TED2016
Riccardo Sabatini: How to read the genome and build a human being
Рикардо Сабатини: Как да разчетем генома и да направим човешко същество
Filmed:
Readability: 3.6
1,834,677 views
Тайните, болестта и красотата – всички те са записани в човешкия геном, пълния комплект от генетични инструкции, които са нужни, за да се направи човешко същество. Сега - както ученият и предприемач Рикардо Сабатини ни показва, имаме силата да разчетем този сложен код, предвиждайки неща като ръст, цвят на очите, възраст и дори лицева структура – всичко това от една епруветка кръв. И скоро, казва Сабатини, нашето ново познание за генома ще ни позволи да персонализираме лечението на заболявания като рака. Имаме силата да променим живота който познаваме. Как ще я използваме?
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
През следващите 16 минути
ще ви отведа на приключение,
ще ви отведа на приключение,
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
представляващо може би
най-голямата мечта на човечеството:
най-голямата мечта на човечеството:
00:18
to understand the code of life.
2
6508
2015
да разбера кода на живота.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
За мен всичко започна
преди много, много години,
преди много, много години,
00:23
when I met the first 3D printer.
4
11839
2723
когато се сблъсках с първия 3D принтер.
00:26
The concept was fascinating.
5
14586
1674
Идеята беше пленителна.
00:28
A 3D printer needs three elements:
6
16284
2022
3D принтерът се нуждае от три елемента:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
малко информация, суровина и енергия
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
и може да изработи какъвто и да е предмет,
който не е бил налице преди.
който не е бил налице преди.
Занимавах се с физика,
прибирах се към дома ми
прибирах се към дома ми
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
и осъзнах, че всъщност
винаги съм познавал един 3D принтер.
винаги съм познавал един 3D принтер.
00:44
And everyone does.
11
32140
1336
И всеки го познава.
00:45
It was my mom.
12
33500
1158
Това е майка ми.
00:46
(Laughter)
13
34682
1001
(Смях)
Майка ми взима три елемента:
00:47
My mom takes three elements:
14
35707
2414
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
малко информация, която в случая е
между баща ми и майка ми;
между баща ми и майка ми;
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
суровина и енергия в една и съща
среда - това е храната,
среда - това е храната,
00:58
and after several months, produces me.
17
46323
2508
и след няколко месеца произвежда мен.
01:00
And I was not existent before.
18
48855
1812
А аз не съществувах преди.
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
Освен че майка ми беше шокирана,
когато откри, че е 3D принтер,
когато откри, че е 3D принтер,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
аз веднага бях хипнотизиран
от този елемент,
от този елемент,
01:11
the first one, the information.
21
59239
1717
първия, информацията.
01:12
What amount of information does it take
22
60980
2251
Колко информация е нужна,
01:15
to build and assemble a human?
23
63255
1936
за да се направи и сглоби човек?
01:17
Is it much? Is it little?
24
65215
1574
Много ли е? Малко ли е?
01:18
How many thumb drives can you fill?
25
66813
2180
Колко флашки могат да бъдат запълнени?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Е, аз следвах физика в началото
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
и приех човека за сравним
с гигантско Лего блокче.
с гигантско Лего блокче.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Представете си, че градивните
елементи са малки атоми
елементи са малки атоми
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
и тук има водород,
тук – въглерод, тук – азот.
тук – въглерод, тук – азот.
Значи според това първо сравнение,
01:37
So in the first approximation,
30
85772
1571
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
ако мога да изброя броя
на атомите, съставящи човека,
на атомите, съставящи човека,
01:43
I can build it.
32
91734
1387
мога да го построя.
01:45
Now, you can run some numbers
33
93145
2029
Можете да направите някои сметки
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
и това се оказва удивително число.
01:50
So the number of atoms,
35
98499
2757
Броят на атомите,
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
файлът, който ще запаметя на флашката си,
за да сглобя малко бебе,
за да сглобя малко бебе,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
всъщност ще напълни цял Титаник от флашки,
02:02
multiplied 2,000 times.
