TED2006
Joe DeRisi: Solving medical mysteries
Joe DeRisi'nin ViroScan'ı tıbbi gizemleri çözüyor
Filmed:
Readability: 4.3
474,538 views
Biyokimyager Joe Derisi DNA'yı kullanarak virüsleri tanımanın (ve sebep oldukları hastalıkları tedavi etmenin) yeni harika yollarından bahsediyor. Çalışması, malaryayı, SARS'ı, kuş gribini -- ve tanı alamayan günlük viral enfeksiyonların yüzde 60'ını anlamamıza yardımcı olabilir.
Joe DeRisi - Biochemist
Joe DeRisi hunts for the genes that make us sick. At his lab, he works to understand the genome of Plasmodium falciparum, the deadliest form of malaria. Full bio
Joe DeRisi hunts for the genes that make us sick. At his lab, he works to understand the genome of Plasmodium falciparum, the deadliest form of malaria. Full bio
Double-click the English transcript below to play the video.
00:12
How can we investigate
0
0
3000
Nasıl oluyor, etrafımızı saran bu virüs florasını
00:15
this flora of viruses that surround us, and aid medicine?
1
3000
5000
ve tıbbi tedavisini nasıl araştırabiliriz?
00:20
How can we turn our cumulative knowledge of virology
2
8000
4000
Virolojideki bütün bilgi birikimimizi nasıl
00:24
into a simple, hand-held, single diagnostic assay?
3
12000
4000
basit, elde yapılabilen, tek bir tanısal teste dönüştürebiliriz?
00:28
I want to turn everything we know right now about detecting viruses
4
16000
3000
Şimdi virüsleri tanımakla ilgili
00:31
and the spectrum of viruses that are out there
5
19000
2000
ve dışarıdaki virüslerin spektrumuyla ilgili bildiğimiz herşeyi
00:33
into, let's say, a small chip.
6
21000
3000
küçük bir çipe dönüştürmek istiyorum diyelim.
00:36
When we started thinking about this project --
7
24000
2000
Bu proje hakkında konuşmaya başladığımızda --
00:38
how we would make a single diagnostic assay
8
26000
3000
tek bir tanısal testin, rastgele olarak
00:41
to screen for all pathogens simultaneously --
9
29000
3000
bütün patojenleri göstermesini nasıl sağlarız --
00:44
well, there's some problems with this idea.
10
32000
2000
pekala, bu fikirde bazı sorunlar var.
00:46
First of all, viruses are pretty complex,
11
34000
4000
En başta, virüsler biraz karmaşıktır,
00:50
but they're also evolving very fast.
12
38000
4000
ama ayrıca çok hızlı evrimleşirler.
00:54
This is a picornavirus.
13
42000
1000
Bu bir pikornavirüs.
00:55
Picornaviruses -- these are things that include
14
43000
2000
Pikornavirüsler -- bunlar nezle, çocuk felci
00:57
the common cold and polio, things like this.
15
45000
3000
ve buna benzer hastalıklar yapan şeyler.
01:00
You're looking at the outside shell of the virus,
16
48000
2000
Virüsün dış kabuğuna bakıyorsunuz,
01:02
and the yellow color here are those parts of the virus
17
50000
3000
buradaki sarı renk virüsün çok çok hızlı
01:05
that are evolving very, very fast,
18
53000
2000
evrimleşen bölümleri,
01:07
and the blue parts are not evolving very fast.
19
55000
2000
mavi bölümler ise pek hızlı evrimleşmiyor.
01:09
When people think about making pan-viral detection reagents,
20
57000
3000
İnsanlar virüs tanıma ajanları yapmak istediğinde
01:12
usually it's the fast-evolving problem that's an issue,
21
60000
4000
genelde söz konusu olan bu hızlı evrimleşen bölgedir,
01:16
because how can we detect things if they're always changing?
22
64000
2000
çünkü eğer bir şeyler sürekli değişiyorsa nasıl tanıyabiliriz ki?
01:18
But evolution is a balance:
23
66000
2000
Ama evrim bir dengedir:
01:20
where you have fast change, you also have ultra-conservation --
24
68000
4000
hızlı değişimin olduğu yerde, ayrıca ultra-koruma da vardır --
01:24
things that almost never change.
25
72000
2000
neredeyse hiç değişmeyen şeyler --
01:26
And so we looked into this a little more carefully,
26
74000
3000
Biz bu meseleye biraz daha dikkatli eğildik,
01:29
and I'm going to show you data now.
27
77000
1000
ve şimdi size verileri göstereceğim.
01:30
This is just some stuff you can do on the computer from the desktop.
28
78000
3000
Bu kendi bilgisayarınızda yapabileceğiniz türden bir şey.
01:33
I took a bunch of these small picornaviruses,
29
81000
2000
Bu küçük pikornavirüslerden bir demet aldım,
01:35
like the common cold, like polio and so on,
30
83000
2000
nezle, çocuk felci, bu tarz etkenler,
01:37
and I just broke them down into small segments.
31
85000
4000
ve onları küçük bölümlere ayırdım,
01:41
And so took this first example, which is called coxsackievirus,
32
89000
3000
koksaki virüsü denen bu ilk örneği aldım
01:44
and just break it into small windows.
33
92000
2000
onu da küçük parçalara ayırdım.
01:46
And I'm coloring these small windows blue
34
94000
2000
Ve eğer farklı bir virüsün genomunda
01:48
if another virus shares an identical sequence in its genome
35
96000
5000
tamamen aynı olan sekanslar varsa
01:53
to that virus.
36
101000
1000
onları maviyle boyuyorum.
01:54
These sequences right up here --
37
102000
2000
Buradaki bu sekanslar
01:56
which don't even code for protein, by the way --
38
104000
2000
-- hiç protein kodlamadıklarını belirteyim --
01:58
are almost absolutely identical across all of these,
39
106000
3000
bütün buradakilerle neredeyse tamamen aynılar,
02:01
so I could use this sequence as a marker
40
109000
4000
yani bu sekansı, geniş bir virüs spektrumunu
02:05
to detect a wide spectrum of viruses,
41
113000
2000
tespit etmek için kullanabilirim,
02:07
without having to make something individual.
42
115000
3000
hem de özel bir şeyler yapmama gerek kalmadan.
02:10
Now, over here there's great diversity:
43
118000
2000
Şimdi, burada büyük bir çeşitlilik var:
02:12
that's where things are evolving fast.
