TED2016
Riccardo Sabatini: How to read the genome and build a human being
ريكادو ساباتيني: كيف تقرأ الجينوم وتبني إنساناً
Filmed:
Readability: 3.6
1,834,677 views
الأسرار، الأمراض والجمال كلها مكتوبة ضمن الجينوم البشري، مجموعة كاملة من التعليمات الجينيّة اللازمة لبناء إنسان. الآن، كما أظهر لنا الباحث ورائد الأعمال ريتشارد ريكادو يظهر لنا، بأنّنا نملك القدرة على قراءة هذا الرمز المعقّد، وتوقّع أشياء كالطول ولون العينين والعمر وحتّى أيضاً هيكل الوجه - كل ذلك من خلال عينة دم فقط. وقريباً، ساباتيني يقول، إنّ فهمنا الجديد للجينوم سيمكننا من جعل العلاجات شخصيّة لعلاج الأمراض كالسرطان. نحن لدينا القوة لتغيير الحياة كما نعرفها. فكيف سنستخدمها؟
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Double-click the English transcript below to play the video.
00:12
For the next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
في 16 دقيقة القادمة سآخذكم في رحلة
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
هذه الرحلة قد تكون أكبر أحلام للبشرية:
00:18
to understand the code of life.
2
6508
2015
لفهم شفرة الحياة.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
بالنسبة إلي، بدأ كل شيء منذ عدة سنين
00:23
when I met the first 3D printer.
4
11839
2723
عندما رأيت أول طابعة ثلاثية الأبعاد.
00:26
The concept was fascinating.
5
14586
1674
كان المفهوم مدهشاً
الطابعة ثلاثية الأبعاد
تحتاج إلى ثلاثة عناصر:
تحتاج إلى ثلاثة عناصر:
00:28
A 3D printer needs three elements:
6
16284
2022
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
بعضاً من المعلومات والمواد الخام والطاقة،
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
لتصبح قادرة على خلق أي شيء
لم يكن موجوداَ في السابق.
لم يكن موجوداَ في السابق.
كنت أحل بعض المسائل الفيزيائية
وأنا عائد إلى المنزل
وأنا عائد إلى المنزل
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
أدركت بإننّي حقيقةً لطالما
عرفت الطابعة ثلاثية الأبعاد.
عرفت الطابعة ثلاثية الأبعاد.
00:44
And everyone does.
11
32140
1336
كذلك الجميع يعرفها.
00:45
It was my mom.
12
33500
1158
لقد كانت أمي.
00:46
(Laughter)
13
34682
1001
(ضحك)
00:47
My mom takes three elements:
14
35707
2414
أمي تأخذ ثلاث عناصر:
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
بعضاً من المعلومات
التي دارت بينها وبين أبي، في هذه الحالة
التي دارت بينها وبين أبي، في هذه الحالة
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
المواد الخام والطاقة التي هي الطعام
00:58
and after several months, produces me.
17
46323
2508
وبعد بضعة أشهر، أنجبوني.
01:00
And I was not existent before.
18
48855
1812
ولم أكن موجوداً من قبل.
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
إذاً بعيداً عن صدمة أمي التي
عرفت أنها كانت طابعة ثلاثية الأبعاد،
عرفت أنها كانت طابعة ثلاثية الأبعاد،
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
في الحال أصبحت مسحوراً بهذا الجزء،
01:11
the first one, the information.
21
59239
1717
الجزء الأول؛ المعلومات.
01:12
What amount of information does it take
22
60980
2251
كم من المعلومات التي تحتاج
01:15
to build and assemble a human?
23
63255
1936
لتكوين إنسان؟
01:17
Is it much? Is it little?
24
65215
1574
أهي معلومات كثيرة؟ أم قليلة؟
01:18
How many thumb drives can you fill?
25
66813
2180
كم عدد الذواكر الإصبعية التي ستملؤها؟
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
حسناً، لقد كنت أدرس الفيزياء في البداية
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
وقمت بتشبيه الإنسان
بقطع ليجو ضخمة.
