TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Sheila Nirenberg: Körlüğü tedavi edecek protez bir göz
Filmed:
Readability: 4.3
470,530 views
Sheila Nirenberg, optik sinirlere bağlanan bir kamera ile sinyalleri doğrudan beyine göndererek bazı körlük tiplerinde görüşü sağlayacak cüretkâr bir yöntemi anlatıyor.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
Beynin bilgiyi nasıl
00:17
information. That is, how it takes
1
2000
2000
işlediğini araştırıyorum. Yani
00:19
information in from the outside world, and
2
4000
2000
beynin dış dünyadan bilgiyi alıp
00:21
converts it into patterns of electrical activity,
3
6000
2000
bunu nasıl elektriksel aktivite dizilerine çevirdiğini,
00:23
and then how it uses those patterns
4
8000
2000
ve bu dizileri bişeyler yapmak için
00:25
to allow you to do things --
5
10000
2000
nasıl kullandığını araştırıyorum --
00:27
to see, hear, to reach for an object.
6
12000
2000
--görmek, duymak, bir nesneye uzanmak gibi.
00:29
So I'm really a basic scientist, not
7
14000
2000
Ben gerçekten sade bir bilimciyim,
00:31
a clinician, but in the last year and a half
8
16000
2000
klinisyen değilim, fakat ,
00:33
I've started to switch over, to use what
9
18000
2000
protez cihazlar üretme amacıyla
00:35
we've been learning about these patterns
10
20000
2000
bu aktivite dizileri hakkında öğrendiklerimi kullanmak için
00:37
of activity to develop prosthetic devices,
11
22000
3000
son bir buçuk sene içerisinde değişmeye başladım
00:40
and what I wanted to do today is show you
12
25000
2000
ve bu gün yapmak istediğim
00:42
an example of this.
13
27000
2000
bunun bir örneğini size göstermek.
00:44
It's really our first foray into this.
14
29000
2000
Bu gerçekten ilk deneysel girişimimiz.
00:46
It's the development of a prosthetic device
15
31000
2000
Bu görme engelliliği tedavi etmek için
00:48
for treating blindness.
16
33000
2000
protez bir cihazın geliştirilmesi.
00:50
So let me start in on that problem.
17
35000
2000
Problemi anlatayım.
00:52
There are 10 million people in the U.S.
18
37000
2000
Amerika'da 10 milyon,
00:54
and many more worldwide who are blind
19
39000
2000
tüm dünyada ise bundan çok daha fazla
00:56
or are facing blindness due to diseases
20
41000
2000
görme engelli, sarı nokta hastalığı gibi
00:58
of the retina, diseases like
21
43000
2000
retina hastalıkları yüzünden
01:00
macular degeneration, and there's little
22
45000
2000
görememekte ve onlar için
01:02
that can be done for them.
23
47000
2000
yapılabilecek pek bir şey yok.
01:04
There are some drug treatments, but
24
49000
2000
Bazı ilaç tedavileri var,
01:06
they're only effective on a small fraction
25
51000
2000
fakat bunlar nüfusun çok az bir kısmında
01:08
of the population. And so, for the vast
26
53000
2000
yararlı olabiliyor. Bu yüzden
01:10
majority of patients, their best hope for
27
55000
2000
hastaların çoğu için tekrar görebilme
01:12
regaining sight is through prosthetic devices.
28
57000
2000
umutlarının en büyüğü protez aygıtlarda.
01:14
The problem is that current prosthetics
29
59000
2000
Sorun ise halihazırdaki protez cihazlar
01:16
don't work very well. They're still very
30
61000
2000
iyi çalışmıyorlar. Sağlayabildikleri görüş
01:18
limited in the vision that they can provide.
31
63000
2000
hâlâ oldukça sınırlı.
01:20
And so, you know, for example, with these
32
65000
2000
Bu cihazlarla parlak ışıklar gibi
01:22
devices, patients can see simple things
33
67000
2000
basit şeyleri ve yüksek zıtlığa sahip
01:24
like bright lights and high contrast edges,
34
69000
2000
kenarları görmek mümkün,
01:26
not very much more, so nothing close
35
71000
2000
fakat normal görüşe yakın
01:28
to normal vision has been possible.