44
120000
2000
burası hızlı evrimleşmenin olduğu yer.
02:14
Down here you can see slower evolution: less diversity.
45
122000
4000
Aşağıda ise yavaş evrimi görebilirsiniz: daha az çeşitlilik.
02:18
Now, by the time we get out here to, let's say,
46
126000
2000
Şimdi, zamanla buraya geldik, diyelim ki
02:20
acute bee paralysis virus --
47
128000
2000
akut arı felci virüsü --
02:22
probably a bad one to have if you're a bee ---
48
130000
2000
eğer bir arıysanız muhtemelen buna sahip olmak kötüdür --
02:24
this virus shares almost no similarity to coxsackievirus,
49
132000
5000
bu virüsün koksaki virüsü ile neredeyse hiç benzerliği yok,
02:29
but I can guarantee you that the sequences that are most conserved
50
137000
4000
ama size şunu garanti edebilirim ki,
02:33
among these viruses on the right-hand of the screen
51
141000
2000
ekranın sağındaki bu en korunmuş sekanslar
02:35
are in identical regions right up here.
52
143000
3000
buradaki bölgelerle tamamen aynı.
02:38
And so we can encapsulate these regions of ultra-conservation
53
146000
3000
O zaman biz evrimden yola çıkarak,
02:41
through evolution -- how these viruses evolved --
54
149000
3000
"nasıl evrimleştiler" sorusundan yola çıkarak,
02:44
by just choosing DNA elements or RNA elements
55
152000
3000
bu bölgelerdeki DNA ve RNA elemanlarını seçip,
02:47
in these regions to represent on our chip as detection reagents.
56
155000
4000
bu ultra-koruma alanlarını tespit edip, çipimizde tanı ajanı olarak kullanabiliriz.
02:51
OK, so that's what we did, but how are we going to do that?
57
159000
3000
Tamam, yani yaptığımız şey bu, ama bunu nasıl yapacağız?
02:54
Well, for a long time, since I was in graduate school,
58
162000
2000
Pekala, uzunca bir zamandır, yüksek lisans yıllarımdan beri,
02:56
I've been messing around making DNA chips --
59
164000
3000
DNA çipleri yapmakla uğraşıyordum --
02:59
that is, printing DNA on glass.
60
167000
2000
bu, DNA'nın cam üzerindeki baskısı.
03:01
And that's what you see here:
61
169000
1000
Ve burada gördüğünüz şey:
03:02
These little salt spots are just DNA tacked onto glass,
62
170000
3000
bu küçük tuz noktaları, cama yapışan DNA'lar,
03:05
and so I can put thousands of these on our glass chip
63
173000
3000
yani bunlardan binlercesini cam çipimize koyup
03:08
and use them as a detection reagent.
64
176000
2000
tanıma ajanı olarak kullanabilirim.
03:10
We took our chip over to Hewlett-Packard
65
178000
2000
Çipimizi Hewlett-Packard'a götürdük
03:12
and used their atomic force microscope on one of these spots,
66
180000
2000
ve atomik kuvvet mikroskoplarını bu noktalardan birinin üzerinde kullandık,
03:14
and this is what you see:
67
182000
2000
ve işte gördüğünüz şey:
03:16
you can actually see the strands of DNA lying flat on the glass here.
68
184000
3000
camın üzerinde dümdüz uzanan DNA iplikçiklerini görebilirsiniz.
03:19
So, what we're doing is just printing DNA on glass --
69
187000
3000
Yani, yaptığımız tek şey cam üzerine DNA baskısı yapmak --
03:22
little flat things -- and these are going to be markers for pathogens.
70
190000
4000
küçük düz şeyler -- bunlar da patojen işaretleciyileri olacak.
03:26
OK, I make little robots in lab to make these chips,
71
194000
3000
Pekala, laboratuvarda bu çipleri hazırlamaları için küçük robotlar yapıyorum,
03:29
and I'm really big on disseminating technology.
72
197000
3000
ve teknolojinin yayılmasında oldukça etkiliyimdir.
03:32
If you've got enough money to buy just a Camry,
73
200000
3000
Eğer bir Camry almaya yetecek kadar paranız varsa,
03:35
you can build one of these too,
74
203000
2000
siz de bunlardan birini yapabilirsiniz.
03:37
and so we put a deep how-to guide on the Web, totally free,
75
205000
4000
sitemize tamamen ücretsiz olarak geniş bir kılavuz koyduk
03:41
with basically order-off-the-shelf parts.
76
209000
2000
dolabınızı monte eder gibi
03:43
You can build a DNA array machine in your garage.
77
211000
3000
garajınızda büyük bir DNA dizisi makinesi yapabilirsiniz.
03:46
Here's the section on the all-important emergency stop switch.
78
214000
3000
Bu kısım bütün acil kapatma düğmelerinde bulunur.
03:49
(Laughter)
79
217000
2000
(Kahkahalar)
03:51
Every important machine's got to have a big red button.
80
219000
3000
Her önemli makinenin büyük kırmızı bir düğmesi olmalıdır.
03:54
But really, it's pretty robust.
81
222000
2000
Ama gerçekten, çok güçlü bir şey.
03:56
You can actually be making DNA chips in your garage
82
224000
3000
Gerçekten garajınızda DNA çipleri yapabilirsiniz
03:59
and decoding some genetic programs pretty rapidly. It's a lot of fun.
83
227000
4000
ve bazı genetik programları hızla çözebilirsiniz. Çok eğlencelidir.
04:03
(Laughter)
84
231000
1000
(Kahkahalar)
04:04
And so what we did -- and this is a really cool project --
85
232000
4000
Yani biz ne yaptık -- bu gerçekten hoş bir proje --
04:08
we just started by making a respiratory virus chip.
86
236000
2000
bir solunum virüsü çipi yaparak başladık.
04:10
I talked about that --
87
238000
2000
Bundan bahsetmiştim --
04:12
you know, that situation where you go into the clinic
88
240000
2000
bilirsiniz, şu hastaneye gidip de
04:14
and you don't get diagnosed?
89
242000
2000
tanı alamadığınız durumlar?
04:16
Well, we just put basically all the human respiratory viruses
90
244000
2000
Pekala, basitçe bütün insan solunum virüslerini
04:18
on one chip, and we threw in herpes virus for good measure --
91
246000
3000
bir çipe yerleştiriyoruz, ve ölçüm yapmak için uçuk virüsü fırlatıyoruz.