بقطع ليجو ضخمة.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
إذاً، يمكنك تخيّل بأن البنى الأساسيّة هي
ذرات صغيرة
ذرات صغيرة
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
ويوجد ذرة هيدروجين هنا،
وذرة كربون هنا، وذرة نيتروجين هنا.
وذرة كربون هنا، وذرة نيتروجين هنا.
01:37
So in the first approximation,
30
85772
1571
إذاً في التشابه الأولي
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
إذا كان بإمكاني عدُّ الذرات التي
يتألف منها جسم الإنسان،
يتألف منها جسم الإنسان،
01:43
I can build it.
32
91734
1387
سأستطيع بناؤه.
01:45
Now, you can run some numbers
33
93145
2029
الآن، يمكنك حساب بعض الأرقام
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
وهذا سيكون رقم مذهل حقاً.
01:50
So the number of atoms,
35
98499
2757
إذاً عدد الذرات،
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
الملف الذي سأحفظه في القرص الإصبعي
لتكوين طفل صغير،
لتكوين طفل صغير،
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
في الحقيقة سأملئ سفينة تيتانيك كاملة بهذه
الأقراص الإصبعية --
الأقراص الإصبعية --
02:02
multiplied 2,000 times.
38
110750
2718
مضاعفة 2000 مرة.
02:05
This is the miracle of life.
39
113957
3401
هذه هي معجزة الحياة.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
من الآن فصاعداً في كل مرة تشاهد
سيدة حامل،
سيدة حامل،
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
فهي تجمع الكميات الأكبر من المعلومات
02:14
that you will ever encounter.
42
122898
1556
التي من الممكن أن تشاهدها.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
انسى المعلومات الكبيرة،
انسى جميع ما سمعته.
انسى جميع ما سمعته.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
هذه الكميات الأكبر من المعلومات
التي وجدت.
التي وجدت.
02:22
(Applause)
45
130357
3833
(تصفيق)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
لكن الطبيعة، لحسن الحظ، هي أذكى
بكثير من عالم فيزياء شاب،
بكثير من عالم فيزياء شاب،
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
وخلال أربعة مليارات سنة، استطاعت
من حزم كل المعلومات
من حزم كل المعلومات
02:34
in a small crystal we call DNA.
48
142482
2705
ضمن بلورة صغيرة ندعوها "الحمض النووي".
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
واكتشفت لأوّل مرة في عام 1950
عندما روزاليد فرانكلين،
عندما روزاليد فرانكلين،
02:41
an amazing scientist, a woman,
50
149941
1556
باحثة رائعة، وامرأة،
02:43
took a picture of it.
51
151521
1389
قامت بأخذ صورة لها.
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
لكن تطلّب الأمر منّا أكثر من 40 سنة
لنصل إلى داخل الخلية البشريّة أخيراً،
لنصل إلى داخل الخلية البشريّة أخيراً،
02:50
take out this crystal,
53
158146
1602
استخراج هذه البلورة،
02:51
unroll it, and read it for the first time.
54
159772
3080
بسطها، وقرائتها لأول مرّة.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
تبيّن لنا أنّ الرمز هو عبارة عن
أحرف أبجدية بسيطة فقط،
أحرف أبجدية بسيطة فقط،
02:58
four letters: A, T, C and G.
56
166880
3772
أربعة أحرف: آي، تي، سي وجي.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
ولبناء إنسان، أنت بحاجة إلى
ثلاثة مليارات حرف منهم.
ثلاثة مليارات حرف منهم.
03:06
Three billion.
58
174933
1179
ثلاثة مليارات.
03:08
How many are three billion?
59
176136
1579
كم هو "ثلاثة مليارات"؟
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
إنّه لا يعبّر حقّاً عن أي شيء كعدد، صحيح؟
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
لذا كنت أفكر كيف يمكنني
أن أشرحه بطريقة أفضل
أن أشرحه بطريقة أفضل
03:16
about how big and enormous this code is.
62
184634
3050
عن مدى كبر وضخامة هذا الرمز.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
لكن هناك -- أعني، سأحتاج لبعض المساعدة
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
وأفضل شخص لمساعدتي في تقديم هذا الرمز
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
في الحقيقة هو أوّل شخص قام بوضع
تسلسل السلسلة الجينية هو د.غرايغ فينتر.