36
73000
3000
bir görüş mümkün değil.
01:31
So what I'm going to tell you about today
37
76000
2000
Bu gün size uzun zamandır üzerinde çalıştığımız
01:33
is a device that we've been working on
38
78000
2000
ve bu konuda bir fark yaratma potansiyeline
01:35
that I think has the potential to make
39
80000
2000
sahip bir cihazdan bahsedeceğim,
01:37
a difference, to be much more effective,
40
82000
2000
bu cihaz çok daha etkili
01:39
and what I wanted to do is show you
41
84000
2000
ve size nasıl çalıştığını göstermek
01:41
how it works. Okay, so let me back up a
42
86000
2000
istiyorum. Tamam, şimdi biraz
01:43
little bit and show you how a normal retina
43
88000
2000
normal retinanın nasıl çalıştığına bakalım
01:45
works first so you can see the problem
44
90000
2000
ki çözmeye çalıştığımız
01:47
that we were trying to solve.
45
92000
2000
problemi görün.
01:49
Here you have a retina.
46
94000
2000
İşte retina.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Burada bir resim, retina ve beyin var.
01:53
So when you look at something, like this image
48
98000
2000
Bir şeye baktığınızda
01:55
of this baby's face, it goes into your eye
49
100000
2000
buradaki bebek yüzü gibi bir resime mesela,
01:57
and it lands on your retina, on the front-end
50
102000
2000
resimden yansıyan ışık gözünüzde retinaya düşüyor,
01:59
cells here, the photoreceptors.
51
104000
2000
ve burada ön-yüz hücrelerine, fotoreseptörlere düşüyor.
02:01
Then what happens is the retinal circuitry,
52
106000
2000
Sonra retinal devre,
02:03
the middle part, goes to work on it,
53
108000
2000
orta kısım, fotoreseptörlerden gelen
02:05
and what it does is it performs operations
54
110000
2000
veri üzerinde işlemler uyguluyor,
02:07
on it, it extracts information from it, and it
55
112000
2000
bu verideki bilgiyi çıkarıyor
02:09
converts that information into a code.
56
114000
2000
ve o bilgiyi koda dönüştürüyor.
02:11
And the code is in the form of these patterns
57
116000
2000
Ve kod beyine gönderilen
02:13
of electrical pulses that get sent
58
118000
2000
elektrik darbeleri örüntüsü formunda,
02:15
up to the brain, and so the key thing is
59
120000
2000
yani önemli olan görüntü
02:17
that the image ultimately gets converted
60
122000
2000
sonuçta bir koda dönüştürülüyor.
02:19
into a code. And when I say code,
61
124000
2000
Ve kod dediğimde, mecazi olarak değil
02:21
I do literally mean code.
62
126000
2000
tam anlamıyla koddan bahsediyorum.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Mesela bu darbe dizileri aslında "bebek yüzü" anlamına geliyor
02:26
and so when the brain gets this pattern
64
131000
2000
ve beyin bu darbe dizilerini aldığında,
02:28
of pulses, it knows that what was out there
65
133000
2000
orada olanın bir bebeğin
02:30
was a baby's face, and if it
66
135000
2000
yüzü olduğunu anlıyor,
02:32
got a different pattern it would know
67
137000
2000
eğer farklı bir dizi alsaydı
02:34
that what was out there was, say, a dog,
68
139000
2000
aldığı diziye göre orada olanın, atıyorum, bir köpek
02:36
or another pattern would be a house.
69
141000
2000
veya bir ev olduğunu anlayabilirdi.
02:38
Anyway, you get the idea.
70
143000
2000
Herneyse, fikri anladınız.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
Ve tabi ki, gerçek hayatta, herşey dinamik,
02:42
meaning that it's changing all the time,
72
147000
2000
yani herşey sürekli değişiyor,
02:44
so the patterns of pulses are changing
73
149000
2000
darbe dizileri de sürekli değişiyor,
02:46
all the time because the world you're
74
151000
2000
çünkü izlediğiniz dünya da
02:48
looking at is changing all the time too.
75
153000
3000
sürekli değişiyor.
02:51
So, you know, it's sort of a complicated
76
156000
2000
Gördüğünüz gibi karmaşık bir problem.
