TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hills: Proteomikler aracılığı ile kanseri anlamak
Filmed:
Readability: 3.6
465,363 views
Danny Hills kanser araştırmalarını yeni bir ufuğa taşıyacak bir konudan bahsediyor: Proteomik bilim, yani vücuttaki proteinler inceleyen bilim dalı. Hills'in açıklamasına göre, genomik bilimi bize vücuttaki bileşenlerin bir listesini veriyor -- ama proteomik bilimi bu bileşenlerin neler ürettiğini gösteriyor. Vücudunuzda olup biteni proteinler seviyesinde anlamaya başladığınızda, bu kanserin neden oluştuğunu anlamamıza ışık tutabilir.
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
Şu an biraz heyecanlı olduğumu belirtmek istiyorum
00:18
because I'm going to say some radical things,
1
3000
3000
çünkü seyirciler arasında kanseri benden
00:21
about how we should think about cancer differently,
2
6000
3000
daha iyi bilen pekçok insan var ve ben de
00:24
to an audience that contains a lot of people
3
9000
2000
kanser hakkında değişik düşünmemiz gerektiği ile ilgili
00:26
who know a lot more about cancer than I do.
4
11000
3000
radikal birşeyler söylemek üzereyim.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Ama aslında bir yandan da aslında olmam gerektiğinden daha az heyecanlıyım
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
çünkü bu konuda haklı olduğumdan hemen hemen eminim.
00:35
(Laughter)
7
20000
2000
(Gülüşmeler)
00:37
And that this, in fact, will be
8
22000
2000
Aslında bence bu, gelecekte
00:39
the way that we treat cancer in the future.
9
24000
3000
kanser tedavisinde esas kullanılan yöntem olacak.
00:43
In order to talk about cancer,
10
28000
2000
Kanserden bahsetmek için,
00:45
I'm going to actually have to --
11
30000
3000
aslında öncelikle--
00:48
let me get the big slide here.
12
33000
3000
durun şu büyük slaytı göstereyim.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Önce size genomik ile ilgili farklı bir bakış açısı sunmaya çalışacağım.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Etrafta olan biten diğer şeylerin yanında
00:58
of all the other things that are going on --
15
43000
3000
büyük resmi de göreceli olarak göstermek istiyorum--
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
daha sonra da şimdiye kadar çok duymadığınız bir konu olan proteomik'ten bahsedeceğiz.
01:04
Having explained those,
17
49000
2000
Bunları açıklamak,
01:06
that will set up for what I think will be a different idea
18
51000
3000
bence kanseri ne şekilde tedavi etmeye başlayacağımıza
01:09
about how to go about treating cancer.
19
54000
2000
ilişkin farklı fikirlerin oluşmasını sağlayacaktır.
01:11
So let me start with genomics.
20
56000
2000
Önce genomik ile başlamama izin verin.
01:13
It is the hot topic.
21
58000
2000
Çok popüler bir konu.
01:15
It is the place where we're learning the most.
22
60000
2000
En çok birşeyler öğrendiğimiz alan.
01:17
This is the great frontier.
23
62000
2000
En yeni ufuk burası.
01:19
But it has its limitations.
24
64000
3000
Ama bazı kısıtları var.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Özellikle de, genomun vücudunuzun neredeyse bir
01:25
that the genome is like the blueprint of your body,
26
70000
3000
ozalit kopyası olduğu benzetmesini duymuşsunuzdur.
01:28
and if that were only true, it would be great,
27
73000
2000
Eğer gerçek olsaydı çok süper olurdu,
01:30
but it's not.
28
75000
2000
ama değil.
01:32
It's like the parts list of your body.
29
77000
2000
daha çok vücudunuzdaki parçaların bir listesi.
01:34
It doesn't say how things are connected,
30
79000
2000
Farklı şeylerin nasıl birleştiğini,
01:36
what causes what and so on.
31
81000
3000
neyin neye sebep olduğunu göstermiyor.
01:39
So if I can make an analogy,
32
84000
2000
Eğer bir benzetme yapacak olursam,
01:41
let's say that you were trying to tell the difference
33
86000
2000
diyelim ki iyi bir restorantla, sağlıklı bir restorantla
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
sağlıksız bir restorantı birbirinden
01:46
and a sick restaurant,
35
91000
2000
ayırdetmeye çalışıyorsunuz,
01:48
and all you had was the list of ingredients
36
93000
2000
ve elinizdeki tek şey de
01:50
that they had in their larder.
37
95000
3000
bunların kilerlerindeki malzemelerin listesi.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Bu şuna benziyor, bir Fransız restorantına gidiyorsunuz
01:56
and you looked through it and you found
39
101000
2000
ve kilerı inceliyorsunuz, bakıyorsunuz ki
01:58
they only had margarine and they didn't have butter,
40
103000
2000
kilerde sadece margarin var ama tereyağı yok,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
şöyle diyebilirsiniz: ' Ah, burada neyin yanlış gittiğini buldum,
02:02
I can make them healthy."
42
107000
2000
onları daha sağlıklı yapabilirim.'
02:04
And there probably are special cases of that.
43
109000
2000
Büyük ihtimalle bu duruma uyan özel durumlar da vardır.
02:06
You could certainly tell the difference
44
111000
2000
Mesela sadece kilere bakarak
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
bir Fransız Restorantı ile Çin restorantı arasındaki
02:10
by what they had in a larder.
46
115000
2000
farkları gösterebilirsiniz.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Evet, malzemerin listesi size birşeyler söyler,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
ama bazen de size yanlış birşeyler söyler.
02:19
If they have tons of salt,
49
124000
2000
Eğer çok fazla tuz görürseniz,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
çok tuz kullandıklarını, ya da buna benzer birşeyleri söyleyebilirsiniz.