تسلسل السلسلة الجينية هو د.غرايغ فينتر.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
لذا رحّبو على المسرح بالدكتورغرايغ فينتر.
03:32
(Applause)
67
200997
6931
(تصفيق)
03:39
Not the man in the flesh,
68
207952
2256
ليس الرجل موجوداً بجسده،
03:43
but for the first time in history,
69
211448
2345
وإنّما لأوّل مرّة في التاريخ،
03:45
this is the genome of a specific human,
70
213817
3462
هذا هو الجينوم لشخص واحد،
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
طبعت صفحةً بصفحة، حرف بحرف،
03:53
262,000 pages of information,
72
221087
3996
262,000 صفحة من المعلومات،
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 كيلو غراماً، شحنت من الولايات المتحدة
الأمريكيّة إلى كندا
الأمريكيّة إلى كندا
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
وهذا بفضل برونو باودين، لولو.كوم،
ورائد أعمال، قامو بكل شيء.
ورائد أعمال، قامو بكل شيء.
04:06
It was an amazing feat.
75
234362
1463
لقد كان عملاً رائعاً.
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
لكن هذا هو الإدراك البصري لما هو
"رمز الحياة".
"رمز الحياة".
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
والآن، لأوّل مرّة، أستطيع أن أقوم بعمل
شيءٍ مضحك.
شيءٍ مضحك.
04:14
I can actually poke inside it and read.
78
242672
2547
أستطيع أن أنظر بداخله وأن اقرأه.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
لذا سآخذ كتاباً ممتعاً ... كهذا الكتاب.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
لدي ملاحظة، إنّه كتابٌ كبير إلى حدٍّ ما.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
فقط لجعلك ترى ما هو "رمز الحياة".
04:32
Thousands and thousands and thousands
82
260566
3391
آلاف وآلاف وآلاف.
04:35
and millions of letters.
83
263981
2670
وملايين من الأحرف.
04:38
And they apparently make sense.
84
266675
2396
التي قد تبدو منطقيّة.
04:41
Let's get to a specific part.
85
269095
1757
دعونا نأخذ مقطعاً محدّداً.
04:43
Let me read it to you:
86
271571
1362
دعوني اقرؤه لكم:
04:44
(Laughter)
87
272957
1021
(ضحك)
04:46
"AAG, AAT, ATA."
88
274002
4006
"آي آي جي، آي آي تي، آي تي آي".
04:50
To you it sounds like mute letters,
89
278965
2067
بالنسبة لكم فإنّها تبدو حروف صامتة،
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
لكن هذه السلسلة تعطي
لون الأعين للدكتور غرايغ.
لون الأعين للدكتور غرايغ.
04:57
I'll show you another part of the book.
91
285633
1932
سأريكم جزءاً آخر من الكتاب.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
هذا الجزء حقيقةً أكثر تعقيداً.
05:02
Chromosome 14, book 132:
93
290983
2647
الصبغي 14، كتاب 132:
05:05
(Laughter)
94
293654
2090
(ضحك)
05:07
As you might expect.
95
295768
1277
كما يمكنكم أن تتوقعوا.
05:09
(Laughter)
96
297069
3466
(ضحك)
05:14
"ATT, CTT, GATT."
97
302857
4507
"آي تي تي، سي تي تي، جي آي تي تي".
05:20
This human is lucky,
98
308329
1687
هذا الإنسان محظوظ،
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
لأنّك إذا فقدت فقط حرفين فقط
في هذا الموضع --
في هذا الموضع --
05:26
two letters of our three billion --
100
314581
1877
حرفين من أصل ثلاثة مليارات --
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
سيصاب بمرض خطير:
05:30
cystic fibrosis.
102
318525
1440
التّليف الكيسي.
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
ليس لدينا أي علاج له،
ولا نعلم كيفيّة الوصول لحل،
ولا نعلم كيفيّة الوصول لحل،
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
وبحرفين فقط سنختلف عمّا نحن عليه.
05:39
A wonderful book, a mighty book,
105
327585
2705
كتابٌ رائع، كتابٌ عظيم،
05:43
a mighty book that helped me understand
106
331115
1998
كتابٌ عظيم ساعدني بأن أفهم
05:45
and show you something quite remarkable.