04:21
I mean, why not?
92
249000
1000
Neden olmasın?
04:22
The first thing you do as a scientist is,
93
250000
2000
Bir biliminsanı olarak yapacağınız ilk şey,
04:24
you make sure stuff works.
94
252000
1000
işlerin yolunda gittiğinden emin olmaktır.
04:25
And so what we did is, we take tissue culture cells
95
253000
3000
Yaptığımız şey; doku kültürü hücrelerini aldık
04:28
and infect them with various viruses,
96
256000
2000
bu hücreleri farklı virüslerle enfekte ettik
04:30
and we take the stuff and fluorescently label the nucleic acid,
97
258000
4000
oluşan şeyleri aldık ve bu hücrelerden çıkan
04:34
the genetic material that comes out of these tissue culture cells --
98
262000
3000
nükledik asidi, genetik materyali florasan işaretlemeyle işaretledik.
04:37
mostly viral stuff -- and stick it on the array to see where it sticks.
99
265000
4000
çoğu viral şeyler -- ve birleştikleri yerleri görmek için dizi ile birleştirdik.
04:41
Now, if the DNA sequences match, they'll stick together,
100
269000
2000
Şimdi, eğer DNA sekansları uyuşuyorsa birleşecekler,
04:43
and so we can look at spots.
101
271000
2000
ve noktaları gözlemleyebileceğiz.
04:45
And if spots light up, we know there's a certain virus in there.
102
273000
2000
Eğer nokta parlarsa, orada belli bir virüs var demek.
04:47
That's what one of these chips really looks like,
103
275000
2000
Bu çipler işte böyle görünüyor,
04:49
and these red spots are, in fact, signals coming from the virus.
104
277000
3000
ve bu kırmızı noktalar da aslında virüsten gelen sinyaller.
04:52
And each spot represents a different family of virus
105
280000
3000
Her nokta farklı bir virüs ailesini
04:55
or species of virus.
106
283000
1000
ya da virüs türünü temsil ediyor.
04:56
And so, that's a hard way to look at things,
107
284000
2000
Aslında bakarsınız bu zor bir yöntem,
04:58
so I'm just going to encode things as a little barcode,
108
286000
2000
o yüzden buradaki şeyleri küçük barkodlar olarak şifreleyeceğim,
05:00
grouped by family, so you can see the results in a very intuitive way.
109
288000
4000
ailesel olarak ayrılmış şekilde, böylece sonuçları sezgisel olarak göreceksiniz.
05:04
What we did is, we took tissue culture cells
110
292000
2000
Yaptığımız şey; doku kültürü hücrelerini aldık
05:06
and infected them with adenovirus,
111
294000
2000
ve adenovirüs ile enfekte ettik,
05:08
and you can see this little yellow barcode next to adenovirus.
112
296000
4000
ve işte, adenovirüs'ün yanındaki küçük sarı barkodu görebilirsiniz.
05:12
And, likewise, we infected them with parainfluenza-3 --
113
300000
3000
Sonra benzer bir şekilde, parainfluenza-3 ile enfekte ettik
05:15
that's a paramyxovirus -- and you see a little barcode here.
114
303000
2000
bu bir paramiksovirüs'tür -- ve burada küçük barkodu görüyorsunuz.
05:17
And then we did respiratory syncytial virus.
115
305000
3000
Sonra solunum yolunun sinsityal virüsünü denedik.
05:20
That's the scourge of daycare centers everywhere --
116
308000
2000
Bu her yerde günlük bakım merkezlerinin baş belasıdır,
05:22
it's like boogeremia, basically.
117
310000
2000
karabasan gibidir.
05:24
(Laughter)
118
312000
1000
(Kahkahalar)
05:25
You can see that this barcode is the same family,
119
313000
4000
Bu barkodun aynı aile olduğunu görebilirsiniz,
05:29
but it's distinct from parainfluenza-3,
120
317000
2000
ama parainfluenza-3'ten farklıdır,
05:31
which gives you a very bad cold.
121
319000
2000
ciddi bir nezle kaparsınız.
05:33
And so we're getting unique signatures, a fingerprint for each virus.
122
321000
3000
O zaman her virüs için bir imza, bir parmak izi elde ediyoruz.
05:36
Polio and rhino: they're in the same family, very close to each other.
123
324000
3000
Çocuk felci ve rino: aynı ailedeler, birbirlerine çok yakınlar.
05:39
Rhino's the common cold, and you all know what polio is,
124
327000
2000
Rino nezle yapar, çocuk felcinin ne olduğunu zaten biliyorsunuz,
05:41
and you can see that these signatures are distinct.
125
329000
3000
bu imzaların farklı olduğunu görebilirsiniz.
05:44
And Kaposi's sarcoma-associated herpes virus
126
332000
3000
Ve kaposi sarkomu yapan herpes virüsü
05:47
gives a nice signature down here.
127
335000
2000
aşağıya hoş bir imza atıyor.
05:49
And so it is not any one stripe or something
128
337000
2000
Yani burada, bende hangi türden virüs olduğunu söyleyen
05:51
that tells me I have a virus of a particular type here;
129
339000
2000
tek bir şerit tarzı bir şey değil;
05:53
it's the barcode that in bulk represents the whole thing.
130
341000
4000
eksetiyetle her şeyi temsil eden bir barkod.
05:57
All right, I can see a rhinovirus --
131
345000
2000
Pekala, bir rinovirüs görebiliyorum
05:59
and here's the blow-up of the rhinovirus's little barcode --
132
347000
2000
ve bu da rinovirüs'ün küçük barkodunun gösterisi,
06:01
but what about different rhinoviruses?
133
349000
2000
peki ya farklı rinovirüsler?
06:03
How do I know which rhinovirus I have?
134
351000
2000
Bende hangi rinovirüs olduğunu nasıl bilebilirim?
06:05
There're 102 known variants of the common cold,
135
353000
3000
Soğuk algınlığının bilinen 102 tane varyantı var,
06:08
and there're only 102 because people got bored collecting them:
136
356000
3000
sadece 102 tane çünkü insanlar onları toplamaya üşenir:
06:11
there are just new ones every year.
137
359000
2000
her sene sadece bir iki tane yeni virüs çıkıyor.
