You could certainly tell the difference
44
111000
2000
Вы, безусловно, можете отличить
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
китайский ресторан от французского,
02:10
by what they had in a larder.
46
115000
2000
согласно списку ингридиентов того, что у них на складе.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Такой список может сказать вам кое-что,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
но иногда выводы могут быть неправильными.
02:19
If they have tons of salt,
49
124000
2000
Если на складе ресторана хранятся тонны соли,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
вы можете предположить, что они используют слишком много соли.
02:24
But it's limited,
51
129000
2000
Но эта информация не полна,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
чтобы действительно узнать, готовит-ли этот ресторан здоровую пищу,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
вы должны её попробовать, вы должны знать, что происходит на кухне,
02:31
you need the product of all of those ingredients.
54
136000
3000
вам важен результат, который получен из всех этих компонентов.
02:34
So if I look at a person
55
139000
2000
То-же справедливо по отношению
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
к человеку и его геному.
02:39
The part of the genome that we can read
57
144000
2000
Часть генома, который мы можем прочитать -
02:41
is the list of ingredients.
58
146000
2000
это список ингридиентов.
02:43
And so indeed,
59
148000
2000
И действительно,
02:45
there are times when we can find ingredients
60
150000
2000
иногда можно найти
02:47
that [are] bad.
61
152000
2000
вредные ингредиенты.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Муковисцидоз (кистозный фиброз) является примером заболевания,
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
обусловленного наличием плохих ингредиентов,
02:54
and we can actually make a direct correspondence
64
159000
3000
в этом случае действительно можно провести прямое соответствие
02:57
between the ingredient and the disease.
65
162000
3000
между ингридиентами и болезнью.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Но в большинстве случаев, нам нужно знать "что происходит на кухне",
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
потому что большинство больных людей были прежде здоровы -
03:05
they have the same genome.
68
170000
2000
геном остался тем-же.
03:07
So the genome really tells you much more
69
172000
2000
Геном в основном может сказать что-то
03:09
about predisposition.
70
174000
2000
о предрасположенности.
03:11
So what you can tell
71
176000
2000
Вы можете увидеть
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
разницу между азиатом и европейцем,
03:15
by looking at their ingredients list.
73
180000
2000
глядя на их список ингридиентов.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Но отличить
03:20
between a healthy person and a sick person --
75
185000
3000
здорового человека от больного практически невозможно,
03:23
except in some of these special cases.
76
188000
2000
за исключением некоторых частных случаев.
03:25
So why all the big deal
77
190000
2000
Так почему-же столько
03:27
about genetics?
78
192000
2000
шума вокруг генетики?
03:29
Well first of all,
79
194000
2000
Ну, прежде всего потому,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
что мы можем читать геном, что само по себе замечательно.
03:34
It is very useful in certain circumstances.
81
199000
3000
Это очень полезно в определенных обстоятельствах.
03:37
It's also the great theoretical triumph
82
202000
3000
Это также большое теоретическое достижение
03:40
of biology.
83
205000
2000
биологии.
03:42
It's the one theory
84
207000
2000
Это одна из теорий,
03:44
that the biologists ever really got right.
85
209000
2000
которую биологи действительно построили правильно.
03:46
It's fundamental to Darwin
86
211000
2000
Она подтверждает теории Дарвина,
03:48
and Mendel and so on.
87
213000
2000
Менделя и других.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Она позволила предсказывать теоретические построения.
03:54
So Mendel had this idea of a gene
89
219000
2000
Мендель ввёл понятие гена
03:56
as an abstract thing,
90
221000
3000
на абстрактном уровне.
03:59
and Darwin built a whole theory
91
224000
2000
Дарвин построил целую теорию,
04:01
that depended on them existing,
92
226000
2000
основываясь на существовании генов.
04:03
and then Watson and Crick
93
228000
2000
А потом Уотсон и Крик
04:05
actually looked and found one.
94
230000
2000
на самом деле нашли ген.
04:07
So this happens in physics all the time.
95
232000
2000
Такое происходит в физике все время.
04:09
You predict a black hole,
96
234000
2000
Вы предсказываете существование чёрной дыры,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
смотрите в телескоп и видите всё так, как вы и предполагали.
04:14
But it rarely happens in biology.
98
239000
2000
Но в биологии такое случается редко.
04:16
So this great triumph -- it's so good,
99
241000
3000
Так что это большая победа -
04:19
there's almost a religious experience
100
244000
2000
это почти религиозное чудо
04:21
in biology.