107
333137
2753
وسيظهر لك شيء رائع بالفعل.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
كلُّ واحدٍ منكم -- ما يجعلني أنا،
أنا وأنتم، أنتم --
أنا وأنتم، أنتم --
05:52
is just about five million of these,
109
340939
2954
إنّه فقط فوق خمسة ملايين من هذه،
05:55
half a book.
110
343917
1228
نصف كتاب.
05:58
For the rest,
111
346015
1663
بالنسبة للبقية،
05:59
we are all absolutely identical.
112
347702
2562
نحن متشابهون تماماً.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
خمس مئة صفحة هي معجزة الحياة
التي جعلتك ما أنت عليه.
التي جعلتك ما أنت عليه.
06:07
The rest, we all share it.
114
355050
2531
البقية، كلنا نتشاركها.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
لذا فكّر بهذا مرّةً أخرى عندما تفكّر
بأنّنا مختلفون.
بأنّنا مختلفون.
06:12
This is the amount that we share.
116
360538
2221
هذا هو القدر من المعلومات الذي نتشاركه.
06:15
So now that I have your attention,
117
363441
3429
إذاً بما أنّني الآن أملك انتبهاهكم،
06:18
the next question is:
118
366894
1359
السؤال التالي هو:
06:20
How do I read it?
119
368277
1151
كيف أقرؤه؟
06:21
How do I make sense out of it?
120
369452
1509
كيف أستطيع أن أفهم معانيه؟
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
حسناً، مهما كنت بارعاُ
في تجميع الأثاث السويدي،
في تجميع الأثاث السويدي،
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
هذا دليل التعليمات ستقضي بقية
حياتك في فك رموزه.
حياتك في فك رموزه.
06:31
(Laughter)
123
379260
1603
(ضحك)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
وبهذا، في 2014، اثنين من مشاهير TED،
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
بيتر ديامانديز وغرايغ فيتر بذاته،
06:38
decided to assemble a new company.
126
386587
1927
قرّرا إنشاء شركة جديدة.
06:40
Human Longevity was born,
127
388538
1412
"طول العمر البشري" قد ولدت،
06:41
with one mission:
128
389974
1370
بمهمّة واحدة:
06:43
trying everything we can try
129
391368
1861
تجريب كل ما نستطيع تجريبه
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
وتعلم كل شيء يمكننا تعلمه من هذه الكتب.
06:48
with one target --
131
396036
1705
مع هدف واحد --
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
جعل الحلم حقيقة ألا وهو "الطب الشخصي"،
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
فهم الأشياء الواجب عملها
للحصول على صحة أفضل
للحصول على صحة أفضل
06:57
and what are the secrets in these books.
134
405478
2283
وما هي أسرار هذه الكتب.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
فريق رائع، 40 باحث بيانات والكثير الكثير
من الناس،
من الناس،
الذي كان من دواعي سروري العمل معهم.
المفهوم في الحقيقة بسيطٌ جدّاً.
المفهوم في الحقيقة بسيطٌ جدّاً.
07:04
a pleasure to work with.
136
412603
1350
07:05
The concept is actually very simple.
137
413977
2253
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
سنقوم باستخدام تكنولوجيا تدعى
تعلّيم الآلة .
تعلّيم الآلة .
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
من جانب واحد، لدينا هذه الجينات --
الآلاف منها.
الآلاف منها.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
في الجانب المقابل، لقد جمعنا
قاعدة المعلومات الأكبر عن الإنسان:
قاعدة المعلومات الأكبر عن الإنسان:
الأنماط الظاهريّة، مسح ثلاثي الأبعاد،
التصوير بالرنين المغناطيسي النووي --
التصوير بالرنين المغناطيسي النووي --
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
كل ما يمكنك تخيله.
07:24
Inside there, on these two opposite sides,
142
432340
2899
بداخل ذلك، على الجانب المعاكس لهما،
07:27
there is the secret of translation.
143
435263
2442
هناك سر الترجمة.
07:29
And in the middle, we build a machine.