38
110750
2718
умножено по 2 000.
02:05
This is the miracle of life.
39
113957
3401
Това е чудото на живота.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Отсега нататък всеки път,
щом видите бременна жена,
щом видите бременна жена,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
тя сглобява най-голямото
количество информация,
количество информация,
02:14
that you will ever encounter.
42
122898
1556
което някога ще срещнете.
Забравете за големите масиви от данни,
забравете за всичко, което сте чували.
забравете за всичко, което сте чували.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Това е най-голямото съществуващо
количество информация.
количество информация.
02:22
(Applause)
45
130357
3833
(Аплодисменти)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
Но за щастие природата
е много по-умна от млад физик
е много по-умна от млад физик
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
и за четири милиарда години
е успяла да побере тази информация
е успяла да побере тази информация
02:34
in a small crystal we call DNA.
48
142482
2705
в малък кристал, който наричаме ДНК.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Срещаме го за първи път през 1950 г.,
когато Розалинд Франклин,
когато Розалинд Франклин,
02:41
an amazing scientist, a woman,
50
149941
1556
страхотен учен, жена,
02:43
took a picture of it.
51
151521
1389
го заснема.
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
Но ни отнема повече от 40 години
най-после да влезем в човешката клетка,
най-после да влезем в човешката клетка,
02:50
take out this crystal,
53
158146
1602
да извадим този кристал,
02:51
unroll it, and read it for the first time.
54
159772
3080
да го разгънем и да го разчетем
за първи път.
за първи път.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
Кодът се оказа сравнително лесна азбука
02:58
four letters: A, T, C and G.
56
166880
3772
от четири букви: А,Т, Ц и Г.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
И за да направите човек,
ви трябват три милиарда от тях.
ви трябват три милиарда от тях.
03:06
Three billion.
58
174933
1179
Три милиарда.
03:08
How many are three billion?
59
176136
1579
Колко са три милиарда?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Не значи нищо като число, нали?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Така че се чудех как по-добре да ви обясня
03:16
about how big and enormous this code is.
62
184634
3050
колко наистина огромен е този код.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Но има... имам предвид, че ще ми помогнат
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
и най-подходящият човек, който може
да ми помогне да представя кода
да ми помогне да представя кода
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
е всъщност първият човек, който
го е секвенирал – д-р Крег Вентър.
го е секвенирал – д-р Крег Вентър.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Така че посрещнете
на сцената д-р Крег Вентър.
на сцената д-р Крег Вентър.
03:32
(Applause)
67
200997
6931
(Аплодисменти)
03:39
Not the man in the flesh,
68
207952
2256
Не човекът от плът и кръв,
03:43
but for the first time in history,
69
211448
2345
а за първи път в историята
03:45
this is the genome of a specific human,
70
213817
3462
това е геномът на даден човек
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
принтиран страница по страница,
буква по буква
буква по буква
03:53
262,000 pages of information,
72
221087
3996
262 000 страници информация
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 килограма, изпратени от САЩ за Канада,
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
благодарение на Бруно Боудън и стартъпът
Lulu.com, те направиха всичко това.
Lulu.com, те направиха всичко това.
04:06
It was an amazing feat.
75
234362
1463
Беше страхотно постижение.
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
Но това онагледява визуално
какво е кодът на живота.
какво е кодът на живота.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
И сега за първи път мога
да направя нещо забавно.
да направя нещо забавно.
04:14
I can actually poke inside it and read.
78
242672
2547
Мога всъщност да бръкна вътре и да чета.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Позволете ми да взема
една интересна книга... като тази тук.
една интересна книга... като тази тук.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Едно пояснение от мен,
сравнително голяма книга е.
сравнително голяма книга е.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Само да ви покажа какво е кодът на живота.