02:53
thing. You have these patterns of pulses
77
158000
2000
Her milisaniyede gözünüzden çıkarak
02:55
coming out of your eye every millisecond
78
160000
2000
beyninize giden ve beyninize o an ne gördüğünü
02:57
telling your brain what it is that you're seeing.
79
162000
2000
bildiren bu darbe dizileri var.
02:59
So what happens when a person
80
164000
2000
Peki sağlıklı bir insan
03:01
gets a retinal degenerative disease like
81
166000
2000
maküler dejenerasyon gibi retinal
03:03
macular degeneration? What happens is
82
168000
2000
dejeneratif bir hastalık geçirdiğinde ne olur?
03:05
is that, the front-end cells die,
83
170000
2000
Önyüz hücreleri ölür,
03:07
the photoreceptors die, and over time,
84
172000
2000
fotoreseptörler ölür ve zamanla
03:09
all the cells and the circuits that are
85
174000
2000
bütün hücreler ve bunları birbirine
03:11
connected to them, they die too.
86
176000
2000
bağlayan devreler de ölür.
03:13
Until the only things that you have left
87
178000
2000
Sonunda elinizde tek kalan
03:15
are these cells here, the output cells,
88
180000
2000
beyine sinyalleri gönderen
03:17
the ones that send the signals to the brain,
89
182000
2000
buradaki çıkış hücreleridir,
03:19
but because of all that degeneration
90
184000
2000
fakat bütün bu dejenerasyon sebebiyle
03:21
they aren't sending any signals anymore.
91
186000
2000
onlarda artık sinyal gönderemezler.
03:23
They aren't getting any input, so
92
188000
2000
Çünkü hiçbir girdi alamazlar,
03:25
the person's brain no longer gets
93
190000
2000
yani artık bu kişinin beyni
03:27
any visual information --
94
192000
2000
hiçbir görsel veri alamamaktadır --
03:29
that is, he or she is blind.
95
194000
3000
yani kişi artık bir görme engellidir.
03:32
So, a solution to the problem, then,
96
197000
2000
Şimdi bu probleme bir çözüm,
03:34
would be to build a device that could mimic
97
199000
2000
retina çıkış hücrelerine sinyal gönderecek
03:36
the actions of that front-end circuitry
98
201000
2000
ön-yüz devresinin yaptığı işi taklit edecek
03:38
and send signals to the retina's output cells,
99
203000
2000
bir aygıt geliştirmektir, böylece retina çıkış hücreleri
03:40
and they can go back to doing their
100
205000
2000
kendi normal görevleri olan
03:42
normal job of sending signals to the brain.
101
207000
2000
beyne sinyal gönderme işini yapabilirler.
03:44
So this is what we've been working on,
102
209000
2000
Bu üzerinde çalıştığımız konuydu
03:46
and this is what our prosthetic does.
103
211000
2000
ve protez cihazımızın yaptığı iş de buydu.
03:48
So it consists of two parts, what we call
104
213000
2000
Cihaz iki parçadan oluşuyor,
03:50
an encoder and a transducer.
105
215000
2000
birisi kodlayıcı diğeri ise dönüştürücü.
03:52
And so the encoder does just
106
217000
2000
Kodlayıcı tam olarak
03:54
what I was saying: it mimics the actions
107
219000
2000
biraz önce söylediğim şeyi yapıyor.
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
ön-yüz devresinin yaptıklarını taklit ediyor --
03:58
in and converts them into the retina's code.
109
223000
2000
görüntüyü alıyor ve bunu retinanın koduna dönüştürüyor.
04:00
And then the transducer then makes the
110
225000
2000
Ardından dönüştürücü çıkış hücrelerinin
04:02
output cells send the code on up
111
227000
2000
kodu beyine iletmesini sağlıyor,
04:04
to the brain, and the result is
112
229000
2000
ve böylece normal retinal
04:06
a retinal prosthetic that can produce
113
231000
3000
çıkış üretebilen retinal bir
04:09
normal retinal output.
114
234000
2000
protez elde etmiş oluyoruz.