06:13
And so, here are four different rhinoviruses,
138
361000
2000
Burada dört farklı rhinovirüs var,
06:15
and you can see, even with your eye,
139
363000
2000
ve gözünüzle bile görebilirsiniz ki,
06:17
without any fancy computer pattern-matching
140
365000
2000
hiç bilgisayarlı numune eşleştirme, tanımlama
06:19
recognition software algorithms,
141
367000
2000
programlama fantazileri olmadan,
06:21
that you can distinguish each one of these barcodes from each other.
142
369000
3000
buradaki barkodları diğerlerinden rahatlıkla ayırt edebilirsiniz.
06:24
Now, this is kind of a cheap shot,
143
372000
2000
Şimdi, burada işi ucuza kapatma şansımız var,
06:26
because I know what the genetic sequence of all these rhinoviruses is,
144
374000
3000
çünkü bütün bu rinovirüslerin genetik sekanslarını biliyorum,
06:29
and I in fact designed the chip
145
377000
1000
hatta daha iyi ayırabilmek için
06:30
expressly to be able to tell them apart,
146
378000
2000
bir de çip tasarladım,
06:32
but what about rhinoviruses that have never seen a genetic sequencer?
147
380000
4000
ama daha önce hiç bir genetik sekansçı görmeyen rinovirüsler ne olacak?
06:36
We don't know what the sequence is; just pull them out of the field.
148
384000
2000
Sekanslarının ne olduğunu bilmiyoruz, sadece çevreden topluyoruz.
06:38
So, here are four rhinoviruses
149
386000
2000
İşte haklarında hiçbir şey bilmediğimiz
06:40
we never knew anything about --
150
388000
2000
dört tane rinovirüs --
06:42
no one's ever sequenced them -- and you can also see
151
390000
3000
henüz kimse sekanslamamış
06:45
that you get unique and distinguishable patterns.
152
393000
2000
benzersiz ve fark edilebilir örnekler olduklarını görebilirsiniz.
06:47
You can imagine building up some library, whether real or virtual,
153
395000
3000
Gerçekten veya hayalen, her virüsün parmak izini içeren
06:50
of fingerprints of essentially every virus.
154
398000
2000
bir kütüphane kurduğunuzu hayal edebilirsiniz.
06:52
But that's, again, shooting fish in a barrel, you know, right?
155
400000
3000
Ama bu yine, kovadan balık yakalamak olur, anlıyorsunuz değil mi?
06:55
You have tissue culture cells. There are a ton of viruses.
156
403000
2000
Doku kültürü hücreleriniz var: bir sürü virüs.
06:57
What about real people?
157
405000
2000
Peki ya gerçek insanlar?
06:59
You can't control real people, as you probably know.
158
407000
2000
Bildiğiniz gibi, gerçek insanları kontrol edemezsiniz.
07:01
You have no idea what someone's going to cough into a cup,
159
409000
4000
Biri öksürdüğünde bardağa neler saçacağı hakkında fikriniz yok,
07:05
and it's probably really complex, right?
160
413000
3000
ve muhtemelen çok karmaşıktır, değil mi?
07:08
It could have lots of bacteria, it could have more than one virus,
161
416000
3000
Birçok bakteri olabilir, birden çok virüs olabilir,
07:11
and it certainly has host genetic material.
162
419000
2000
ve kesinlikle bulaştıranın genetik materyalini içeriyordur,
07:13
So how do we deal with this?
163
421000
1000
o zaman bununla nasıl başa çıkabiliriz?
07:14
And how do we do the positive control here?
164
422000
2000
Buradaki pozitif kontrolü nasıl yapalım?
07:16
Well, it's pretty simple.
165
424000
2000
Aslında oldukça basit.
07:18
That's me, getting a nasal lavage.
166
426000
2000
Bu benim, burun lavajı alırken.
07:20
And the idea is, let's experimentally inoculate people with virus.
167
428000
5000
Fikir ise şu; deneysel olarak insanları virüsle enfekte edelim
07:25
This is all IRB-approved, by the way; they got paid.
168
433000
5000
-- bu tamamen IRB onaylıdır, bunun için ödeme alıyorlar --
07:30
And basically we experimentally inoculate people
169
438000
3000
biz deneysel olarak insanlara
07:33
with the common cold virus.
170
441000
1000
soğuk algınlığı virüsünü veriyoruz.
07:34
Or, even better, let's just take people
171
442000
2000
Veya, daha da iyisi,
07:36
right out of the emergency room --
172
444000
1000
insanları acil odalarının önüne çıkarın --
07:37
undefined, community-acquired respiratory tract infections.
173
445000
4000
tanımlanmayan, toplumdan kazanılmış solunum yolu enfeksiyonları.
07:41
You have no idea what walks in through the door.
174
449000
2000
Kapından içeri neler gireceğini bilemeyiz.
07:43
So, let's start off with the positive control first,
175
451000
3000
Peki, o zaman önce pozitif kontrol ile başlayalım,
07:46
where we know the person was healthy.
176
454000
2000
biliyoruz ki bu insan bir zamanlar sağlıklıydı.
07:48
They got a shot of virus up the nose,
177
456000
2000
Burunlarından içeri virüs saldırısı oldu,
07:50
let's see what happens.
178
458000
1000
neler oluyor görelim.
07:51
Day zero: nothing happening.
179
459000
2000
Sıfırıncı gün: hiçbir şey olmadı.
07:53
They're healthy; they're clean -- it's amazing.
180
461000
2000
Sağlıklılar, temizler -- bu harika.
07:55
Actually, we thought the nasal tract might be full of viruses
181
463000
2000
Açıkçası, etrafta gayet sağlıklı bir şekilde yürürken bile
07:57
even when you're walking around healthy.
182
465000
1000
burun yolunun virüslerle dolu olacağını düşünmüştük.
07:58
It's pretty clean. If you're healthy, you're pretty healthy.
183
466000
2000
Oldukça temiz. Eğer sağlıklıysanız, oldukça sağlıklısınızdır.
08:00
Day two: we get a very robust rhinovirus pattern,
184
468000
4000
İkinci gün: çok sağlam bir rinovirüs numunemiz oldu,
08:04
and it's very similar to what we get in the lab
185
472000
2000
ve laboratuvarda yaptığımız doku kültürü deneyinde
08:06
doing our tissue culture experiment.
186
474000
1000
elde ettiğimiz virüslere çok benziyor.
08:07
So that's great, but again, cheap shot, right?