144
437729
2472
وفي المنتصف، نقوم ببناء آلة.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
نبني آلة ونقوم بتدريب آلة --
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
حسناً، ليست آلة واحدة فقط، العديد العديد
من الآلات --
من الآلات --
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
محاولةً لفهم وترجمة الجينوم إلى نمط ظاهري.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
ما هي هذه الأحرف، وماذا يفعلون؟
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
إنّه مدخل يمكننا استخدامه في كل شيء،
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
لكن استخدامه في علم الجينوم معقد قليلاً.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
شيئاً فشيئاً كبرنا وبدأنا ببناء
تحدّيات مختلفة.
تحدّيات مختلفة.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
بدأنا من البداية، من الصفات المشتركة.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
الصفات المشتركة مريحة
لأنّها مشتركة،
لأنّها مشتركة،
08:01
everyone has them.
154
469197
1184
كل شخص يملكها.
08:02
So we started to ask our questions:
155
470405
2494
لذا ابتدأنا بسؤالنا:
08:04
Can we predict height?
156
472923
1380
هل نستطيع أن نتوقع الطول؟
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
هل نستطيع أن نقرأ الكتاب ونتوقع طولك؟
08:09
Well, we actually can,
158
477186
1151
حسناً، يمكننا ذلك،
بدقة تصل إلى خمسة سنتيمترات.
08:10
with five centimeters of precision.
159
478361
1793
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
مشعر كتلة الجسم متعلق
إلى حدٍّ ما بطريقة معيشتك،
إلى حدٍّ ما بطريقة معيشتك،
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
بالرغم من ذلك نستطيع أن نتوقعه،
دخلنا بالنسب التقريبيّة،
دخلنا بالنسب التقريبيّة،
بدقة تصل إلى ثمانية كيلو غرامات.
08:19
Can we predict eye color?
162
487225
1231
هل نستطيع التنبؤ بلون العينين؟
نعم، نستطيع.
نعم، نستطيع.
08:20
Yeah, we can.
163
488480
1158
08:21
Eighty percent accuracy.
164
489662
1324
بدقة تصل إلى ثمانون بالمئة.
08:23
Can we predict skin color?
165
491466
1858
هل نستطيع التنبؤ بلون الجلد؟
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
نعم نستطيع، بدقة ثمانون بالمئة.
08:27
Can we predict age?
167
495813
1340
ها نستطيع التنبؤ بالعمر؟
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
نستطيع، لأنّه ظاهريّاً،
الرمز يتغيّر خلال حياتك.
الرمز يتغيّر خلال حياتك.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
حيث يقصر، وتفقد بعض الأجزاء،
ويحصل عليه اندخالات.
ويحصل عليه اندخالات.
08:37
We read the signals, and we make a model.
170
505190
2555
نحن نقرأ الإشارات، ونقوم بصناعة نموذج.
08:40
Now, an interesting challenge:
171
508438
1475
الآن، تحدي ممتع:
08:41
Can we predict a human face?
172
509937
1729
هل نستطيع التنبؤ بشكل وجه الإنسان؟
08:45
It's a little complicated,
173
513014
1278
إنّه شيءٌ معقدٌ قليلاً،
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
لأنّ وجه الإنسان يتبعثر
بين ملايين هذه الأحرف.
بين ملايين هذه الأحرف.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
كما أنّ وجه الإنسان
ليس بجسم بمعالم دقيقة جداً.
ليس بجسم بمعالم دقيقة جداً.
08:52
So, we had to build an entire tier of it
176
520184
2051
لذا، قمنا ببناء صف كامل منها
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
لتعلم وتعليم آلة ما هو "الوجه"،
08:56
and embed and compress it.
178
524993
2037
وتضمينه وضغطه.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
وإذا كنت تعرف عن تعليم الآلات،
09:01
you understand what the challenge is here.
180
529326
2284
ستفهم بالتحديات الموجودة هنا.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
الآن، بعد 15 عاماً -- 15
عاماً بعد قراءة أوّل تسلسل --
عاماً بعد قراءة أوّل تسلسل --
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
في أكتوبر هذا، بدأنا نشاهد بعض الإشارات.