02:24
But it's limited,
51
129000
2000
Ama bu çok sınırlıdır,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
çünkü buranın gerçekten sağlıklı bir restorant olduğunu anlamak için,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
yemeklerden tatmanız, mutfakta neler olup bittiğini bilmeniz gerekir,
02:31
you need the product of all of those ingredients.
54
136000
3000
tüm bileşenlerin ortak ürününe bakmalısınız.
02:34
So if I look at a person
55
139000
2000
Yani ben bir insana sonra da
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
o insanın genomuna bakarsam bunun gibi birşey.
02:39
The part of the genome that we can read
57
144000
2000
Genomun okuyabildiğimiz kısmı
02:41
is the list of ingredients.
58
146000
2000
bir malzeme listesinden farksız.
02:43
And so indeed,
59
148000
2000
Gerçekten de
02:45
there are times when we can find ingredients
60
150000
2000
zaman zaman kötü malzemeler
02:47
that [are] bad.
61
152000
2000
bulduğumuz oluyor.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Kistik Fibroz hastalığı bunz güzel bir örnek,
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
kötü bir malzeme var, ve hastalık ortaya çıkıyor,
02:54
and we can actually make a direct correspondence
64
159000
3000
yani hastalıkla malzeme arasında
02:57
between the ingredient and the disease.
65
162000
3000
direkt bir bağlantı kurabiliyoruz.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Ama çoğu şey için, gerçekte mutfakta ne olup bittiğini bilmeniz gerekir,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
çünkü genelde, hasta insanlar önceleri sağlıklı oluyorlar --
03:05
they have the same genome.
68
170000
2000
aynı genoma sahipler.
03:07
So the genome really tells you much more
69
172000
2000
Yani, aslında genom size daha çok
03:09
about predisposition.
70
174000
2000
yatkınlık hakkında bilgi veriyor.
03:11
So what you can tell
71
176000
2000
Yani esasında
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
Asyalı biri ile Avrupa'lı biri arasındaki farkı malzemeler listesine
03:15
by looking at their ingredients list.
73
180000
2000
bakarak söyleyebilirsiniz.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Ama çok özel bazı durumlar haricinde
03:20
between a healthy person and a sick person --
75
185000
3000
genelde hasta bir insan ile sağlıklı bi insan
03:23
except in some of these special cases.
76
188000
2000
arasındaki farkı söylemeniz pek mümkün değil.
03:25
So why all the big deal
77
190000
2000
Peki, o zaman genetik ile ilgili
03:27
about genetics?
78
192000
2000
bu acayip popülerlik neden?
03:29
Well first of all,
79
194000
2000
En önemlisi,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
onu okuyabiliyoruz, ki bu müthiş bir şey.
03:34
It is very useful in certain circumstances.
81
199000
3000
Bazı özel durumlara çok faydalı.
03:37
It's also the great theoretical triumph
82
202000
3000
Aynı zamanda biyolojinin müthiş bir
03:40
of biology.
83
205000
2000
teorik zaferi.
03:42
It's the one theory
84
207000
2000
Biyologların tam ve
03:44
that the biologists ever really got right.
85
209000
2000
doğru olarak ortaya koyabildikleri bir teori.
03:46
It's fundamental to Darwin
86
211000
2000
Darwin ve Mendel, ve benzerleri
03:48
and Mendel and so on.
87
213000
2000
için temel bir teori.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Teorik altyapıyı öngörmemizi sağlayan tek şey bu.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel'in kafasındaki gen fikri
03:56
as an abstract thing,
90
221000
3000
soyut bir fikirdi.
03:59
and Darwin built a whole theory
91
224000
2000
Dawrın ise genlerin var olduğunu
04:01
that depended on them existing,
92
226000
2000
kabul ederek üzerlerine tamamlanmış bir teori kurdu.
04:03
and then Watson and Crick
93
228000
2000
Daha sonra Watson ve Crick genleri aramaya başladılar
04:05
actually looked and found one.
94
230000
2000
ve aslında bulmayı da başardılar.
04:07
So this happens in physics all the time.
95
232000
2000
Buna benzer şeyler fizikte her zaman olur.
04:09
You predict a black hole,
96
234000
2000
Bir kara delik öngörüsünde bulunursunuz,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
derken teleskopla bakarsınız ve oradadır, tam olacağını söylediğiniz yerde.
04:14
But it rarely happens in biology.
98
239000
2000
Ama bu biyolojide oldukça nadir olur.
04:16
So this great triumph -- it's so good,
99
241000
3000
Bu nedenle bu büyük başarı -- çok ama çok büyük--
04:19
there's almost a religious experience
100
244000
2000
neredeyse biyolojide yaşanan
04:21
in biology.
101
246000
2000
ulvi bir deneyim diyebiliriz.
04:23
And Darwinian evolution
102
248000
2000
Darwin'in Evrim Teorsi de
04:25
is really the core theory.
103
250000
3000
gerçekte çok temel bir teori.
04:30
So the other reason it's been very popular
104
255000
2000
Bu kadar popğler olmasının bir diğer nedeni
04:32
is because we can measure it, it's digital.
105
257000
3000
onu ölçebiliyor olmamız, dijital.
04:35
And in fact,
106
260000
2000
Ve aslında,
04:37
thanks to Kary Mullis,
107
262000
2000
Kary Mulis sayesinde,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
kendi mutfağınızda bile birkaç ilave malzeme ile,
04:43
with a few extra ingredients.
109
268000
3000
kendi genomunuzu ölçebilirsiniz.
04:46
So for instance, by measuring the genome,
110
271000
3000
Mesela, genomu ölçerek,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
başka hayvanlara ne kadar yakın akraba olduğunuzu öğrendik
04:53
by the closeness of our genome,
112
278000
3000
bunu genoumuzun benzerliği ile yaptık,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
ya da yaşam ağacında, aile ağacındaki
04:59
or the tree of life.