187
475000
3000
Bu harika, ama hatırlayın, ucuza kapatmalıyız değil mi?
08:10
We put a ton of virus up this guy's nose. So --
188
478000
2000
Bu adamın burnuna tonlarca virüs yerleştiriyoruz. Böylece --
08:12
(Laughter)
189
480000
1000
(Kahkahalar)
08:13
-- I mean, we wanted it to work. He really had a cold.
190
481000
4000
-- Yani, işe yaramasını istedik. Demek istediğim, gerçekten soğuk aldınlığı vardı.
08:17
So, how about the people who walk in off the street?
191
485000
4000
Peki, sokakta yürüyen insanlardan ne haber?
08:21
Here are two individuals represented by their anonymous ID codes.
192
489000
2000
Burada gizli ID kodları ile temsil edilen iki birey var.
08:23
They both have rhinoviruses; we've never seen this pattern in lab.
193
491000
4000
İkisinin de rinovirüsü var; bu örneği laboratuvarda hiç görmemiştik.
08:27
We sequenced part of their viruses;
194
495000
2000
Virüslerinin bir kısmını sekansladık;
08:29
they're new rhinoviruses no one's actually even seen.
195
497000
3000
kimsenin görmediği yeni rinovirüsler.
08:32
Remember, our evolutionary-conserved sequences
196
500000
2000
Hatırlayın, bu dizide kullandığımız
08:34
we're using on this array allow us to detect
197
502000
2000
evrimsel olarak korunan sekanslarımız
08:36
even novel or uncharacterized viruses,
198
504000
2000
yeni veya tanımlanmamış virüsleri bile tespit etmemizi sağlıyor,
08:38
because we pick what is conserved throughout evolution.
199
506000
4000
çünkü evrime bakıp neyin korunmuş olduğunu anlıyoruz.
08:42
Here's another guy. You can play the diagnosis game yourself here.
200
510000
3000
Bir başka adam. Burada tanı koymaca oyununu kendiniz oynayabilirsiniz.
08:45
These different blocks represent
201
513000
2000
Buradaki farklı bloklar
08:47
the different viruses in this paramyxovirus family,
202
515000
2000
bu paramikso virüs ailesindeki farklı virüsleri temsil ediyor,
08:49
so you can kind of go down the blocks
203
517000
1000
yani şöyle bir göz gezdirip
08:50
and see where the signal is.
204
518000
2000
sinyalin nerede olduğunu görebilirsiniz.
08:52
Well, doesn't have canine distemper; that's probably good.
205
520000
3000
Pekala, en azından gençlik hastalığı yok, bu muhtemelen iyidir.
08:55
(Laughter)
206
523000
2000
(Kahkahalar)
08:57
But by the time you get to block nine,
207
525000
2000
Ama zamanda dokuzunca bloğa geldiğinizde,
08:59
you see that respiratory syncytial virus.
208
527000
2000
şu solunum yolunun sinsityal virüsünü görüyorsunuz.
09:01
Maybe they have kids. And then you can see, also,
209
529000
3000
Belki çocukları vardır. Ve siz de görebilirsiniz,
09:04
the family member that's related: RSVB is showing up here.
210
532000
2000
kan bağı olan bir aile üyesi: RSVB burada da var.
09:06
So, that's great.
211
534000
1000
Bu harika.
09:07
Here's another individual, sampled on two separate days --
212
535000
3000
İşte farklı iki günde numune alınan başka bir birey,
09:10
repeat visits to the clinic.
213
538000
2000
hastaneye pek çok gez gelmiş.
09:12
This individual has parainfluenza-1,
214
540000
3000
Bu bireyde parainfluenza-1 var,
09:15
and you can see that there's a little stripe over here
215
543000
2000
burada Sendai virüsü'nü gösteren küçük bir şerit
09:17
for Sendai virus: that's mouse parainfluenza.
216
545000
3000
olduğunu görebilirsiniz: bu fare parainfluenza'sı.
09:20
The genetic relationships are very close there. That's a lot of fun.
217
548000
4000
Aralarındaki genetik ilişki oldukça yakın. Bu çok eğlenceli.
09:24
So, we built out the chip.
218
552000
1000
O halde, çipimizi yaptık.
09:25
We made a chip that has every known virus ever discovered on it.
219
553000
4000
Üzerinde şu ana kadar kaşfedilen bütün virüsleri barındıran bir çip yaptık.
09:29
Why not? Every plant virus, every insect virus, every marine virus.
220
557000
3000
Neden olmasın? Her bitki virüsü, her böcek virüsü, her deniz virüsü.
09:32
Everything that we could get out of GenBank --
221
560000
2000
GenBank'ta bulabildiğimiz her şey
09:34
that is, the national repository of sequences.
222
562000
2000
-- bu ulusan sekans deposudur --
09:36
Now we're using this chip. And what are we using it for?
223
564000
3000
Şimdi bu çipi kullanalım. Niye kullanıyoruz?
09:39
Well, first of all, when you have a big chip like this,
224
567000
2000
Pekala, her şeyden önce, bunun gibi büyük bir çipiniz olduğunda,
09:41
you need a little bit more informatics,
225
569000
2000
birazcık daha fazla bilişime ihtiyacınız olur,
09:43
so we designed the system to do automatic diagnosis.
226
571000
2000
o yüzden otomatik tanı koyan bir sistem tasarladık.
09:45
And the idea is that we simply have virtual patterns,
227
573000
3000
Fikir şöyle; sanal numunelerimiz var
09:48
because we're never going to get samples of every virus --
228
576000
2000
çünkü asla her virüsten örnek alamayız;
09:50
it would be virtually impossible. But we can get virtual patterns,
229
578000
3000
bu imkansız olurdu. Ama sanal numuneler elde edebiliriz,
09:53
and compare them to our observed result --
230
581000
2000
ve gözlemlediğimiz sonuçla karşılaştırırız,
09:55
which is a very complex mixture -- and come up with some sort of score
231
583000
4000
bu çok karmaşık bir karışım olur ve bunu bir rinovirüs olup olmadığını
09:59
of how likely it is this is a rhinovirus or something.
232
587000
3000
gösteren bir tür puanlama ile birlikte gelir.
10:02
And this is what this looks like.
233
590000
2000
İşte böyle görünüyor.