09:13
And it was a very emotional moment.
183
541049
2455
وكانت لحظة عاطفيّة.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
ما تراه هنا هو متطوع دخل إلى
مخبرنا.
مخبرنا.
09:19
This is a face for us.
185
547619
1928
هذا هو وجهه.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
نقوم بأخذ الصورة الأصليّة للمتطوّع
ونقوم بتصغير التعقيد،
ونقوم بتصغير التعقيد،
09:25
because not everything is in your face --
187
553226
1970
لأنّ ليس كلُّ شيء في وجهك --
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
العديد من الصفات والعيوب وعدم التناظر
ناتجة عن حياتك.
ناتجة عن حياتك.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
نقوم بعمل تناظر للوجه، ونقوم بتشغيل
الخوارزمية.
الخوارزمية.
09:35
The results that I show you right now,
190
563245
1898
النتائج التي سأعرضها الآن،
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
هي التنبؤات التي حصلنا عليها من عينة الدم.
09:41
(Applause)
192
569596
1524
(تصفيق)
09:43
Wait a second.
193
571144
1435
انتظروا دقيقة.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
في هذه اللحظات، أعينكم تشاهد، يسار يمين،
يسار يمين،
يسار يمين،
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
ودماغكم يريد بأن تكون هذه الصور متطابقة.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
لذا أنا اسألكم بالقيام بتمرينٍ آخر،
كي أكون صادقاً.
كي أكون صادقاً.
09:55
Please search for the differences,
197
583743
2287
من فضلك قم بالبحث عن الاختلافات،
09:58
which are many.
198
586054
1361
والتي هي عديدة.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
الإشارات الأكبر تأتي من الجنس،
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
ثمّ هناك العمر، مشعر كتلة الجسم، العرق
المكون للإنسان.
المكون للإنسان.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
وبتوسيع النطاق فوق تلك الإشارة
هناك ما هو أكثر تعقيداً.
هناك ما هو أكثر تعقيداً.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
لكن ما تشاهده هنا، حتى الاختلافات،
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
يجعلك تفهم بأنّنا في النسبة
المئويّة الصحيحة،
المئويّة الصحيحة،
10:17
that we are getting closer.
204
605919
1348
بأنّنا نقترب أكثر.
10:19
And it's already giving you some emotions.
205
607291
2349
وهي تعطيك بالفعل بعض الأحاسيس.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
وهذا متطوع آخر أتى إلى المركز،
10:24
and this is a prediction.
207
612391
1409
وهذا هو التنبؤ.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
وجه أصغر قليلاً، لم نستطع الحصول على بنية
الجمجمة كاملةً،
الجمجمة كاملةً،
10:30
but still, it's in the ballpark.
209
618444
2651
لكنّنا نبقى ضمن النسبة المئويّة.
10:33
This is a subject that comes in our lab,
210
621634
2224
وهذا المتطوع أتى إلى مخبرنا،
10:35
and this is the prediction.
211
623882
1443
وهذا هو التنبؤ الذي حصلنا عليه.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
إذاً هؤلاء الأشخاص لم تراهم الآلة
أبداً من قبل خلال تدريبها.
أبداً من قبل خلال تدريبها.
10:42
These are the so-called "held-out" set.
213
630756
2837
وهؤلاء يُدعَون بمجموعة "التجريب".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
لكن هناك هؤلاء الأشخاص الذين من الممكن
ألّا تصدقهم أبداً.
ألّا تصدقهم أبداً.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
نحن نقوم بنشر كل شيء في المجلات العلميّة،
10:52
you can read it.
216
640081
1151
يمكنكم قرائتها.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
لكن طالما بأنّنا على المنصّة، كريس
تحداني.
تحداني.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
أن أقوم بتعريض نفسي وأن أجرّب التنبؤ
10:59
someone that you might recognize.
219
647274
2831
شخص من الممكن أن تعرفوه.
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
لذا، في عينة الدم هذه -- صدقوني،
ليس لديكم أي فكرة
ليس لديكم أي فكرة
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
عن ما يجب علينا فعله في عينة الدم الآن --
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
في عينة الدم هذه يوجد كمية من
المعلومات البيولوجيّة
المعلومات البيولوجيّة
11:13
that we need to do a full genome sequence.