04:32
Thousands and thousands and thousands
82
260566
3391
Хиляди, хиляди, хиляди
04:35
and millions of letters.
83
263981
2670
и милиони букви.
04:38
And they apparently make sense.
84
266675
2396
И те очевидно имат смисъл.
04:41
Let's get to a specific part.
85
269095
1757
Нека отидем на определена част.
04:43
Let me read it to you:
86
271571
1362
Нека ви я прочета:
04:44
(Laughter)
87
272957
1021
(Смях)
04:46
"AAG, AAT, ATA."
88
274002
4006
"ААГ, ААТ, АТА."
04:50
To you it sounds like mute letters,
89
278965
2067
На вас ви звучат просто като букви,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
но тази секвенция определя
цвета на очите на Крег.
цвета на очите на Крег.
04:57
I'll show you another part of the book.
91
285633
1932
Ще ви покажа друга част от книгата.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Това всъщност е малко по-сложно.
05:02
Chromosome 14, book 132:
93
290983
2647
Хромозома 14, книга 132:
05:05
(Laughter)
94
293654
2090
(Смях)
05:07
As you might expect.
95
295768
1277
Както може да се очаква.
05:09
(Laughter)
96
297069
3466
(Смях)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ААТ, ЦТТ, ГАТТ."
05:20
This human is lucky,
98
308329
1687
Този човек е късметлия,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
защото ако липсват
само две букви на това място,
само две букви на това място,
05:26
two letters of our three billion --
100
314581
1877
две букви от три милиарда,
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
той ще бъде обречен на ужасна болест:
05:30
cystic fibrosis.
102
318525
1440
цистична фиброза.
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
Нямаме лек, не знаем
как да се справим с нея,
как да се справим с нея,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
а разликата с това, което сме ние,
е само две букви.
е само две букви.
05:39
A wonderful book, a mighty book,
105
327585
2705
Чудесна книга, могъща книга -
05:43
a mighty book that helped me understand
106
331115
1998
могъща книга, която ми помогна да разбера
05:45
and show you something quite remarkable.
107
333137
2753
и да ви покажа нещо особено забележително.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Всеки един от вас: това, което
прави мен мен и вас – вас,
прави мен мен и вас – вас,
05:52
is just about five million of these,
109
340939
2954
е само около пет милиона от тези,
05:55
half a book.
110
343917
1228
половин книга.
05:58
For the rest,
111
346015
1663
Относно останалото
05:59
we are all absolutely identical.
112
347702
2562
всички сме абсолютно идентични.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Петстотин страници са
чудото на живота, което сте.
чудото на живота, което сте.
06:07
The rest, we all share it.
114
355050
2531
Останалото го споделяме всички.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Да помислим отново за това,
когато си мислим, че сме различни.
когато си мислим, че сме различни.
06:12
This is the amount that we share.
116
360538
2221
Това е количеството, което споделяме.
06:15
So now that I have your attention,
117
363441
3429
Сега, когато привлякох вниманието ви,
06:18
the next question is:
118
366894
1359
следващият въпрос е:
06:20
How do I read it?
119
368277
1151
Как да го разчета?
06:21
How do I make sense out of it?
120
369452
1509
Как да намеря смисъла му?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Колкото и добри да сте
в сглобяването на шведски мебели,
в сглобяването на шведски мебели,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
този наръчник не е нещо, което
можете да разберете през живота си.
можете да разберете през живота си.
06:31
(Laughter)
123
379260
1603
(Смях)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
И така, през 2014 г.
двама известни ТЕDстъри,
двама известни ТЕDстъри,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Питър Диамандис и самият Крег Вентър,
06:38
decided to assemble a new company.
126
386587
1927
решиха да основат нова компания.