04:11
So a completely blind retina,
115
236000
2000
Böylece tamamen kör bir retina,
04:13
even one with no front-end circuitry at all,
116
238000
2000
hiç önyüz devresi olmasa dahi,
04:15
no photoreceptors,
117
240000
2000
hiç bir fototoreseptörü olmasa dahi,
04:17
can now send out normal signals,
118
242000
2000
beynin anlayabileceği normal sinyaller
04:19
signals that the brain can understand.
119
244000
3000
üretip beyine gönderebilecek hale geliyor.
04:22
So no other device has been able
120
247000
2000
Şimdiye kadar hiç bir cihaz
04:24
to do this.
121
249000
2000
bunu yapamamıştı.
04:26
Okay, so I just want to take
122
251000
2000
Tamam, kodlayıcı ve ne yaptığı
04:28
a sentence or two to say something about
123
253000
2000
hakkında bir iki söz etmek istiyorum,
04:30
the encoder and what it's doing, because
124
255000
2000
çünkü bu, işin gerçekten
04:32
it's really the key part and it's
125
257000
2000
önemli bir parçası,
04:34
sort of interesting and kind of cool.
126
259000
2000
ilginç ve harika.
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
'Harika' kelimesi burda tam doğru kullanılmamış olabilir,
04:38
you know what I mean.
128
263000
2000
fakat siz ne demek istediğimi anladınız.
04:40
So what it's doing is, it's replacing
129
265000
2000
Kodlayıcı elektronik çiplerin üzerinde gerçekleyebileceğimiz
04:42
the retinal circuitry, really the guts of
130
267000
2000
matematiksel formülleri kullanarak
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
retinal devrenin yerine geçiyor,
04:46
a set of equations that we can implement
132
271000
2000
gerçekten retinal devrenin tam kalbinin
04:48
on a chip. So it's just math.
133
273000
2000
yerine geçiyor. Yani sadece matematik.
04:50
In other words, we're not literally replacing
134
275000
3000
Bir başka deyişle retinanın bileşenlerini
04:53
the components of the retina.
135
278000
2000
gerçekten değiştiriyor değiliz.
04:55
It's not like we're making a little mini-device
136
280000
2000
Her farklı hücre tipi için minik
04:57
for each of the different cell types.
137
282000
2000
farklı aygıt yapıyor değiliz.
04:59
We've just abstracted what the
138
284000
2000
Sadece retinanın yaptıklarını
05:01
retina's doing with a set of equations.
139
286000
2000
matematiksel formüllerle özetliyoruz.
05:03
And so, in a way, the equations are serving
140
288000
2000
Ve böylece, bir manada bu eşitlikler, kod kitabına
05:05
as sort of a codebook. An image comes in,
141
290000
2000
benzer bir görev görüyor. Bir görüntü geliyor,
05:07
goes through the set of equations,
142
292000
3000
bazı eşitliklerden geçiyor,
05:10
and out comes streams of electrical pulses,
143
295000
2000
ve buradan aynen normal bir retinanın üreteceği şekilde
05:12
just like a normal retina would produce.
144
297000
4000
elektrik darbe dizileri çıkıyor.
05:16
Now let me put my money
145
301000
2000
Şimdi biraz laf yerine iş yapalım
05:18
where my mouth is and show you that
146
303000
2000
ve gerçekten de normal çıkış üretebildiğimizi
05:20
we can actually produce normal output,
147
305000
2000
gösterip, bunun sonuçlarının
05:22
and what the implications of this are.
148
307000
2000
neler olabileceğinden bahsedelim.
05:24
Here are three sets of
149
309000
2000
Burada üç çıkış dizisi
05:26
firing patterns. The top one is from
150
311000
2000
kümesi var. En üstte olan normal bir
05:28
a normal animal, the middle one is from
151
313000
2000
hayvandan alınmış, ortadaki ise burada anlattığımız
05:30
a blind animal that's been treated with
152
315000
2000
kodlayıcı-dönüştürücü ile tedavi edilmiş
05:32
this encoder-transducer device, and the
153
317000
2000
kör bir hayvandan alınmış,
05:34
bottom one is from a blind animal treated
154
319000
2000
en alttaki ise standart protez tedavisi uygulanmış
05:36
with a standard prosthetic.
155
321000
2000
kör bir hayvandan alınmış.