101
246000
2000
в области биологии.
04:23
And Darwinian evolution
102
248000
2000
И Дарвиновская теория
04:25
is really the core theory.
103
250000
3000
стоит в основе всего.
04:30
So the other reason it's been very popular
104
255000
2000
Другая причина, почему генетика так популярна,
04:32
is because we can measure it, it's digital.
105
257000
3000
это потому, что мы можем её измерять, она цифровая.
04:35
And in fact,
106
260000
2000
Благодаря
04:37
thanks to Kary Mullis,
107
262000
2000
Кэри Маллис,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
вы, в сущности, можете измерить ваш геном в кухне,
04:43
with a few extra ingredients.
109
268000
3000
используя несколько дополнительных ингридиентов.
04:46
So for instance, by measuring the genome,
110
271000
3000
Именно путем измерения генома
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
мы узнали много нового о том, как мы связаны с другими видами животных,
04:53
by the closeness of our genome,
112
278000
3000
насколько близки наши геномы,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
или как мы связаны друг с другом - генеалогическое дерево,
04:59
or the tree of life.
114
284000
2000
или древо жизни.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Огромый объем информации о генетике
05:04
just by comparing the genetic similarity.
116
289000
3000
можно получить только путем сопоставления генетического сходства.
05:07
Now of course, in medical application,
117
292000
2000
Ну и естественно, в медицинских приложениях,
05:09
that is very useful
118
294000
2000
она очень полезна,
05:11
because it's the same kind of information
119
296000
3000
потому что эту-же информацию
05:14
that the doctor gets from your family medical history --
120
299000
3000
получает врач из вашей семейной истории болезни -
05:17
except probably,
121
302000
2000
за исключением того,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
что ваш геном знает гораздо больше о вашей медицинской истории, чем вы.
05:22
And so by reading the genome,
123
307000
2000
И поэтому, читая геном,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
мы можем узнать гораздо больше о своей семье, чем уже, наверное, знаем.
05:27
And so we can discover things
125
312000
2000
Таким образом мы можем обнаружить вещи,
05:29
that probably you could have found
126
314000
2000
которые, вероятно, мы могли бы найти,
05:31
by looking at enough of your relatives,
127
316000
2000
глядя на большое количество родственников,
05:33
but they may be surprising.
128
318000
3000
но они могут быть удивительно интересными.
05:36
I did the 23andMe thing
129
321000
2000
Я протестировался на 23andMe,
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
и был очень удивлен, узнав, что я толстый и лысый.
05:41
(Laughter)
131
326000
7000
(Смех в зале)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Но иногда вы можете узнать гораздо больше полезных вещей.
05:51
But mostly
133
336000
3000
В сущности,
05:54
what you need to know, to find out if you're sick,
134
339000
2000
чтобы узнать не больны-ли вы,
05:56
is not your predispositions,
135
341000
2000
вам нужно знать не ваши предрасположенности,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
а то, что происходит в вашем теле в данный момент.
06:01
So to do that, what you really need to do,
137
346000
2000
Таким образом,
06:03
you need to look at the things
138
348000
2000
вам нужно узнать,
06:05
that the genes are producing
139
350000
2000
что гены производят
06:07
and what's happening after the genetics,
140
352000
2000
и что происходит после этого.
06:09
and that's what proteomics is about.
141
354000
2000
Это то, чем занимается протеомика.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Так же, как генетика занимается генами,
06:14
proteomics is the study of all the proteins.
143
359000
3000
протеомика занимается белками.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Белки, маленькие частички вашего организма,
06:19
that are signaling between the cells --
145
364000
3000
обмениваются сигналами между клетками -
06:22
actually, the machines that are operating --
146
367000
2000
это на самом деле машины, которые работают.
06:24
that's where the action is.
147
369000
2000
Вот где происходит действие.
06:26
Basically, a human body
148
371000
3000
В сущности, в человеческом теле
06:29
is a conversation going on,
149
374000
3000
происходит разговор,
06:32
both within the cells and between the cells,
150
377000
3000
как в клетках, так и между ними;
06:35
and they're telling each other to grow and to die,
151
380000
3000
клетки сами решают, кому из них расти, а кому умирать.
06:38
and when you're sick,
152
383000
2000
Когда вы больны,
06:40
something's gone wrong with that conversation.