114
284000
2000
yakın akrabalarımızı öğrendik.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Sadece genetik benzerliği karşılaştırarak bile
05:04
just by comparing the genetic similarity.
116
289000
3000
genetik biliminden inanılmaz miktarda bilgi edinebilirsiniz.
05:07
Now of course, in medical application,
117
292000
2000
Elbette, tıbbi uygulamalarda,
05:09
that is very useful
118
294000
2000
bu çok faydalı,
05:11
because it's the same kind of information
119
296000
3000
çünkü bu doktorunuzun sizden aile öykünüzü
05:14
that the doctor gets from your family medical history --
120
299000
3000
alırken sorduğu bilgilerle aynı türde bir bilgi --
05:17
except probably,
121
302000
2000
tek farkı büyük ihtimalle,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
genomunuzun tıbbi özgeçmişinizi sizden daha iyi biliyor olması.
05:22
And so by reading the genome,
123
307000
2000
Yani genomunuzu okuyarak,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
aileniz hakkında sizin bildiğinizden çok daha fazlasını öğrenebiliriz.
05:27
And so we can discover things
125
312000
2000
Ve büyük ihtimalle akrabalarınıza bakarak
05:29
that probably you could have found
126
314000
2000
bulabileceğiniz bazı şeyleri
05:31
by looking at enough of your relatives,
127
316000
2000
genomunuza bakarak keşfedebiliriz,
05:33
but they may be surprising.
128
318000
3000
bazıları epey şaşırtıcı olabilir.
05:36
I did the 23andMe thing
129
321000
2000
ben 23veBen testini yaptım
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
sonucunda şişman ve kel olduğum ortaya çıkınca epey şaşırdım.
05:41
(Laughter)
131
326000
7000
(Gülüşmeler)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Ama bazen bundan gerçekten çok daha anlamlı ve faydalı şeyler öğrenebilirsiniz.
05:51
But mostly
133
336000
3000
Ama genelde
05:54
what you need to know, to find out if you're sick,
134
339000
2000
hastalandığınızda esas bilmek istediğiniz
05:56
is not your predispositions,
135
341000
2000
hangi hastalıklara yatın olduğunuzdan ziyade
05:58
but it's actually what's going on in your body right now.
136
343000
3000
o an vücudunuzda neler olup bittiğidir.
06:01
So to do that, what you really need to do,
137
346000
2000
Bunu yapabilmek için de, esas yapmanız gereken
06:03
you need to look at the things
138
348000
2000
genetik kısmından sonra olan bitenler
06:05
that the genes are producing
139
350000
2000
genlerin ürettiği diğer şeylere
06:07
and what's happening after the genetics,
140
352000
2000
bakmaktır.
06:09
and that's what proteomics is about.
141
354000
2000
Proteomik işte bununla ilgili bir şey.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Nasıl genom, tüm genleri bir araya getiren bir bilim dalı ise
06:14
proteomics is the study of all the proteins.
143
359000
3000
proteomik de tüm proteinleri inceleyen bilim dalı.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Proteinler, vücudunuzda, hücreler arası sinyalleri
06:19
that are signaling between the cells --
145
364000
3000
taşıyan ufak maddeler --
06:22
actually, the machines that are operating --
146
367000
2000
aslında çalışan ufak birer makinalar.
06:24
that's where the action is.
147
369000
2000
Olayın esas yaşandığı yer burası.
06:26
Basically, a human body
148
371000
3000
Aslında, insan vücudunda
06:29
is a conversation going on,
149
374000
3000
sürekli bir karşılıklı iletişim mevcut.
06:32
both within the cells and between the cells,
150
377000
3000
hücrelerin içinde ve aralarında sürüp gidiyor,
06:35
and they're telling each other to grow and to die,
151
380000
3000
birbirlerine ne zaman büyümeleri veya ölmeleri gerektiğini söylüyorlar.
06:38
and when you're sick,
152
383000
2000
hastalandığınızda ise
06:40
something's gone wrong with that conversation.
153
385000
2000
bu iletişimde bir bozukluk ortaya çıkıyor.
06:42
And so the trick is --
154
387000
2000
Burada zor olan şu,
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
ne yazık ki, elimizde bunları genomu ölçtüğümüz gibi
06:47
like we can measure the genome.
156
392000
2000
ölçebilecek bir yöntem yok.
06:49
So the problem is that measuring --
157
394000
3000
yani esas sorun ölçümleme --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
eğer tüm proteinleri ölçmeye çalışırsanız bu çok karmaşık bir süreçtir.
06:55
It requires hundreds of steps,
159
400000
2000
Yüzlerce adım gerektirir,
06:57
and it takes a long, long time.
160
402000
2000
ve çok ama çok uzun zaman alır.
06:59
And it matters how much of the protein it is.
161
404000
2000
Vep proteinin ne kadarını ölçtüğünüz sonucu etkiler.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Bir proteinin %10 değişmesi epek kayda değer olabilir,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
yani DNA gibi hoş, dijital bir şey değil.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Ve basitçe en büyük problemlemimiz şu ki, biri
07:09
of this very long stage,
165
414000
2000
bu sürecin içindeki herhangi bir aşamada
07:11
they pause for just a moment,
166
416000
2000
bir dakikacık beklerse
07:13
and they leave something in an enzyme for a second,
167
418000
2000
bir enzimi bir yerde bir saniye bırakırsa
07:15
and all of a sudden all the measurements from then on
168
420000
2000
o andan itibaren yapılan tüm ölçümler
07:17
don't work.
169
422000
2000
işe yaramaz olacaktır.
07:19
And so then people get very inconsistent results
170
424000
2000
Bu nedenle insanlar bu şekilde ölçüm yaptıklarında
07:21
when they do it this way.