10:04
If, for example, you used a cell culture
234
592000
2000
Eğer, mesela, bir hücre kültürü kullandıysanız
10:06
that's chronically infected with papilloma,
235
594000
2000
bu kronik olarak papilloma ile enfekte olmuştur,
10:08
you get a little computer readout here,
236
596000
2000
burada küçük bir bilgisayar çıktısı alırsınız,
10:10
and our algorithm says it's probably papilloma type 18.
237
598000
4000
ve algoritmamız bize bunun muhtemelen papilloma tip 18 olduğunu söyler.
10:14
And that is, in fact, what these particular cell cultures
238
602000
2000
Bu, buradaki herbir hücre kültürünün
10:16
are chronically infected with.
239
604000
2000
kronik olarak enfekte olduğu ajan.
10:18
So let's do something a little bit harder.
240
606000
2000
O zaman daha zor bir şeyler yapalım.
10:20
We put the beeper in the clinic.
241
608000
1000
Çağrı cihazını kliniğe koyuyoruz.
10:21
When somebody shows up, and the hospital doesn't know what to do
242
609000
3000
Biri çıkageldiği zaman ve hastane tanı koyamadığı için
10:24
because they can't diagnose it, they call us.
243
612000
2000
ne yapacağını bilmediği zaman, bizi arıyorlar.
10:26
That's the idea, and we're setting this up in the Bay Area.
244
614000
2000
fikir bu, bu sistemi körfez bölgesine kuruyoruz.
10:28
And so, this case report happened three weeks ago.
245
616000
2000
Bu vaka raporu 3 hafta önce oldu.
10:30
We have a 28-year-old healthy woman, no travel history,
246
618000
3000
28 yaşında sağlıklı bir kadın, seyahat hikayesi yok,
10:33
[unclear], doesn't smoke, doesn't drink.
247
621000
3000
sigare içmiyor, alkol kullanmıyor.
10:36
10-day history of fevers, night sweats, bloody sputum --
248
624000
4000
10 gündür ateşi var, gece terlemeleri, kanlı balgam,
10:40
she's coughing up blood -- muscle pain.
249
628000
2000
öksürdüğünde kan geliyor, kas ağrıları var.
10:42
She went to the clinic, and they gave her antibiotics
250
630000
4000
Hastaneye gitti ve ona bazı antibiyotikler verdiler, doğru,
10:46
and then sent her home.
251
634000
1000
ve sonra eve gönderdiler.
10:47
She came back after ten days of fever, right? Still has the fever,
252
635000
4000
On gün boyunca ateşi düşmedi ve tekrar geldi -- hala ateşi vardı --
10:51
and she's hypoxic -- she doesn't have much oxygen in her lungs.
253
639000
3000
ve hipoksik durumdaydı -- akciğerlerinde yeteri kadar oksijen yoktu.
10:54
They did a CT scan.
254
642000
1000
Bir BT taraması yaptılar.
10:55
A normal lung is all sort of dark and black here.
255
643000
4000
Buradaki karanlık siyah şeyler normal akciğer.
10:59
All this white stuff -- it's not good.
256
647000
2000
Beyaz şeyler ise -- iyi değil.
11:01
This sort of tree and bud formation indicates there's inflammation;
257
649000
3000
Bu tarz bir ağaç-tomurcuk yapısı iltihap olduğunu gösterir;
11:04
there's likely to be infection.
258
652000
2000
bir enfeksiyon olması muhtemel.
11:06
OK. So, the patient was treated then
259
654000
3000
Tamam. Hastaya daha sonra
11:09
with a third-generation cephalosporin antibiotic and doxycycline,
260
657000
4000
üçüncü nesil bir sefalosporin antibiyotik ve doksisilin verildi,
11:13
and on day three, it didn't help: she had progressed to acute failure.
261
661000
4000
ve üçüncü gün, işe yaramadı; akut yetmezliğe ilerledi.
11:17
They had to intubate her, so they put a tube down her throat
262
665000
3000
Onu intübe etmeleri gerekti, boğazından bir tüp geçirdiler
11:20
and they began to mechanically ventilate her.
263
668000
1000
ve mekanik olarak hava vermeye başladılar.
11:21
She could no longer breathe for herself.
264
669000
2000
Artık yardım olmadan nefes alamıyordu.
11:23
What to do next? Don't know.
265
671000
2000
Şimdi ne yapalım? Bilmiyoruz.
11:25
Switch antibiotics: so they switched to another antibiotic,
266
673000
3000
Antibiyotikleri değiştirelim, başka bir antibiyotiğe geçtiler,
11:28
Tamiflu.
267
676000
2000
Tamiflu verdiler,
11:30
It's not clear why they thought she had the flu,
268
678000
2000
-- neden grip olduğunu düşündükleri pek açık değil --
11:32
but they switched to Tamiflu.
269
680000
2000
ama Tamiflu'ya geçtiler.
11:34
And on day six, they basically threw in the towel.
270
682000
2000
Altıncı gün, artık havlu attılar.
11:36
You do an open lung biopsy when you've got no other options.
271
684000
4000
Başka seçeneğiniz yoksa açık akciğer biyopsisi yaparsınız.
11:40
There's an eight percent mortality rate with just doing this procedure,
272
688000
2000
Sadece bu işlemde yüzde sekiz ölüm oranı var,
11:42
and so basically -- and what do they learn from it?
273
690000
3000
bu kadar açık -- peki bundan ne öğreniyorlar?
11:45
You're looking at her open lung biopsy.
274
693000
2000
Açık akciğer biyopsisini görüyorsunuz.
11:47
And I'm no pathologist, but you can't tell much from this.
275
695000
2000
Ben patolog değilim, ama bundan fazlasını söyleyemezsiniz.
11:49
All you can tell is, there's a lot of swelling: bronchiolitis.
276
697000
3000
Tek söyleyebileceğiniz birçok şişliğin olduğu: bronşiolit.
11:52
It was "unrevealing": that's the pathologist's report.
277
700000
3000
Bu sonuç vermiyordu: işte patoloji raporu.
11:55
And so, what did they test her for?
278
703000
3000
O zaman ne diye test yaptılar?
11:58
They have their own tests, of course,
279
706000
1000
Elbette kendi testleri var,
11:59
and so they tested her for over 70 different assays,
280
707000
3000
ve her yerde bulunabilen her türlü bakteriyi,
12:02
for every sort of bacteria and fungus and viral assay
281
710000
3000
mantarı, virüsü test etmek için
12:05
you can buy off the shelf:
282
713000
2000
70 tane farklı test yaptılar.