05:38
So the bottom one is the state-of-the-art
156
323000
2000
Yani en alttaki dizi kümesi, kodlayıcı olmadan
05:40
device that's out there right now, which is
157
325000
2000
sadece ışık sensörlerinden oluşan ve şu an bulunabilecek
05:42
basically made up of light detectors,
158
327000
2000
son teknoloji ile elde edebileceğiniz
05:44
but no encoder. So what we did was we
159
329000
2000
durumu gösteriyor. Bizim yaptığımız ise
05:46
presented movies of everyday things --
160
331000
2000
günlük hayatta gördüğümüz şeylerin --
05:48
people, babies, park benches,
161
333000
2000
insanların, bebeklerin, park banklarının
05:50
you know, regular things happening -- and
162
335000
2000
ve bunun gibi sıradan şeylerin görüntülerini
05:52
we recorded the responses from the retinas
163
337000
2000
bu üç grup hayvana gösterip,
05:54
of these three groups of animals.
164
339000
2000
retinalarının tepkilerini kaydetmekti.
05:56
Now just to orient you, each box is showing
165
341000
2000
Sadece bilginiz olsun diye söylüyorum, her kutu
05:58
the firing patterns of several cells,
166
343000
2000
bir çok hücrenin çıkış dizisini gösteriyor,
06:00
and just as in the previous slides,
167
345000
2000
ve önceki slaytlarda olduğu gibi,
06:02
each row is a different cell,
168
347000
2000
her satır farklı bir hucre,
06:04
and I just made the pulses a little bit smaller
169
349000
2000
ve bu uzun datayı gösterebilmek için
06:06
and thinner so I could show you
170
351000
3000
bu dizileri biraz küçültüp
06:09
a long stretch of data.
171
354000
2000
incelttim.
06:11
So as you can see, the firing patterns
172
356000
2000
Gördüğünüz gibi kodlayıcı-dönüştürücü ile
06:13
from the blind animal treated with
173
358000
2000
tedavi edilmiş kör bir hayvandan alınan
06:15
the encoder-transducer really do very
174
360000
2000
çıkış dizileri normal çıkış dizilerine
06:17
closely match the normal firing patterns --
175
362000
2000
gerçekten oldukça benziyor --
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
kusursuz değil, fakat oldukça iyi --
06:21
and the blind animal treated with
177
366000
2000
ve standart protez ile tedavi edilmiş
06:23
the standard prosthetic,
178
368000
2000
kör bir hayvandan alınan
06:25
the responses really don't.
179
370000
2000
diziler ise normal dizilere benzemiyor.
06:27
And so with the standard method,
180
372000
3000
Yani standart yöntem ile,
06:30
the cells do fire, they just don't fire
181
375000
2000
hücreler çıkış üretiyor, bu çıkış
06:32
in the normal firing patterns because
182
377000
2000
normal çıkış dizilerine benzemiyor
06:34
they don't have the right code.
183
379000
2000
çünkü doğru kodlar kendilerine gelmiyor.
06:36
How important is this?
184
381000
2000
Bu ne kadar önemli ?
06:38
What's the potential impact
185
383000
2000
Hastanın görebilmesinde
06:40
on a patient's ability to see?
186
385000
3000
bunun potansiyel etkisi nedir ?
06:43
So I'm just going to show you one
187
388000
2000
Şimdi bu soruları kısa bir şekilde cevaplayan
06:45
bottom-line experiment that answers this,
188
390000
2000
bir deney göstereceğim,
06:47
and of course I've got a lot of other data,
189
392000
2000
tabii ki konu ile ilgili başka bir çok veri var,
06:49
so if you're interested I'm happy
190
394000
2000
eğer ilgilenirseniz, fazlasını göstermekten
06:51
to show more. So the experiment
191
396000
2000
memnun olurum. Deneyin adı
06:53
is called a reconstruction experiment.
192
398000
2000
yeniden inşa deneyi.
06:55
So what we did is we took a moment
193
400000
2000
Bu kayıtlardan bir anı seçip
06:57
in time from these recordings and asked,
194
402000
3000
retinanın o an
07:00
what was the retina seeing at that moment?
195
405000
2000
ne gördüğünü sorduk?