153
385000
2000
это значит что-то нарушилось в этой коммуникации.
06:42
And so the trick is --
154
387000
2000
Загвоздка в том,
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
что, к сожалению, у нас нет простого способа измерить эту коммуникацию,
06:47
like we can measure the genome.
156
392000
2000
так, как мы можем измерить геном.
06:49
So the problem is that measuring --
157
394000
3000
Таким образом, проблема в измерении -
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
если попытаться измерить все белки, вы поймёте, что это очень сложный процесс.
06:55
It requires hundreds of steps,
159
400000
2000
Он требует сотни шагов
06:57
and it takes a long, long time.
160
402000
2000
и занимает длительное время.
06:59
And it matters how much of the protein it is.
161
404000
2000
И количество белка имеет большое значение.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Если белок изменился на 10 процентов, это сильно меняет результат,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
так что работать с этим не так легко, как с цифровой ДНК.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Предположим, кто-то находится в процессе
07:09
of this very long stage,
165
414000
2000
этого длительного замера,
07:11
they pause for just a moment,
166
416000
2000
он делает паузу всего на мгновение,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
оставляя что-то в ферменте на секунду,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
и вдруг все измерения с того момента
07:17
don't work.
169
422000
2000
изменяются.
07:19
And so then people get very inconsistent results
170
424000
2000
Люди получают очень противоречивые результаты,
07:21
when they do it this way.
171
426000
2000
проделывая измерения таким образом.
07:23
People have tried very hard to do this.
172
428000
2000
Люди уже очень давно старались это сделать.
07:25
I tried this a couple of times
173
430000
2000
Я тоже пробовал несколько раз,
07:27
and looked at this problem and gave up on it.
174
432000
2000
но сдался.
07:29
I kept getting this call from this oncologist
175
434000
2000
Мне несколько раз звонил один онколог
07:31
named David Agus.
176
436000
2000
по имени Дэвид Эйгас.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Наша фирма, "Applied Minds", получает много звонков
07:36
from people who want help with their problems,
178
441000
2000
от людей, которые ищут помощи в решении своих задач,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
и я не собирался
07:41
so I kept on giving him to the delay list.
180
446000
3000
в скором времени ему перезванивать.
07:44
And then one day,
181
449000
2000
А потом, в один прекрасный день,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
мне звонят Джон Дерр, Билл Беркман
07:48
and Al Gore on the same day
183
453000
2000
и Альберт Гор,
07:50
saying return David Agus's phone call.
184
455000
2000
и все требуют перезвонить Дэвиду Эйгасу.
07:52
(Laughter)
185
457000
2000
(Смех в зале)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Я подумал: "Хорошо. Этот парень, по крайней мере из находчивых".
07:56
(Laughter)
187
461000
4000
(Смех в зале)
08:00
So we started talking,
188
465000
2000
Мы начали говорить,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
и он сказал: "Мне очень нужен надёжный способ замера белков."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Я ответил: "Пробовали. Знаем.
08:07
Not going to be easy."
191
472000
2000
Это не легко."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Он: "Нет, Вы меня не поняли. Мне действительно это нужно.
08:11
I mean, I see patients dying every day
193
476000
4000
Я вижу пациентов, которые умирают каждый день,
08:15
because we don't know what's going on inside of them.
194
480000
3000
потому что мы не знаем, что происходит внутри них.
08:18
We have to have a window into this."
195
483000
2000
Мы должны заглянуть внутрь."
08:20
And he took me through
196
485000
2000
Он привёл конкретные примеры,
08:22
specific examples of when he really needed it.
197
487000
3000
когда это действительно было нужно.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
И я понял, что это было-бы большим прорывом,
08:27
if we could do it,
199
492000
2000
если бы мы могли это сделать.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
И поэтому я сказал: "Давайте попробуем".
08:31
Applied Minds has enough play money
201
496000
2000
У "Applied Minds" есть неплохой бюджет,
08:33
that we can go and just work on something
202
498000
2000
который позволяет нам работать над чем-то,
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
не получая ничьего разрешения или финансирования.
08:38
So we started playing around with this.
204
503000
2000
Так мы начали эту разработку.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Работая над этим проектом, мы поняли, это основная проблема -
08:43
that taking the sip of coffee --
206
508000
2000
это глоток кофе -
08:45
that there were humans doing this complicated process
207
510000
2000
то есть люди, выполняющие этот сложный процесс,
08:47
and that what really needed to be done
208
512000
2000
и что необходимо автоматизировать этот процесс,
08:49
was to automate this process like an assembly line
209
514000
3000
как конвейер,
08:52
and build robots
210
517000
2000
и построить робота,
08:54
that would measure proteomics.