171
426000
2000
çok tutarsız sonuçlara ulaşırlar.
07:23
People have tried very hard to do this.
172
428000
2000
Çoğu kişi bunu yapmak için çok çalıştı.
07:25
I tried this a couple of times
173
430000
2000
Ben de birkaç kez denedim
07:27
and looked at this problem and gave up on it.
174
432000
2000
bu probleme baktım, ve sonunda vaz geçtim.
07:29
I kept getting this call from this oncologist
175
434000
2000
Sonra David Agus isimli bir onkolog (kanser uzmanı)
07:31
named David Agus.
176
436000
2000
beni aramaya başladı.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Applied Minds, sorunlarının çözülmesini isteyen
07:36
from people who want help with their problems,
178
441000
2000
çok kişiden pek çok telefon alır,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
ben de bu telefonun geri aranma ihtimalinin düşük olduğunu düşündüm
07:41
so I kept on giving him to the delay list.
180
446000
3000
ve aramayı sürekli erteledim.
07:44
And then one day,
181
449000
2000
Sonra bir gün,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
aynı gün içinde John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
ve Al Gore beni aradı ve
07:50
saying return David Agus's phone call.
184
455000
2000
hepsi David Agus'un telefonuna cevap vermemi söyledi.
07:52
(Laughter)
185
457000
2000
(Gülüşmeler)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Ben de "En azından epey bağlantısı olan bir adam" diye düşündüm.
07:56
(Laughter)
187
461000
4000
(Gülüşmeler)
08:00
So we started talking,
188
465000
2000
Böylece konuşmaya başladık,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
Bana " Proteinleri ölçümlemenin daha iyi bir yoluna ihtiyacım var." dedi.
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Ben de ona "Ben de çok denedim,
08:07
Not going to be easy."
191
472000
2000
pek kolay olmayacak." dedim.
08:09
He's like, "No, no. I really need it.
192
474000
2000
O da bana "Yo, yo, buna gerçekten ihtiyacım var.
08:11
I mean, I see patients dying every day
193
476000
4000
Her gün, içlerinde neler olup bittiğini göremediğimizden
08:15
because we don't know what's going on inside of them.
194
480000
3000
pekçok hastanın ölümünü izliyorum.
08:18
We have to have a window into this."
195
483000
2000
Bunu yapmanın bir yolu olmalı." dedi.
08:20
And he took me through
196
485000
2000
Ve bana ne zaman ihtiyacı olduğunu gösteren
08:22
specific examples of when he really needed it.
197
487000
3000
özel örnekleri bir bir gösterdi.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Ve fark ettim ki, vay canına, bunu başarabilirsek
08:27
if we could do it,
199
492000
2000
gerçekten bir fark yaratabiliriz.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Sonunda dedim ki, " Tamam, bir bakalım."
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds'da herhangi birinden gelecek fon veya izine
08:33
that we can go and just work on something
202
498000
2000
ihtiyaç duymadan ilgilendiğimiz bir konuya eğilmemizi
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
sağlayacak kadar birikim mevcut.
08:38
So we started playing around with this.
204
503000
2000
Biz de bu fikir ile uğraşmaya başladık.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Ve bunu yaptıkça, fark ettik ki esas sorun --
08:43
that taking the sip of coffee --
206
508000
2000
kahveden bir yudum almak bile olabilir--
08:45
that there were humans doing this complicated process
207
510000
2000
karmaşık süreçleri insanlar yürütüyor
08:47
and that what really needed to be done
208
512000
2000
ama esas yapılması gereken şey
08:49
was to automate this process like an assembly line
209
514000
3000
bir nevi montaj bantı yapar gibi süreci otomatik hale getirerek,
08:52
and build robots
210
517000
2000
proteomikleri ölçecek
08:54
that would measure proteomics.
211
519000
2000
robotlar üretmek.
08:56
And so we did that,
212
521000
2000
Biz de bunu yaptık.
08:58
and working with David,
213
523000
2000
David ile birlikte,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
önce Uygulamaları Proteomik adında ufak bir şirket kurduk,
09:03
which makes this robotic assembly line,
215
528000
3000
bu şirketle proteinleri çok tutarlı bir şekilde
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
ölçebilen robotik iş bantlarını ürettik.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Size protein ölçümünün nasıl olduğunu göstereceğim.
09:13
Basically, what we do
218
538000
2000
Basitçe yaptığımız şu
09:15
is we take a drop of blood
219
540000
2000
hastadan bir damla
09:17
out of a patient,
220
542000
2000
an alıyoruz ve
09:19
and we sort out the proteins
221
544000
2000
bu bir damla kanın içindeki
09:21
in the drop of blood
222
546000
2000
proteinleri ağırlıklarına
09:23
according to how much they weigh,
223
548000
2000
ne kadar kaygan olduklarına göre
09:25
how slippery they are,
224
550000
2000
sıralıyoruz ve
09:27
and we arrange them in an image.
225
552000
3000
bir görsel oluşturuyoruz.
09:30
And so we can look at literally
226
555000
2000
Böylece, gerçek anlamda
09:32
hundreds of thousands of features at once
227
557000
2000
bir damlacık kanı kullanarak
09:34
out of that drop of blood.
228
559000
2000
binlerce özelliğe bakabiliyoruz.
09:36
And we can take a different one tomorrow,
229
561000
2000
yarın bir örnek daha alabiliriz,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
proteinlerinizin yarınki örnekte daha farklı olduğunu görebilirsiniz --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
yemek yedikten sonra ya da uykudan sonra da farklı olacaklardır.
09:43
They really tell us what's going on there.
232
568000
3000
Bize gerçekten içeride ne olup bittiğni söylüyorlar.