223
661748
2277
التي نحتاجها لاستخراج كامل تسلسل الجينوم.
11:16
We just need this amount.
224
664049
2070
نحن فقط بحاجة لهذا القدر.
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
سنقوم بتشغيل التسلسل، وسأقوم بفعلها معكم.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
وسنبدأ ببناء طبقات المعلومات التي لدينا.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
في عينة الدم هذه، توقعنا بأنّ الشخص ذكر.
11:29
And the subject is a male.
228
677134
1364
والمتطوع هو ذكر.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
توقعنا بأنّ طوله متر و 76 سم.
11:33
The subject is a meter and 77 cm.
230
681458
2392
وكان الشخص متراً و77 سم.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
وكما توقعنا بأنّ وزنه 76 كغ؛ وكان 82 كغ.
11:40
We predict his age, 38.
232
688701
2632
توقعنا عمره 38 عاماً.
11:43
The subject is 35.
233
691357
1904
وكان عمره 35 عاماً.
11:45
We predict his eye color.
234
693851
2124
توقعنا لون عينيه.
11:48
Too dark.
235
696824
1211
غامقتان كثيراً.
11:50
We predict his skin color.
236
698059
1555
توقعنا لون جلده.
11:52
We are almost there.
237
700026
1410
لقد شارفنا على الوصول.
11:53
That's his face.
238
701899
1373
هذا هو وجه.
11:57
Now, the reveal moment:
239
705172
3269
والآن، إلى لحظة كشف الحقيقة:
12:00
the subject is this person.
240
708465
1770
المتطوع هو هذا الشخص.
12:02
(Laughter)
241
710259
1935
(ضحك)
12:04
And I did it intentionally.
242
712218
2058
لقد قمت بفعلها عمداً.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
أنا من عرق استثنائي وغريب.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
جنوب أوربي، إيطالي -- لم نقم بإدخالهم
ضمن النماذج.
ضمن النماذج.
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
إنّه استثنائي --
لأنّ العرق هو حالة معقدة لنموذجنا.
لأنّ العرق هو حالة معقدة لنموذجنا.
12:18
But there is another point.
246
726144
1509
لكن هناك نقطةٌ أخرى.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
من الأشياء التي نستخدمها كثيراً
للتعرّف على الأشخاص
للتعرّف على الأشخاص
12:23
will never be written in the genome.
248
731178
1722
لن تكتب أبداً في الجينوم.
12:24
It's our free will, it's how I look.
249
732924
2317
إنّها إرادتنا الحرّة،
إنّها التي تتعلق بمظهري.
إنّها التي تتعلق بمظهري.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
ليست تسريحة شعري في هذه الحالة،
وإنّما ذقني.
وإنّما ذقني.
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
لذا سأقوم بإظهار الصورة في هذه الحالة
حيث سأقوم بتعديلها --
حيث سأقوم بتعديلها --
وهذا ليس أكثر من تعديل على الفوتوشوب،
لا علاقة له بالنموذج --
لا علاقة له بالنموذج --
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
12:36
the beard on the subject.
253
744884
1713
الذقن وضعت على الشخص.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
وفوراً، نبدأ بالإحساس بطريقة أفضل بكثير.
12:42
So, why do we do this?
255
750955
2709
إذاً، لمَ نقوم بفعل ذلك؟
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
بالتأكيد نحن لا نقوم به لتوقع الطول
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
أو استخراج صور جميلة من عينات دمك.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
نحن نقوم بذلك؛ لأنّ التكنولوجيا
والمقاربة التي نستعملها هنا،
والمقاربة التي نستعملها هنا،
13:00
the machine learning of this code,
259
768432
2520
ما تتعلّمه الآلة من هذا الرمز،
13:02
is helping us to understand how we work,
260
770976
3137
يساعدنا على فهم كيف نعمل،
13:06
how your body works,
261
774137
1486
كيفيّة عمل جسدك،
13:07
how your body ages,
262
775647
1665
كيف يتقدّم جسدك بالسن،
13:09
how disease generates in your body,
263
777336
2769
كيف تظهر الأمراض في جسدك،
13:12
how your cancer grows and develops,
264
780129
2972
كيف ينمو ويتطوّر السرطان،
13:15
how drugs work
265
783125
1783
كيف تعمل الأدوية
13:16
and if they work on your body.