12:07
SARS, metapneumovirus, HIV, RSV -- all these.
283
715000
3000
SARS, metapnömo virüs, HIV, RSV -- bunların hepsi.
12:10
Everything came back negative, over 100,000 dollars worth of tests.
284
718000
4000
Hepsi negatif çıktı. Testlerin maliyeti 100,000 dolardan fazla.
12:14
I mean, they went to the max for this woman.
285
722000
3000
Demek istediğim, bu kadın için sınırları zorladılar.
12:17
And basically on hospital day eight, that's when they called us.
286
725000
3000
Ve hastanedeki sekizinci gün, bizi aradılar.
12:20
They gave us endotracheal aspirate --
287
728000
2000
Bize endotrakeal aspirat örneği verdiler --
12:22
you know, a little fluid from the throat,
288
730000
2000
bilirsiniz, boğazdan alınan bir miktar sıvı,
12:24
from this tube that they got down there -- and they gave us this.
289
732000
2000
işte aldıkları bu tüpün içinde -- ve bize verdiler.
12:26
We put it on the chip; what do we see? Well, we saw parainfluenza-4.
290
734000
5000
Biz bunu çipe koyduk; ne görüyoruz? İşte, parainfluenza-4.
12:31
Well, what the hell's parainfluenza-4?
291
739000
2000
İyi güzel de, parainfluenza-4 de neyin nesi?
12:33
No one tests for parainfluenza-4. No one cares about it.
292
741000
3000
Kimse parainfluenza-4 için test yapmaz. Kimse onu kaale almaz.
12:36
In fact, it's not even really sequenced that much.
293
744000
3000
Hatta, pek sekanslama da yapılmamıştır.
12:39
There's just a little bit of it sequenced.
294
747000
2000
Sadece bir kısmı sekanslandı.
12:41
There's almost no epidemiology or studies on it.
295
749000
2000
Neredeyse hiç epidemiyoloji ya da çalışma yok.
12:43
No one would even consider it,
296
751000
2000
Kimse dikkate bile almamış,
12:45
because no one had a clue that it could cause respiratory failure.
297
753000
3000
çünkü kimsede solunum yetmezliği yapabileceğine dair bir ipucu yok.
12:48
And why is that? Just lore. There's no data --
298
756000
3000
Peki neden? Sadece ilim. Hiç veri yok --
12:51
no data to support whether it causes severe or mild disease.
299
759000
4000
Ağır ya da hafif hastalığa sebep olduğunu destekleyecek hiç veri yok.
12:55
Clearly, we have a case of a healthy person that's going down.
300
763000
3000
Ama şurası açık ki, elimizde sağlığı dibe vuran bir insan vakası var.
12:58
OK, that's one case report.
301
766000
3000
Tamam, bu sadece bir vaka.
13:01
I'm going to tell you one last thing in the last two minutes
302
769000
2000
Son iki dakikada size son bir şey söyleyeceğim.
13:03
that's unpublished -- it's going to come out tomorrow --
303
771000
3000
bu henüz yayınlanmadı -- yarın çıkacak --
13:06
and it's an interesting case of how you might use this chip
304
774000
3000
yeni bir şey bulmak veya bir kapı açmak için
13:09
to find something new and open a new door.
305
777000
2000
bu çipi nasıl kullanabileceğinize dair bir vaka.
13:11
Prostate cancer. I don't need to give you many statistics
306
779000
4000
Prostat kanseri. Prostat kanseriyle ilgili
13:15
about prostate cancer. Most of you already know it:
307
783000
3000
pek istatistik vermeme gerek yok. Çoğunuz zaten biliyorsunuz:
13:18
third leading cause of cancer deaths in the U.S.
308
786000
2000
ABD'deki kanser ölümlerinin üçüncü sıradaki sebebi.
13:20
Lots of risk factors,
309
788000
2000
Bir sürü risk faktörü var,
13:22
but there is a genetic predisposition to prostate cancer.
310
790000
4000
ama ayrıca genetik yatkınlık da söz konusu.
13:26
For maybe about 10 percent of prostate cancer,
311
794000
2000
Prostat kanseri hastalarının belki de yüzde 10'u,
13:28
there are folks that are predisposed to it.
312
796000
2000
genetik olarak yatkın insanlardır.
13:30
And the first gene that was mapped in association studies
313
798000
4000
Ve ilişki çalışmalarında bu erken prostat kanseri
13:34
for this, early-onset prostate cancer, was this gene called RNASEL.
314
802000
4000
konusuyla ilgili haritalanan ilk gen, adına RNASEL dediğimiz bu gendi.
13:38
What is that? It's an antiviral defense enzyme.
315
806000
3000
Ne bu? Bir antiviral savunma enzimi mi?
13:41
So, we're sitting around and thinking,
316
809000
2000
Oturup biraz düşünelim.
13:43
"Why would men who have the mutation --
317
811000
2000
Antiviral savunma sisteminde mutasyon olan,
13:45
a defect in an antiviral defense system -- get prostate cancer?
318
813000
5000
hasar olan erkekler neden prostat kanseri oluyor?
13:50
It doesn't make sense -- unless, maybe, there's a virus?"
319
818000
3000
Pek mantıklı görünmüyor -- tabi eğer bir virüs yoksa.
13:53
So, we put tumors --- and now we have over 100 tumors -- on our array.
320
821000
6000
Tümörleri testimize ekledik -- şimdi 100'den fazla tümör var --
13:59
And we know who's got defects in RNASEL and who doesn't.
321
827000
3000
Kimin RNASEL geninde hasar olduğunu, kimde olmadığını biliyoruz.
14:02
And I'm showing you the signal from the chip here,
322
830000
3000
Burada size çipten gelen sinyali gösteriyorum,
14:05
and I'm showing you for the block of retroviral oligos.
323
833000
4000
ve retroviral oligo bloklarını gösteriyorum.
14:09
And what I'm telling you here from the signal, is
324
837000
2000
Ve bu sinyale bakarak diyorum ki,
14:11
that men who have a mutation in this antiviral defense enzyme,
325
839000
4000
bu antiviral savunma enziminde nutasyon olan bir adamın,
14:15
and have a tumor, often have -- 40 percent of the time --
326
843000
4000
eğer tümörü de varsa, muhtemelen -- %40 ihtimalle --
14:19
a signature which reveals a new retrovirus.