09:46
And so this picture,
233
571000
2000
Bu resim size bulanık
09:48
which looks like a big smudge to you,
234
573000
2000
koca bir leke gibi görünüyor olabilir,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
ama aslında beni bu konuda çok heyecanlandıran resimlerden biri
09:54
and made me feel like we were on the right track.
236
579000
2000
doğru yolda olduğumuzu hissetmemi sağladı.
09:56
So if I zoom into that picture,
237
581000
2000
Bu resimi yaklaştırırsam
09:58
I can just show you what it means.
238
583000
2000
size ne demek istediğimi gösterebilirim.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Proteinleri sıralıyoruz -- soldan sağa doğru
10:03
is the weight of the fragments that we're getting,
240
588000
3000
elde ettiğimiz parçacıkların ağırlıklarına göre sıralanmış durumdalar.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
YUkarıdan aşağıya ise kayganlıkları sıralanmış durumda.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Size birazını gösterebilmek için yaklaştırıyorum.
10:12
And so each of these lines
243
597000
2000
Bu çizgilerden her biri
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
bir proteinin bir parçasından elde ettiğimiz sinyalleri temsil ediyor.
10:17
And you can see how the lines occur
245
602000
2000
Bu ufak gruplar içinde çizgilerin nasıl oluştuğunu
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
görebilirsiniz....bum...bum....bum....
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Bunun nedeni ağırlığı çok hassas bir şekilde ölçüyor olmamız --
10:26
carbon comes in different isotopes,
248
611000
2000
karbon atomunun farklı izotopları var ve
10:28
so if it has an extra neutron on it,
249
613000
3000
eğer üzerinde fazladan bir nötron varsa
10:31
we actually measure it as a different chemical.
250
616000
4000
onu aslında farklı bir kimyasal olarak ölçüyoruz.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Yani aslında her bir izotopu farklı ölçüyoruz.
10:38
And so that gives you an idea
252
623000
3000
Bu, size yaptığımız şeyin
10:41
of how exquisitely sensitive this is.
253
626000
2000
ne kadar ince bir hassasiyette olduğunu gösteriyor.
10:43
So seeing this picture
254
628000
2000
Bu resme bakmak aslında
10:45
is sort of like getting to be Galileo
255
630000
2000
bir nevi Galileo olmak gibi birşey,
10:47
and looking at the stars
256
632000
2000
teleskop kullanarak
10:49
and looking through the telescope for the first time,
257
634000
2000
yıldızlara ilk defa bakıyorsunuz, ve sonrasında da birden
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
"Vay canına, tahmin ettiğimizden çok daha karmaşıkmış" diyorsunuz.
10:54
But we can see that stuff out there
259
639000
2000
Ama oradaki şeyleri görebiliyorsunuz
10:56
and actually see features of it.
260
641000
2000
yani onların özelliklerini görebiliyorsunuz.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Paternler bulmak için aramanız gereken özgül işaretler bunlar.
11:01
So what we do with this
262
646000
2000
Bununla şunu yapabilirizi
11:03
is, for example, we can look at two patients,
263
648000
2000
mesela iki hastaya bakabiliriz,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
bunlardan biri bir ilaca cevap vermiş, diğeri ise cevap vermemiş olsun,
11:08
and ask, "What's going on differently
265
653000
2000
ve şu soruyu sorabiliriz "Bu hastaların içlerinde
11:10
inside of them?"
266
655000
2000
olup biten şeydeki fark nedir?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
ve böylece bu ölçümleri yeterince hassas yaparak
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
iki hastanın sonuçlarını üst üste koyup aralarındaki farka bakabiliriz.
11:18
So here we have Alice in green
269
663000
2000
Burada Alice'in sonuçları yeşil renkli
11:20
and Bob in red.
270
665000
2000
Bob'unkiler ise kırmızı.
11:22
We overlay them. This is actual data.
271
667000
3000
Bunları üst üste koyuyoruz. Bu erçek bir veri.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Burada görebildiğiniz gibi çoğu üstüste geliyor, sarı renkte.
11:28
but there's some things that just Alice has
273
673000
2000
Ama sadece Alice'de olan şeyler ya da
11:30
and some things that just Bob has.
274
675000
2000
sadece Bob'da olan şeyler de var.
11:32
And if we find a pattern of things
275
677000
3000
Ve bu ilaca cevap verelenlerde
11:35
of the responders to the drug,
276
680000
3000
bunların belirli paternleri olduğunu buluyoruz.
11:38
we see that in the blood,
277
683000
2000
Gördüğümüz şu, kanlarında
11:40
they have the condition
278
685000
2000
bu ilaca yanıt vermelerine neden olan
11:42
that allows them to respond to this drug.
279
687000
2000
bir durum mevcut.
11:44
We might not even know what this protein is,
280
689000
2000
Bu proteinin hangi protein olduğunu bilmeyebiliriz
11:46
but we can see it's a marker
281
691000
2000
ama bu hastalığa karşı verilecek yanıtı
11:48
for the response to the disease.
282
693000
2000
gösterebilecek bir marker bu.
11:53
So this already, I think,
283
698000
2000
Bence bu şu hali ile bile
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
tıbbın pekçok alanında inanılmaz faydalı.
11:58
But I think this is actually
285
703000
2000
Ama aslında, bence
12:00
just the beginning
286
705000
2000
bu gelecekte kanseri nasıl tedavi
12:02
of how we're going to treat cancer.
287
707000
2000
edeceğimizin de bir başlangıç noktası.
12:04
So let me move to cancer.
288
709000
2000
Kanser konusuna girelim biraz da.