211
519000
2000
который будет измерять белки.
08:56
And so we did that,
212
521000
2000
Мы так и сделали.
08:58
and working with David,
213
523000
2000
Работая с Дэвидом,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
мы организовали небольшую компанию, под названием "Applied Proteomics",
09:03
which makes this robotic assembly line,
215
528000
3000
которая изготавливает эту автоматическую сборочную линию,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
позволяющую производить последовательные замеры белка.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Я покажу вам, как выглядят такие замеры белка.
09:13
Basically, what we do
218
538000
2000
В общем, что мы делаем -
09:15
is we take a drop of blood
219
540000
2000
берём каплю крови
09:17
out of a patient,
220
542000
2000
у пациента,
09:19
and we sort out the proteins
221
544000
2000
и сортируем белки
09:21
in the drop of blood
222
546000
2000
в этой капле
09:23
according to how much they weigh,
223
548000
2000
по тому, сколько они весят,
09:25
how slippery they are,
224
550000
2000
насколько они скользкие,
09:27
and we arrange them in an image.
225
552000
3000
и строим изображение.
09:30
And so we can look at literally
226
555000
2000
Таким образом, мы сразу можем видеть
09:32
hundreds of thousands of features at once
227
557000
2000
сотни тысяч характеристик
09:34
out of that drop of blood.
228
559000
2000
этой капли крови.
09:36
And we can take a different one tomorrow,
229
561000
2000
Мы можем взять другую каплю завтра,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
и назавтра ваши белки будут другими -
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
они изменяются после еды или после сна.
09:43
They really tell us what's going on there.
232
568000
3000
Они действительно говорят нам, что происходит в организме.
09:46
And so this picture,
233
571000
2000
Эта фотография,
09:48
which looks like a big smudge to you,
234
573000
2000
которая вам кажется просто большим пятном,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
на самом деле меня очень взволновала,
09:54
and made me feel like we were on the right track.
236
579000
2000
и дала мне ощущение, что мы на правильном пути.
09:56
So if I zoom into that picture,
237
581000
2000
Если я увеличу эту картинку,
09:58
I can just show you what it means.
238
583000
2000
я смогу показать вам, что на ней изображено.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Мы сортируем белки - фрагменты, которые мы получаем,
10:03
is the weight of the fragments that we're getting,
240
588000
3000
расположены по весу слева направо.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
А сверху вниз по признаку, насколько они скользкие.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Давайте ещё немножко увеличим, чтобы рассмотреть это поподробнее.
10:12
And so each of these lines
243
597000
2000
Итак, каждая из этих линий
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
представляет собой сигнал, который мы получаем из фрагмента белка.
10:17
And you can see how the lines occur
245
602000
2000
Вы видите как эти
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
линии группируются.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
И это потому, что мы измеряем вес так точно;
10:26
carbon comes in different isotopes,
248
611000
2000
углерод содержится в различных изотопах,
10:28
so if it has an extra neutron on it,
249
613000
3000
так что, при наличии дополнительного нейтрона,
10:31
we actually measure it as a different chemical.
250
616000
4000
мы классифицируем его как другое химическое вещество.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Так что мы на самом деле проводим измерения на уровне изотопов.
10:38
And so that gives you an idea
252
623000
3000
Итак, вы получили представление
10:41
of how exquisitely sensitive this is.
253
626000
2000
о том, насколько точен этот метод.
10:43
So seeing this picture
254
628000
2000
Глядя на эту картину,
10:45
is sort of like getting to be Galileo
255
630000
2000
чувствуешь себя как Галилей,
10:47
and looking at the stars
256
632000
2000
который наблюдал звезды
10:49
and looking through the telescope for the first time,
257
634000
2000
в телескоп в первый раз;
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
невольно произносишь: "Ничего себе, это гораздо сложнее, чем мы думали".
10:54
But we can see that stuff out there
259
639000
2000
Мы в сущности видим
10:56
and actually see features of it.
260
641000
2000
отдельные свойства белка.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Это одельный результат, из которого мы пытаемся выяснить зависимости.
11:01
So what we do with this
262
646000
2000
Мы, например, можем посмотреть
11:03
is, for example, we can look at two patients,
263
648000
2000
на реакции двух пациентов на лекарство.