07:02
Can we reconstruct what the retina
196
407000
2000
Retinanın o an gördüğü
07:04
was seeing from the responses
197
409000
2000
görüntüyü bu çıkış dizilerinden
07:06
from the firing patterns?
198
411000
2000
çıkartabilir miyiz ?
07:08
So, when we did this for responses
199
413000
3000
Bu deneyi standart metottan
07:11
from the standard method and from
200
416000
3000
ve bizim kodlayıcı-dönüştürücü
07:14
our encoder and transducer.
201
419000
2000
metodumuzdan alınan dizilere
07:16
So let me show you, and I'm going to
202
421000
2000
uyguladığımızda çıkan sonuçları göstereceğim.
07:18
start with the standard method first.
203
423000
2000
Standart yöntem ile başlıyoruz.
07:20
So you can see that it's pretty limited,
204
425000
2000
Gördüğünüz gibi oldukça sınırlı,
07:22
and because the firing patterns aren't
205
427000
2000
ve çıkış dizileri doğru kodda olmadığı için
07:24
in the right code, they're very limited in
206
429000
2000
orada ne olduğu hakkında fikir vermesi
07:26
what they can tell you about
207
431000
2000
açısından oldukça sınırlı.
07:28
what's out there. So you can see that
208
433000
2000
Orada bir şey olduğunu
07:30
there's something there, but it's not so clear
209
435000
2000
görebiliyorsunuz, fakat ne olduğu yeterince belirgin değil,
07:32
what that something is, and this just sort of
210
437000
2000
ve yine ilk başta söylediğime geliyorum,
07:34
circles back to what I was saying in the
211
439000
2000
standart yöntem ile
07:36
beginning, that with the standard method,
212
441000
2000
hastalar yüksek zıtlığa
07:38
patients can see high-contrast edges, they
213
443000
2000
sahip kenarları görebilir,
07:40
can see light, but it doesn't easily go
214
445000
2000
ışığı görebilir, fakat bundan
07:42
further than that. So what was
215
447000
2000
ilerisine gidemez. Peki,
07:44
the image? It was a baby's face.
216
449000
3000
resim neydi ? Bir bebeğin yüzüydü.
07:47
So what about with our approach,
217
452000
2000
Peki bizim yaklaşımımızda ne oldu,
07:49
adding the code? And you can see
218
454000
2000
yani kod kısmını eklediğimizde ?
07:51
that it's much better. Not only can you
219
456000
2000
Gördüğünüz gibi çok daha iyi .
07:53
tell that it's a baby's face, but you can
220
458000
2000
Bir bebeğin yüzü olduğunu söyleyebilmenin ötesinde
07:55
tell that it's this baby's face, which is a
221
460000
2000
bu bebeğin yüzü olduğunu da söyleyebilirsiniz,
07:57
really challenging task.
222
462000
2000
ki bu gerçekten zor bir iş.
07:59
So on the left is the encoder
223
464000
2000
Solda sadece kodlayıcının
08:01
alone, and on the right is from an actual
224
466000
2000
olması durumu gösteriliyor, sağda ise
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
kör bir retina ve kodlayıcı-dönüştürücü olması durumu.
08:05
But the key one really is the encoder alone,
226
470000
2000
Fakat burada gerçekten önemli olan kodlayıcı,
08:07
because we can team up the encoder with
227
472000
2000
çünkü kodlayıcıyı farklı dönüştürücülerle
08:09
the different transducer.
228
474000
2000
birleştirebiliriz.
08:11
This is just actually the first one that we tried.
229
476000
2000
Bu gerçekten ilk denediğimizdi.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Standart metot hakkında bir şey söylemek istiyorum.
08:15
When this first came out, it was just a really
231
480000
2000
Kör bir retinayı yanıt verebilir
08:17
exciting thing, the idea that you
232
482000
2000
hale getirme fikri bile ilk çıktığında
08:19
even make a blind retina respond at all.
233
484000
3000
sadece gerçekten heyecan verici bir fikirdi.
08:22
But there was this limiting factor,
234
487000
3000
Fakat bu sınırlayıcı faktör vardı,
08:25
the issue of the code, and how to make
235
490000
2000
kod meselesi, hücrelerin nasıl daha iyi
08:27
the cells respond better,
236
492000
2000
yanıt verebilir hale getirilip
08:29
produce normal responses,
237
494000
2000
normal yanıtlar oluşturmasının sağlanması,
08:31
and so this was our contribution.