12:06
The thing about cancer --
289
711000
2000
Kanser ile ilgili olan şu --
12:08
when I got into this,
290
713000
2000
bu konulara el attığımda
12:10
I really knew nothing about it,
291
715000
2000
kanser ile ilgili hiçbir şey bilmiyordum,
12:12
but working with David Agus,
292
717000
2000
ama David Agus ile çalışırken
12:14
I started watching how cancer was actually being treated
293
719000
3000
kenserin çu anda nasıl tedavi edildiğini izlemeye başladım ve
12:17
and went to operations where it was being cut out.
294
722000
3000
kanserli dokunun alındığı ameliyatlara girdim.
12:20
And as I looked at it,
295
725000
2000
Buna baktığımda,
12:22
to me it didn't make sense
296
727000
2000
kansere olan yaklaşımımız
12:24
how we were approaching cancer,
297
729000
2000
bana çok mantıklı gelmedi.
12:26
and in order to make sense of it,
298
731000
3000
Bunun kafama yatması için
12:29
I had to learn where did this come from.
299
734000
3000
nereden geldiğini anlamam şart.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Bizler, kanseri bir bulaşıcı hastalık gibi tedavi ediyoruz.
12:36
We're treating it as something that got inside of you
301
741000
2000
Sanki içinize girmiş ve öldürülmesi gereken
12:38
that we have to kill.
302
743000
2000
bir şey gibi.
12:40
So this is the great paradigm.
303
745000
2000
Bu önemli bir model.
12:42
This is another case
304
747000
2000
Bu teorik modelin biyolojide
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
gerçekten de çok iyi çalıştığı bir durum var --,
12:46
was the germ theory of disease.
306
751000
3000
o da hastalıklardaki mikrop teorisi.
12:49
So what doctors are mostly trained to do
307
754000
2000
Doktorların genelde eğitim aldığı konu
12:51
is diagnose --
308
756000
2000
tanı koymak --
12:53
that is, put you into a category
309
758000
2000
yani sizi bir nevi kategorize etmek ve
12:55
and apply a scientifically proven treatment
310
760000
2000
o tanıya özgü bilimsel olarak kantılanmış
12:57
for that diagnosis --
311
762000
2000
bir tedavi uygulamaktır.
12:59
and that works great for infectious diseases.
312
764000
3000
Bu, bulaşıcı haslatıklar için çok iyi çalışan bir model.
13:02
So if we put you in the category
313
767000
2000
Eğer sifiliz (frengi) hastasıysanız
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
sizi bu kategoriye dahil edebilir ve size pensilin verebiliriz.
13:07
We know that that works.
315
772000
2000
İşe yaradığını biliyoruz.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Eğer sıtma olursanız, size kinin ya da
13:11
or some derivative of it.
317
776000
2000
benzer bir türevini veririz.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Doktorların eğitim aldıkları temel konular bunlar.
13:16
and it's miraculous
319
781000
2000
Bu, enfeksiyon hastalıklarında
13:18
in the case of infectious disease --
320
783000
3000
adeta bir mucize gibi
13:21
how well it works.
321
786000
2000
çalışıyor.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Doktorlar bunu yapmamış olsaydı, şu anda bu konuşmayı
13:26
if doctors didn't do this.
323
791000
2000
dinleyen pekçok kişi hayatta olmazdı.
13:28
But now let's apply that
324
793000
2000
Şimdi bunu bakış açısını kanser gibi
13:30
to systems diseases like cancer.
325
795000
2000
sistemik bir hastalığa uygulayalım.
13:32
The problem is that, in cancer,
326
797000
2000
Kanser ile ilgili olan sorun şu,
13:34
there isn't something else
327
799000
2000
o vücudunuzun içindeki
13:36
that's inside of you.
328
801000
2000
yabancı bir madde değil.
13:38
It's you; you're broken.
329
803000
2000
Vücudunuzun ta kendisi, sadece bozulmuş durumda.
13:40
That conversation inside of you
330
805000
4000
Vücut içindeki iletişiminiz
13:44
got mixed up in some way.
331
809000
2000
bir şekilde karşımış.
13:46
So how do we diagnose that conversation?
332
811000
2000
Bu iletişimi ne şekilde tanıyabiliriz?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Şu an yapmakta olduğumuz şey, vücudu bölgelerine ayırmak --
13:51
you know, where did it appear? --
334
816000
3000
biliyorsunuz, kanserin nereden çıktığına göre. --
13:54
and we put you in different categories
335
819000
2000
ve sizi kanserin hangi vücut bölgesinde
13:56
according to the part of the body.
336
821000
2000
çıktığına göre farklı sınıflara ayırıyoruz.
13:58
And then we do a clinical trial
337
823000
2000
Daha sonra da akciğer kanseri
14:00
for a drug for lung cancer
338
825000
2000
prostat kanseri ve mem kanseri için
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
farklı farklı klinik deneyler yapıyoruz,
14:05
and we treat these as if they're separate diseases
340
830000
3000
bunlara sanki farklı hastalıklarmış gibi davranıyoruz,
14:08
and that this way of dividing them
341
833000
2000
ve bu hastalıkları bu şekilde ayırmak
14:10
had something to do with what actually went wrong.
342
835000
2000
esas ters giden şeyle de ilgili.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Elbette, ter giden şeyin ne olduğu ile
14:14
with what went wrong
344
839000
2000
çok fazla ilgisi yok.
14:16
because cancer is a failure of the system.
345
841000
3000
Çünkü kanser sistemin iflasıdır.
14:19
And in fact, I think we're even wrong
346
844000
2000
Aslında, düşünüyorum da, sanırım
14:21
when we talk about cancer as a thing.
347
846000
3000
kanserden bir nesne gibi bahsetmek bile hata.
14:24
I think this is the big mistake.
348
849000
2000
Bence bu büyük bir hata.
14:26
I think cancer should not be a noun.
349
851000
4000
Bence kanser bir sıfat olmalı.
14:30
We should talk about cancering
350
855000
2000
Sahip olduğumuz bir yapının kanserleşmesinden bahsetmeliyiz
14:32
as something we do, not something we have.