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
Для одного из них лекарство не работает,
11:08
and ask, "What's going on differently
265
653000
2000
тогда мы задаёмся вопросом: "Что происходит по-разному
11:10
inside of them?"
266
655000
2000
у них внутри?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
А так как наши измерения достаточно точные,
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
то мы можем изучить различия между этими двумя пациентами путём наложения результатов.
11:18
So here we have Alice in green
269
663000
2000
Вот здесь данные Алисы отмечены зеленым,
11:20
and Bob in red.
270
665000
2000
а Боба - красным цветом.
11:22
We overlay them. This is actual data.
271
667000
3000
Мы их накладываем. Это настоящие данные.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Вы видете, в основном они перекрываются, это отмечено желтым,
11:28
but there's some things that just Alice has
273
673000
2000
но есть некоторые вещи, присущие только Алисе,
11:30
and some things that just Bob has.
274
675000
2000
а некоторые - только Бобу.
11:32
And if we find a pattern of things
275
677000
3000
И если мы найдём такие перекрывания
11:35
of the responders to the drug,
276
680000
3000
у группы людей, реагирующих на определённое лекарство,
11:38
we see that in the blood,
277
683000
2000
мы видим, что в крови у них
11:40
they have the condition
278
685000
2000
есть что-то,
11:42
that allows them to respond to this drug.
279
687000
2000
что позволяет им реагировать на этот препарат.
11:44
We might not even know what this protein is,
280
689000
2000
Мы может даже не знать, что этот за белок,
11:46
but we can see it's a marker
281
691000
2000
но мы видим,
11:48
for the response to the disease.
282
693000
2000
что он ответственнен за борьбу с болезнью.
11:53
So this already, I think,
283
698000
2000
Уже одно это, как мне кажется,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
чрезвычайно полезно во всех областях медицины.
11:58
But I think this is actually
285
703000
2000
Но я думаю, что это
12:00
just the beginning
286
705000
2000
только начало того,
12:02
of how we're going to treat cancer.
287
707000
2000
как мы будем лечить рак.
12:04
So let me move to cancer.
288
709000
2000
Итак, позвольте мне перейти к раку.
12:06
The thing about cancer --
289
711000
2000
Итак, о раке:
12:08
when I got into this,
290
713000
2000
когда я начал этим заниматься,
12:10
I really knew nothing about it,
291
715000
2000
я ещё ничего о нём не знал,
12:12
but working with David Agus,
292
717000
2000
но, работая с Дэвидом Эйгасом,
12:14
I started watching how cancer was actually being treated
293
719000
3000
я наблюдал как лечат рак
12:17
and went to operations where it was being cut out.
294
722000
3000
и присутствовал на операциях, где его вырезали.
12:20
And as I looked at it,
295
725000
2000
И, глядя на это,
12:22
to me it didn't make sense
296
727000
2000
я думал, что это неправильный
12:24
how we were approaching cancer,
297
729000
2000
подход к лечению рака.
12:26
and in order to make sense of it,
298
731000
3000
Чтобы что-то понять,
12:29
I had to learn where did this come from.
299
734000
3000
нужно выяснить, откуда это взялось.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Мы подходим к раку почти как к инфекционному заболеванию.
12:36
We're treating it as something that got inside of you
301
741000
2000
Мы рассматриваем его как нечто, что внутри нас,
12:38
that we have to kill.
302
743000
2000
и что мы должны убить.
12:40
So this is the great paradigm.
303
745000
2000
Здесь кроется большое противоречие.
12:42
This is another case
304
747000
2000
Случай,
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
когда этот подход в биологии действительно работал -
12:46
was the germ theory of disease.
306
751000
3000
была микробная теория болезней.
12:49
So what doctors are mostly trained to do
307
754000
2000
Врачи обучены
12:51
is diagnose --
308
756000
2000
ставить диагноз -
12:53
that is, put you into a category
309
758000
2000
то есть заносить вас в определённую категорию -
12:55
and apply a scientifically proven treatment
310
760000
2000
и применять научно доказаные методы
12:57
for that diagnosis --
311
762000
2000
для лечения этого диагноза.
12:59
and that works great for infectious diseases.
312
764000
3000
Такой подход прекрасно работает для инфекционных заболеваний.
13:02
So if we put you in the category
313
767000
2000
Так, если отнести ваше заболевание к категории
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
сифилиса, можно дать вам пенициллин.