266
784932
2314
وإذا بإمكانهم العمل في جسدك.
13:19
This is a huge challenge.
267
787713
1667
هذا تحدي كبير.
13:21
This is a challenge that we share
268
789894
1638
هذا التّحدي الذي نتشاركه
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
مع آلاف الباحثين حول العالم.
13:26
It's called personalized medicine.
270
794159
2222
هذا ما يدعى بـ "الطب الشخصي".
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
إنّها القدرة على التّحرك
من مقاربة إحصائيّة
من مقاربة إحصائيّة
13:32
where you're a dot in the ocean,
272
800609
2032
حيث أنت عبارة عن نقطة في محيط،
13:34
to a personalized approach,
273
802665
1813
إلى مقاربة شخصيّة،
13:36
where we read all these books
274
804502
2185
حيث نقرأ كل هذه الكتب
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
ونفهم فعلاً من أنت.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
لكن إنّه تحدي استثنائي ومعقد،
13:45
because of all these books, as of today,
277
813646
3998
لأنّنا ما زلنا حتّى اليوم من كل هذه الكتب
13:49
we just know probably two percent:
278
817668
2642
لا نعرف منها سوى اثنان بالمئة تقريباً:
13:53
four books of more than 175.
279
821027
3653
أربعة كتب من أصل أكثر من 175 كتاباً.
13:58
And this is not the topic of my talk,
280
826021
3206
وهذا ليس موضوع حديثي،
14:02
because we will learn more.
281
830145
2598
لأنّنا سنتعلم أكثر.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
هناك أفضل الأدمغة في هذا العالم
يعملون على هذا الموضوع.
يعملون على هذا الموضوع.
14:09
The prediction will get better,
283
837048
1834
التنبؤ سيكون أفضل،
14:10
the model will get more precise.
284
838906
2253
النماذج ستصبح أكثر دقّةً.
14:13
And the more we learn,
285
841183
1858
وكلّما تعلمنا أكثر،
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
سنكون علينا مواجهة قراراتٍ أكثر
14:19
that we never had to face before
287
847919
3021
لم يكن علينا مواجهتها من قبل أبداً
14:22
about life,
288
850964
1435
عن الحياة،
14:24
about death,
289
852423
1674
عن الموت،
14:26
about parenting.
290
854121
1603
عن الأبوّة والأموّة.
إذاً في هذه المحادثة، نحن نقوم بملامسة
التفاصيل الدّاخليّة عن عمل الحياة.
التفاصيل الدّاخليّة عن عمل الحياة.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
إنّها ثورة لا يمكنك حصرها
14:41
in the domain of science or technology.
293
869300
2659
في مجال العلوم أو التكنولوجيا.
14:44
This must be a global conversation.
294
872960
2244
هذا يجب أن يكون حديثاً عالميّاً.
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
يجب علينا البدء بالتفكير للمستقبل الذي
نبنيه للبشريّة.
نبنيه للبشريّة.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
يجب علينا أن نتفاعل
مع المبدعين والفنانين والفلاسفة
مع المبدعين والفنانين والفلاسفة
14:57
with politicians.
297
885127
1510
والسياسيّن.
14:58
Everyone is involved,
298
886661
1158
على الجميع أن يشارك،
14:59
because it's the future of our species.
299
887843
2825
لأنّه مستقبل جنسنا البشري.
15:03
Without fear, but with the understanding
300
891273
3968
بدون خوف، لكن مع الفهم
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
بأنّ القرارات
التي سنقوم بعملها العام القادم
التي سنقوم بعملها العام القادم
15:11
will change the course of history forever.
302
899160
3789
ستغيّر مسار البشريّة للأبد.
15:15
Thank you.
303
903732
1160
شكراً لكم.
15:16
(Applause)
304
904916
10159
(تصفيق)
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.
Why you should listen
Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.
In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.
Riccardo Sabatini | Speaker | TED.com