351
857000
3000
sahip olmadığımız değil.
14:35
And so those tumors,
352
860000
2000
Bu tümörler,
14:37
those are symptoms of cancer.
353
862000
2000
bunlar kanserin belirtileri.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Büyük ihtimalle vücudunuz her an kanserleşiyor.
14:42
but there are lots of systems in your body
355
867000
3000
Ama vücudunuzda bu durumu kontrol altında tutacak
14:45
that keep it under control.
356
870000
2000
çok fazla savunma sistemi de var.
14:47
And so to give you an idea
357
872000
2000
Size kanseri bir fiil olarak
14:49
of an analogy of what I mean
358
874000
2000
kullanma konusunda bir fikir vermesi açısından
14:51
by thinking of cancering as a verb,
359
876000
3000
bir örnek vereyim.
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
Düşünün ki sıhhi tesisatçılık hakkında hiç bilgimiz yok,
14:57
and the way that we talked about it,
361
882000
2000
ama onun hakkında şöyle konuşuyoruz,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
bir gün eve geliyoruz ve mutfakta bir sızıntı keşfediyoruz
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
ve diyoruz ki "Of, evimde su var."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Onu ayrıştırabilriz.-- muslukçu şöyle diyebilir, "Eee, peki su nerede?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Mutfakta". "Ah o zaman sizin sorununuz mutfak suyu olmalı."
15:12
That's kind of the level at which it is.
366
897000
3000
Burada olan şey hemen hemen bu seviyede.
15:15
"Kitchen water,
367
900000
2000
"Mutfak suyu mu?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Herşeyden önce mutfağa girip orayı paspaslamamız gerek.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Ayrıca eğer mutfakta lavabo açıcı kullanırsak
15:22
that helps.
370
907000
3000
bunun işe yarayacağını biliyoruz.
15:25
Whereas living room water,
371
910000
2000
Ama sorun oturma odası suyu ise
15:27
it's better to do tar on the roof."
372
912000
2000
daha doğru olan çatıdaki katranı tamir etmek."
15:29
And it sounds silly,
373
914000
2000
Aptalca geliyor, biliyorum,
15:31
but that's basically what we do.
374
916000
2000
ama yaptığımız hemen hemen bu.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Eğer kanser olduysanız yerdeki suyu paspaslamayın demiyorum.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Söylemeye çalıştığım bunun esas problem olmadığı;
15:39
that's the symptom of the problem.
377
924000
2000
sadece problemin bir belirtisi.
15:41
What we really need to get at
378
926000
2000
Esas anlamamız gereken
15:43
is the process that's going on,
379
928000
2000
sürecin ne olduğu,
15:45
and that's happening at the level
380
930000
2000
ve bu da aslında proteonomik hareketler
15:47
of the proteonomic actions,
381
932000
2000
seviyesinde oluşuyor,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
vücudunuzun normalde yaptığı gibi neden kendi kendini
15:52
in the way that it normally does?
383
937000
2000
tamir edemediği ile ilgili bir seviyede.
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Çünkü normalde, vücudunuz bu sorunla sürekli yüzleşiyor.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Ya da evinizde sürekli bir su sızıntısı sorunu var.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Ama ev onları tamir ediyor, süzüyor vesaire.
16:04
So what we need
387
949000
3000
demek ki esas ihtiyacımız olan
16:07
is to have a causative model
388
952000
4000
esas olup biteni gösteren bir
16:11
of what's actually going on,
389
956000
2000
bir nedensel model.
16:13
and proteomics actually gives us
390
958000
3000
ve Proteomik, bize aslında
16:16
the ability to build a model like that.
391
961000
3000
böyle bir model kurma şansı veriyor.
16:19
David got me invited
392
964000
2000
David, benim
16:21
to give a talk at National Cancer Institute
393
966000
2000
Ulusal Kanser Enstitü'sünde bir konuşmaya davet etti.
16:23
and Anna Barker was there.
394
968000
3000
Anna Barker de oradaydı.
16:27
And so I gave this talk
395
972000
2000
Ben de bir konuşma yaptım ve dedim ki
16:29
and said, "Why don't you guys do this?"
396
974000
3000
"Neden bunu yapmıyorsunuz?" diye sordum.
16:32
And Anna said,
397
977000
2000
Anna bana dedi ki,
16:34
"Because nobody within cancer
398
979000
3000
"Çünkü kanser hastaları
16:37
would look at it this way.
399
982000
2000
asla bu şekilde konuya bakmazlar.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Esas yapacağımız şey, kanser alanı dışında çalışan insanlardan
16:42
for people outside the field of cancer
401
987000
2000
kanser ile ilgili çok şey bilen
16:44
to get together with doctors
402
989000
2000
doktorlarla bir araya gelmelerini sağlayarak bir
16:46
who really know about cancer
403
991000
3000
program hazırlamak ve
16:49
and work out different programs of research."
404
994000
4000
farklı araştırma programları planlamak.
16:53
So David and I applied to this program
405
998000
2000
Böylece David ve ben, bir program baş vurduk ve
16:55
and created a consortium
406
1000000
2000
USC'de bir kurul oluşturuk.
16:57
at USC
407
1002000
2000
Bu kurulda
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
dünyadaki en iyi onkologlarından bazıları
17:02
and some of the best biologists in the world,
409
1007000
3000
dğnyanın en iyi biyologlarından bazıları mevcut,
17:05
from Cold Spring Harbor,
410
1010000
2000
Cold Spring Harbor'dan
17:07
Stanford, Austin --
411
1012000
2000
Stanford, Austin'e kadar --
17:09
I won't even go through and name all the places --
412
1014000
3000
Tek tek yerleri ve isimleri saymayacağım--
17:12
to have a research project
413
1017000
3000
Bunu beş yıl sürecek ve
17:15
that will last for five years
414
1020000
2000
kanser hastalığı için bahsettiğim gibi
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
bir model kuracak bir proje için oluşturduk.