13:07
We know that that works.
315
772000
2000
Мы знаем, что это работает.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Если у вас малярия, вам дадут хинин,
13:11
or some derivative of it.
317
776000
2000
или какую-нибудь его производную.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Это то, чему обучают врачей.
13:16
and it's miraculous
319
781000
2000
И это чудесно работает
13:18
in the case of infectious disease --
320
783000
3000
в случае инфекционных
13:21
how well it works.
321
786000
2000
заболеваний.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Многих людей в этой аудитории, вероятно, не было-бы в живых,
13:26
if doctors didn't do this.
323
791000
2000
если-бы врачи не делали этого.
13:28
But now let's apply that
324
793000
2000
А теперь давайте применим этот подход
13:30
to systems diseases like cancer.
325
795000
2000
к болезням систем, таким, как рак.
13:32
The problem is that, in cancer,
326
797000
2000
Проблема в том, что рак -
13:34
there isn't something else
327
799000
2000
это не что-то инородное,
13:36
that's inside of you.
328
801000
2000
что находится внутри вас.
13:38
It's you; you're broken.
329
803000
2000
Это вы, но вы "сломаны".
13:40
That conversation inside of you
330
805000
4000
Это коммуникация внутри вас
13:44
got mixed up in some way.
331
809000
2000
нарушилась, в некотором роде.
13:46
So how do we diagnose that conversation?
332
811000
2000
Каким-же образом можно диагностировать эту коммуникацию?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
При современном подходе, мы относим это к какой-то части тела -
13:51
you know, where did it appear? --
334
816000
3000
мы знаем, где он находится -
13:54
and we put you in different categories
335
819000
2000
и мы заносим ваше заболевание в категорию
13:56
according to the part of the body.
336
821000
2000
в соответствии с частью тела.
13:58
And then we do a clinical trial
337
823000
2000
А затем мы проводим клинические испытания
14:00
for a drug for lung cancer
338
825000
2000
препаратов для лечения рака легких,
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
рака простаты и рака молочной железы;
14:05
and we treat these as if they're separate diseases
340
830000
3000
мы относимся к этим видам рака, как к разным заболеваниям,
14:08
and that this way of dividing them
341
833000
2000
и как раз этот способ деления
14:10
had something to do with what actually went wrong.
342
835000
2000
привёл к тому, что на самом деле произошло неправильно.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Конечно, было ещё много вещей,
14:14
with what went wrong
344
839000
2000
которые привели к неправильному подходу.
14:16
because cancer is a failure of the system.
345
841000
3000
Рак - это сбой системы.
14:19
And in fact, I think we're even wrong
346
844000
2000
Мне кажется, мы ошибаемся,
14:21
when we talk about cancer as a thing.
347
846000
3000
когда мы говорим о раке, как о вещи.
14:24
I think this is the big mistake.
348
849000
2000
Я думаю, что это большая ошибка.
14:26
I think cancer should not be a noun.
349
851000
4000
Я думаю, что рак не должен быть существительным.
14:30
We should talk about cancering
350
855000
2000
Мы должны говорить о "процессе рака",
14:32
as something we do, not something we have.
351
857000
3000
как о чем-то, что мы делаем, а не о том, что мы имеем.
14:35
And so those tumors,
352
860000
2000
Поэтому опухоли -
14:37
those are symptoms of cancer.
353
862000
2000
это симптомы рака.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Наше тело, возможно, находится в "процессе рака" все время.
14:42
but there are lots of systems in your body
355
867000
3000
Но в организме есть много систем,
14:45
that keep it under control.
356
870000
2000
которые держат его под контролем.
14:47
And so to give you an idea
357
872000
2000
Чтобы дать вам более полное представление
14:49
of an analogy of what I mean
358
874000
2000
о том, что я имею в виду,
14:51
by thinking of cancering as a verb,
359
876000
3000
используя "быть в процессе рака" в качестве глагола:
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
представьте себе, что мы ничего не знаем о сантехнике,
14:57
and the way that we talked about it,
361
882000
2000
и что мы
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
вернулись домой обнаружили утечку в кухне;
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
мы бы сказали: "Ой, в моём доме вода."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Мы могли бы поделить его на зоны - сантехник-бы спросил: "Где вода?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"На кухне." "А, похоже у вас кухонная вода."
15:12
That's kind of the level at which it is.