238
496000
2000
işte bu bizim katkımızdı.
08:33
Now I just want to wrap up,
239
498000
2000
Şimdi özetlemek istiyorum,
08:35
and as I was mentioning earlier
240
500000
2000
tabii daha önce de bahsettiğim gibi,
08:37
of course I have a lot of other data
241
502000
2000
eğer ilgileniyorsanız çok fazla veri var,
08:39
if you're interested, but I just wanted to give
242
504000
2000
fakat burada sadece beyin ile
08:41
this sort of basic idea
243
506000
2000
beynin kendi dilinde iletişim kurulabilmesi
08:43
of being able to communicate
244
508000
3000
temel fikrini vermek,
08:46
with the brain in its language, and
245
511000
2000
ve bunu yapabilmenin potansiyel
08:48
the potential power of being able to do that.
246
513000
3000
gücünden bahsetmek istiyorum.
08:51
So it's different from the motor prosthetics
247
516000
2000
Yani durumumuz, iletişimin beyinden
08:53
where you're communicating from the brain
248
518000
2000
aygıta doğru olduğu motor protezlerinden oldukça farklı.
08:55
to a device. Here we have to communicate
249
520000
2000
Burada dış dünyadan beyin ile
08:57
from the outside world
250
522000
2000
iletişim kurup
08:59
into the brain and be understood,
251
524000
2000
beynin bu iletişimi
09:01
and be understood by the brain.
252
526000
2000
anlaması gerekiyor.
09:03
And then the last thing I wanted
253
528000
2000
Son olarak söylemek istediğim şey,
09:05
to say, really, is to emphasize
254
530000
2000
bu fikrin genelleştirilebileceğinin
09:07
that the idea generalizes.
255
532000
2000
altının çizilmesi gerektiğidir.
09:09
So the same strategy that we used
256
534000
2000
Yani retinanın kodunu bulmak için kullandığımız
09:11
to find the code for the retina we can also
257
536000
2000
stratejinin aynısını diğer bölgelerin
09:13
use to find the code for other areas,
258
538000
2000
kodunu bulmak için de kullanabiliriz,
09:15
for example, the auditory system and
259
540000
2000
örneğin, işitme sistemi, ya da
09:17
the motor system, so for treating deafness
260
542000
2000
hareket sistemi için, yani işitme engellilerin
09:19
and for motor disorders.
261
544000
2000
veya felçlilerin tedavisinde kullanabiliriz.
09:21
So just the same way that we were able to
262
546000
2000
Yani aynen retinadaki zarar görmüş devreyi atlayarak
09:23
jump over the damaged
263
548000
2000
retinanın çıkış hücrelerine
09:25
circuitry in the retina to get to the retina's
264
550000
2000
erişebildiğimiz gibi,
09:27
output cells, we can jump over the
265
552000
2000
kulak salyangozundaki
09:29
damaged circuitry in the cochlea
266
554000
2000
zarar görmüş devreyi atlayarak
09:31
to get the auditory nerve,
267
556000
2000
işitme sinirlerine erişebilir,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
beyin kabuğundaki zarar görmüş kısmı atlayarak
09:35
in the motor cortex, to bridge the gap
269
560000
3000
felç sebebiyle oluşmuş
09:38
produced by a stroke.
270
563000
2000
açıklığı kapatabiliriz.
09:40
I just want to end with a simple
271
565000
2000
Şu basit mesajla
09:42
message that understanding the code
272
567000
2000
bitirmek istiyorum: bu kodu anlamak gerçekten,
09:44
is really, really important, and if we
273
569000
2000
gerçekten önemli,
09:46
can understand the code,
274
571000
2000
Eğer bu kodu anlayabilirsek,
09:48
the language of the brain, things become
275
573000
2000
şu an bize imkansız gibi görünen
09:50
possible that didn't seem obviously
276
575000
2000
bir çok şey yapılabilir hale gelecek.
09:52
possible before. Thank you.
277
577000
2000
Teşekkürler.
09:54
(Applause)
278
579000
5000
(Alkışlar)
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com