17:20
We're doing it in mice first,
416
1025000
2000
Şu an fareler üzerinden çalışıyoruz.
17:22
and we will kill a lot of mice
417
1027000
2000
Bu süreç içinde
17:24
in the process of doing this,
418
1029000
2000
pek çok fareyi öldüreceğiz,
17:26
but they will die for a good cause.
419
1031000
2000
ama hepsi insanlığa bir fayda sağlayarak ölecekler.
17:28
And we will actually try to get to the point
420
1033000
3000
Aslında illeride ulaşmak isteyeceğimiz nokta
17:31
where we have a predictive model
421
1036000
2000
kanserin ne zaman orataya çıktığı
17:33
where we can understand,
422
1038000
2000
ortaya çıkarken ne gibi değişikliklere neden olduğu,
17:35
when cancer happens,
423
1040000
2000
ve hangi tedavilerin kanseri
17:37
what's actually happening in there
424
1042000
2000
tedavi edebildiği bilgilerini içeren
17:39
and which treatment will treat that cancer.
425
1044000
3000
bir öngörü modeli.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Size, gelecekte kanser tedavisinin nasıl olacağını
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
temsil eden bir resim öizmeme izin verin.
17:48
So I think eventually,
428
1053000
2000
Bence sonunda,
17:50
once we have one of these models for people,
429
1055000
2000
bir kez bu tip insan modellerinie sahip olursak,
17:52
which we'll get eventually --
430
1057000
2000
ki mutlaka bir gün olacağız --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
Yani bizim ekibimiz tam bu noktaya varamayabilir ama
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
en sonunda aynen hava durumu için kullandığımız
17:59
sort of like a global climate model for weather.
433
1064000
3000
global iklim modeli gibi bir model olacak.
18:02
It has lots of different information
434
1067000
3000
Model içinde bu proteomik dönüşüm sırasında ortaya çıkan
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
süreçlere ait çok fazla sayıda ve çok fazla seviyede
18:08
on many different scales.
436
1073000
2000
bilgi olacak.
18:10
And so we will simulate
437
1075000
2000
Ve bu modeli kullanarak
18:12
in that model
438
1077000
2000
sizin özel kanserinizi
18:14
for your particular cancer --
439
1079000
3000
simüle edebileceğiz.
18:17
and this also will be for ALS,
440
1082000
2000
Aynı şey ALS için de
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
ya da diğer sistemik nörodejeneratif hastalılar,
18:22
things like that --
442
1087000
2000
ve benzerleri için de geçerli --
18:24
we will simulate
443
1089000
2000
Size özel
18:26
specifically you,
444
1091000
2000
bir simülasyon yapacağız,
18:28
not just a generic person,
445
1093000
2000
herkese uyarlanabilir genel bir sümülasyon değil,
18:30
but what's actually going on inside you.
446
1095000
2000
aksine vücudunuzun içinde nele olup bittiğini gösterecek.
18:32
And in that simulation, what we could do
447
1097000
2000
Bu simülasyonu kullanarak size özel
18:34
is design for you specifically
448
1099000
2000
bir grup ardışık tedavi seansı
18:36
a sequence of treatments,
449
1101000
2000
yapmamız mümkün olacak,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
bunlar çok hafif tedaviler olacak, çok düşük dozlu ilaçlar.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Ya da diğer ufak şeyler "Bugün yemek yeme" gibi,
18:44
or give them a little chemotherapy,
452
1109000
2000
ya da ufak dozlu kemoterapiler,
18:46
maybe a little radiation.
453
1111000
2000
belki biraz radyasyon tedavisi.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Elbette gerektikçe cerrahi de uygulayacağız.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Ama sizi sağlığınıza geri döndürmek ve
18:54
and help your body
456
1119000
3000
vücudunuza yardımcı olmak için
18:57
guide back to health --
457
1122000
3000
size özel bir tedavi programı
19:00
guide your body back to health.
458
1125000
2000
tasarlanmış olacak.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Çünkü, eğer düzgün destek verirsek
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
vücudunuz bu durumu düzeltmek için elinden geleni yapacak.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Bir nevi alçıya almak gibi.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Yani aslında vücudunuzun kanseri tamir etmek için
19:13
for fixing cancer,
463
1138000
2000
halihazırda pekçok mekanızması mevcut
19:15
and we just have to prop those up in the right way
464
1140000
3000
bize düşen sadece onları işlerini yapabilmeleri için
19:18
and get them to do the job.
465
1143000
2000
doğu şekilde desteklemek.
19:20
And so I believe that this will be the way
466
1145000
2000
ben, kanserin gelecekteki tedavi yönteminin
19:22
that cancer will be treated in the future.
467
1147000
2000
bu şekilde olacağına inanıyorum.
19:24
It's going to require a lot of work,
468
1149000
2000
Elbette çok fazla çalışma
19:26
a lot of research.
469
1151000
2000
ve araştırma gerelkiyor.
19:28
There will be many teams like our team
470
1153000
3000
Bu konuda , bizim takımımıza benzer
19:31
that work on this.
471
1156000
2000
çok fazla sayıda farklı grup oluşacaktır.
19:33
But I think eventually,
472
1158000
2000
Ama eninde sonunda
19:35
we will design for everybody
473
1160000
2000
herkes için, kişiye özel
19:37
a custom treatment for cancer.
474
1162000
4000
bir kanser tedavi yöntemi geliştireceğiz.
19:41
So thank you very much.
475
1166000
2000
Çok teşekkür ederim.
19:43
(Applause)
476
1168000
6000
(Alkışlar)
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