366
897000
3000
Примерно так обстоят сейчас дела.
15:15
"Kitchen water,
367
900000
2000
Кухонная вода?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Ну, прежде всего, мы пойдем туда и как следует подотрём.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Мы также знаем, что если посыпать специального осушающего порошка,
15:22
that helps.
370
907000
3000
это поможет.
15:25
Whereas living room water,
371
910000
2000
В случае воды в гостиной,
15:27
it's better to do tar on the roof."
372
912000
2000
нужно просмолить крышу.
15:29
And it sounds silly,
373
914000
2000
Это звучит глупо,
15:31
but that's basically what we do.
374
916000
2000
но это в сущности то, что мы делаем.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Я не говорю, что вы не должны убирать воду, если у вас рак.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Но это не проблема,
15:39
that's the symptom of the problem.
377
924000
2000
это признак проблемы.
15:41
What we really need to get at
378
926000
2000
Что нам действительно нужно понять -
15:43
is the process that's going on,
379
928000
2000
так это процесс, который происходит,
15:45
and that's happening at the level
380
930000
2000
и что происходит
15:47
of the proteonomic actions,
381
932000
2000
на уровне белков,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
и почему наше тело не излечивает себя само,
15:52
in the way that it normally does?
383
937000
2000
как это обычно бывает?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Потому что обычно наше тело имеет дело с этой проблемой все время.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Так же, как наш дом все время имеет дело с утечкой воды.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Но он с этим справляется, это слив и так далее.
16:04
So what we need
387
949000
3000
То есть нам нужно
16:07
is to have a causative model
388
952000
4000
иметь причинно-следственную модель
16:11
of what's actually going on,
389
956000
2000
того, что происходит на самом деле.
16:13
and proteomics actually gives us
390
958000
3000
И протеомика фактически дает
16:16
the ability to build a model like that.
391
961000
3000
нам возможность построить такую модель.
16:19
David got me invited
392
964000
2000
Дэвид пригласил меня
16:21
to give a talk at National Cancer Institute
393
966000
2000
выступить с речью в Национальном институте рака.
16:23
and Anna Barker was there.
394
968000
3000
Там была Анна Баркер.
16:27
And so I gave this talk
395
972000
2000
В своём выступлении
16:29
and said, "Why don't you guys do this?"
396
974000
3000
я задал вопрос: "Почему вы, ребята, этим не занимаетесь?"
16:32
And Anna said,
397
977000
2000
Анна сказала:
16:34
"Because nobody within cancer
398
979000
3000
"Потому что никто из тех, кто занимается раком,
16:37
would look at it this way.
399
982000
2000
не рассматривает его с этой точки зрения.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Но мы создадим программу
16:42
for people outside the field of cancer
401
987000
2000
для людей, не занимающихся лечением рака,
16:44
to get together with doctors
402
989000
2000
дадим им возможность работать с врачами,
16:46
who really know about cancer
403
991000
3000
которые действительно знают о раке,
16:49
and work out different programs of research."
404
994000
4000
чтобы они разработали новую программу исследований ".
16:53
So David and I applied to this program
405
998000
2000
Дэвид и я присоединились к этой программе
16:55
and created a consortium
406
1000000
2000
и создали консорциум
16:57
at USC
407
1002000
2000
в Университете Южной Калифорнии,
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
где собрались несколько лучших онкологов в мире,
17:02
and some of the best biologists in the world,
409
1007000
3000
несколько лучших биологов в мире,
17:05
from Cold Spring Harbor,
410
1010000
2000
из Колд Спринг Харбора,
17:07
Stanford, Austin --
411
1012000
2000
Стэнфорда, Остина -
17:09
I won't even go through and name all the places --
412
1014000
3000
я даже не буду называть все места -
17:12
to have a research project
413
1017000
3000
мы получили научно-исследовательский проект,
17:15
that will last for five years
414
1020000
2000
который будет длиться в течение пяти лет,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
и мы собираемся попробовать построить новую модель рака.
17:20
We're doing it in mice first,
416
1025000
2000
Мы проверяем её на мышах.
17:22
and we will kill a lot of mice
417
1027000
2000
В этом процессе
17:24
in the process of doing this,
418
1029000
2000
погибнет много мышей,
17:26
but they will die for a good cause.
419
1031000
2000
но они умрут во имя благой цели.