327
847000
4000
yeni bir retrovirüs ortaya koyan bir imzası vardır.
14:23
OK, that's pretty wild. What is it?
328
851000
3000
Tamam, bu çok vahşice. Nedir peki?
14:26
So, we clone the whole virus.
329
854000
1000
Bütün virüsü klonladık.
14:27
First of all, I'll tell you that a little automated prediction told us
330
855000
4000
Öncelikle şunu belirteyim, küçük bir otomatik tahmin
14:31
it was very similar to a mouse virus.
331
859000
2000
bize bu virüsün fare virüsüne çok benzediğini söyledi.
14:33
But that doesn't tell us too much,
332
861000
1000
Ama bu çok da anlam ifade etmiyor,
14:34
so we actually clone the whole thing.
333
862000
2000
o yüzden bütün yapıyı klonladık.
14:36
And the viral genome I'm showing you right here?
334
864000
2000
Şu anda size gösterdiğim viral genom nedir?
14:38
It's a classic gamma retrovirus, but it's totally new;
335
866000
3000
Klasik bir gama retrovirüs, ama tamamen yeni;
14:41
no one's ever seen it before.
336
869000
1000
kimse daha önce görmemişti.
14:42
Its closest relative is, in fact, from mice,
337
870000
3000
En yakın akrabası bir farelerden geliyor,
14:45
and so we would call this a xenotropic retrovirus,
338
873000
4000
o zaman buna "farklı çoğalan" anlamında xenotropik retrovirüs diyebiliriz
14:49
because it's infecting a species other than mice.
339
877000
3000
çünkü fareden farklı bir türü enfekte ediyor.
14:52
And this is a little phylogenetic tree
340
880000
2000
Bu, bizi diğer virüslerle olan ilişkisini gösteren
14:54
to see how it's related to other viruses.
341
882000
2000
küçük bir filogenetik ağaç.
14:56
We've done it for many patients now,
342
884000
3000
Şu ana kadar birçok hastaya uyguladık,
14:59
and we can say that they're all independent infections.
343
887000
3000
ve hepsinin birbirinden bağımsız enfeksiyonlar olduğunu söyleyebiliriz.
15:02
They all have the same virus,
344
890000
1000
Hepsinde aynı virüs var,
15:03
but they're different enough that there's reason to believe
345
891000
3000
ama bu virüsleri farklı yerlerden aldıklarını ispatlamaya
15:06
that they've been independently acquired.
346
894000
2000
yetecek kadar birbirlerinden farklılar.
15:08
Is it really in the tissue? And I'll end up with this: yes.
347
896000
2000
Gerçekten dokuda mı? Bunu söyleyip bitiriyorum. Evet
15:10
We take slices of these biopsies of tumor tissue
348
898000
3000
Bu tümör dokusu biyopsilerinden dilimler alıyoruz
15:13
and use material to actually locate the virus,
349
901000
2000
ve virüsü yerleştirmek için malzemeyi kullanıyoruz,
15:15
and we find cells here with viral particles in them.
350
903000
4000
ve içinde viral parçacıklar olan hücreler görüyoruz.
15:19
These guys really do have this virus.
351
907000
2000
Bu adamlarda gerçekten bu virüs var.
15:21
Does this virus cause prostate cancer?
352
909000
2000
Bu virüs prostat kanseri yapıyor mu?
15:23
Nothing I'm saying here implies causality. I don't know.
353
911000
4000
Aslında burada söylediklerim nedensillik ima etmiyor. Bilmiyorum.
15:27
Is it a link to oncogenesis? I don't know.
354
915000
2000
Kanserleşmeyle bağlantısı var mı? Bilmiyorum.
15:29
Is it the case that these guys are just more susceptible to viruses?
355
917000
4000
Vakayı oluşturan sadece bu adamların daha hassas olması mı?
15:33
Could be. And it might have nothing to do with cancer.
356
921000
3000
Olabilir. Ve kanserle hiç ilişkisi olmayabilir.
15:36
But now it's a door.
357
924000
1000
Ama bu bir kapı.
15:37
We have a strong association between the presence of this virus
358
925000
3000
Virüsün varlığıyla kansere yol açan genetik mutasyon arasında
15:40
and a genetic mutation that's been linked to cancer.
359
928000
3000
oldukça güçlü bir bağlantı var.
15:43
That's where we're at.
360
931000
1000
Bulunduğumuz nokta burası.
15:44
So, it opens up more questions than it answers, I'm afraid,
361
932000
4000
Korkarım bu cevaptan çok sorulara yol açıyor,
15:48
but that's what, you know, science is really good at.
362
936000
2000
ama bu tam da, bilirsiniz, bilimin gerçekten iyi olduğu şey.
15:50
This was all done by folks in the lab --
363
938000
2000
Bunların hepsi laboratuvar milleti tarafından yapıldı;
15:52
I cannot take credit for most of this.
364
940000
1000
Çoğunu kendi üzerime alamam.
15:53
This is a collaboration between myself and Don.
365
941000
1000
Bu, ben ve Don arasındaki bir işbirliği.
15:54
This is the guy who started the project in my lab,
366
942000
3000
Bu, laboratuvarımda projeyi başlatan adam,
15:57
and this is the guy who's been doing prostate stuff.
367
945000
2000
ve bu da işin prostat kısmını yapan adam.
15:59
Thank you very much. (Applause)
368
947000
3000
Çok teşekkür ederim.
ABOUT THE SPEAKER
Joe DeRisi - BiochemistJoe DeRisi hunts for the genes that make us sick. At his lab, he works to understand the genome of Plasmodium falciparum, the deadliest form of malaria.
Why you should listen
Joseph DeRisi is a molecular biologist and biochemist, on the hunt for the genomic basis of illness. His lab at UCSF is focused on the cause of malaria, and he's also poked into SARS, avian flu and other new diseases as they crop up. His approach combines scientific rigor with a nerd's boundary-breaking enthusiasm for new techniques -- one of the qualities that helped him win a MacArthur "genius" grant in 2004. A self-confessed computer geek, DeRisi designed and programmed a groundbreaking tool for finding (and fighting) viruses -- the ViroChip, a DNA microarray that test for the presence of all known viruses in one step.
In 2008, DeRisi won the Heinz Award for Technology, the Economy and Employment.
Joe DeRisi | Speaker | TED.com