17:28
And we will actually try to get to the point
420
1033000
3000
Мы попытаемся построить
17:31
where we have a predictive model
421
1036000
2000
причинно-следственную модель
17:33
where we can understand,
422
1038000
2000
из которой можно будет понять,
17:35
when cancer happens,
423
1040000
2000
когда случается рак,
17:37
what's actually happening in there
424
1042000
2000
что на самом деле происходит внутри
17:39
and which treatment will treat that cancer.
425
1044000
3000
и как его лечить.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Позвольте мне обрисовать вам картину того,
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
каким, я думаю, будет лечение рака в будущем.
17:48
So I think eventually,
428
1053000
2000
Я думаю,
17:50
once we have one of these models for people,
429
1055000
2000
когда в конце концов
17:52
which we'll get eventually --
430
1057000
2000
мы построим такую модель -
17:54
I mean, our group won't get all the way there --
431
1059000
2000
конечно, наша группа не сумеет всё до конца сделать -
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
но в конечном итоге мы будем иметь очень хорошую компьютерную модель -
17:59
sort of like a global climate model for weather.
433
1064000
3000
что-то вроде глобальной климатической модели для погоды.
18:02
It has lots of different information
434
1067000
3000
Она будет иметь большое количество различной информации
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
о процессах, происходящих в протеомных коммуникациях
18:08
on many different scales.
436
1073000
2000
на разных уровнях.
18:10
And so we will simulate
437
1075000
2000
И поэтому будет возможно использовать
18:12
in that model
438
1077000
2000
эту модель
18:14
for your particular cancer --
439
1079000
3000
для конкретного вида рака -
18:17
and this also will be for ALS,
440
1082000
2000
и в случае болезни моторных нейронов,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
в случае какого-либо системного нейродегенеративного заболевания,
18:22
things like that --
442
1087000
2000
такие вещи -
18:24
we will simulate
443
1089000
2000
будут моделироваться
18:26
specifically you,
444
1091000
2000
для каждого конкретного случая;
18:28
not just a generic person,
445
1093000
2000
не для обобщённого человека,
18:30
but what's actually going on inside you.
446
1095000
2000
а для того, что на самом деле происходит внутри вас.
18:32
And in that simulation, what we could do
447
1097000
2000
С помощью этой модели мы сможем
18:34
is design for you specifically
448
1099000
2000
построить последовательность процедур
18:36
a sequence of treatments,
449
1101000
2000
специально для вас,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
это могут быть совсем не инвазивные процедуры, или минимальное количество лекарств.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Это может быть что-то вроде рекомендации не есть в этот день,
18:44
or give them a little chemotherapy,
452
1109000
2000
или немного химиотерапии,
18:46
maybe a little radiation.
453
1111000
2000
или, может быть, небольшая доза излучения.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Конечно, иногда операции будут также необходимы.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Но программа лечения будет построена специально для вас,
18:54
and help your body
456
1119000
3000
чтобы помочь вашему телу
18:57
guide back to health --
457
1122000
3000
вернуться
19:00
guide your body back to health.
458
1125000
2000
в здоровое состояние.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Потому что ваше тело само сделает большую часть работы по устранению неполадки,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
если мы только поможем ему в этом.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Мы, образно говоря, наложим шины, как при переломе.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Ваше тело имеет очень много механизмов
19:13
for fixing cancer,
463
1138000
2000
для преодоления рака,
19:15
and we just have to prop those up in the right way
464
1140000
3000
мы просто должны поддержать его в правильном положении,
19:18
and get them to do the job.
465
1143000
2000
чтобы дать ему возможность сделать эту работу.
19:20
And so I believe that this will be the way
466
1145000
2000
Я считаю, что так будут подходить
19:22
that cancer will be treated in the future.
467
1147000
2000
к раку в будущем.
19:24
It's going to require a lot of work,
468
1149000
2000
Это потребует много работы,
19:26
a lot of research.
469
1151000
2000
много исследований.
19:28
There will be many teams like our team
470
1153000
3000
Потребуется много команд,
19:31
that work on this.
471
1156000
2000
таких, как наша.
19:33
But I think eventually,
472
1158000
2000
Но я думаю, в конце концов,
19:35
we will design for everybody
473
1160000
2000
мы разработаем персональный
19:37
a custom treatment for cancer.
474
1162000
4000
подход лечения рака.
19:41
So thank you very much.
475
1166000
2000
Спасибо большое.
19:43
(Applause)
476
1168000
6000
(Аплодисменты)
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