06:40
Human Longevity was born,
127
388538
1412
Хюмън Лонджевити се роди
06:41
with one mission:
128
389974
1370
с една мисия:
06:43
trying everything we can try
129
391368
1861
да опитаме всичко, което можем
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
и да научим всичко,
което можем от тези книги
което можем от тези книги
06:48
with one target --
131
396036
1705
с една цел:
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
да осъществим мечтата
за персонализирана медицина,
за персонализирана медицина,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
да разберем какво трябва
да се направи, за да сме по-здрави
да се направи, за да сме по-здрави
06:57
and what are the secrets in these books.
134
405478
2283
и какви са тайните в тези книги.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Страхотен екип, 40 учени
и още много, много хора,
и още много, много хора,
с които е удоволствие да се работи.
07:04
a pleasure to work with.
136
412603
1350
07:05
The concept is actually very simple.
137
413977
2253
Идеята всъщност е много проста.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Ще използваме технология,
наречена машинно самообучение.
наречена машинно самообучение.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
От една страна, имаме
геноми, хиляди от тях.
геноми, хиляди от тях.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
От друга страна, събрахме най-голямата
база данни от човешки същества:
база данни от човешки същества:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
фенотипове, 3D сканиране, ЯМР -
всичко, за което можете да се сетите.
всичко, за което можете да се сетите.
07:24
Inside there, on these two opposite sides,
142
432340
2899
Вътре, на тези две противоположи страни,
07:27
there is the secret of translation.
143
435263
2442
е тайната на превода.
07:29
And in the middle, we build a machine.
144
437729
2472
И по средата ние строим машина.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
Строим машина и я обучаваме -
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
е, не точно една машина,
а много, много машини,
а много, много машини,
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
за да се опитаме да разберем
и преведем генома във фенотип.
и преведем генома във фенотип.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Какви са тези букви и какво правят?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
Това е подход, който може
да се използва за всичко,
да се използва за всичко,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
но използването му в геномиката
е особено сложно.
е особено сложно.
Малко по малко се разраснахме и искахме
да си поставяме други предизвикателства.
да си поставяме други предизвикателства.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Започнахме от началото, от общите черти.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
Общите черти са удобни, защото са общи,
08:01
everyone has them.
154
469197
1184
всеки ги има.
08:02
So we started to ask our questions:
155
470405
2494
Започнахме да задаваме въпросите си.
Можем ли да предскажем височина?
08:04
Can we predict height?
156
472923
1380
Можем ли да прочетем книгите
и да предвидим височината ви?
и да предвидим височината ви?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
08:09
Well, we actually can,
158
477186
1151
Всъщност можем,
08:10
with five centimeters of precision.
159
478361
1793
с точност до 5 сантиметра.
Индексът на телесната маса е
сравнително свързан с начина ви на живот,
сравнително свързан с начина ви на живот,
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
но все пак можем да го предскажем
с точност до 8 килограма.
с точност до 8 килограма.
Можем ли да предскажем цвета на очите?
08:19
Can we predict eye color?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Да, можем.
08:21
Eighty percent accuracy.
164
489662
1324
С 80 процента точност.
08:23
Can we predict skin color?
165
491466
1858
Можем ли да предскажем цвета на кожата?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Да, можем, с 80 процента точност.
08:27
Can we predict age?
167
495813
1340
Можем ли да предскажем
възрастта ви?
възрастта ви?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Да, можем, защото кодът, изглежда,
се променя през живота ви.
се променя през живота ви.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Става по-къс, губите части,
получавате допълнения.
получавате допълнения.
08:37
We read the signals, and we make a model.
170
505190
2555
Разчитаме сигналите и правим модел.
Ето едно интересно предизвикателство:
08:40
Now, an interesting challenge:
171
508438
1475
08:41
Can we predict a human face?
172
509937
1729
Можем ли да предскажем човешко лице?
08:45
It's a little complicated,
173
513014
1278
Малко е сложно,
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
защото човешкото лице е разпиляно
сред милиони от тези букви.
сред милиони от тези букви.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
И човешкото лице не е
много добре дефиниран обект,
много добре дефиниран обект,
така че трябваше да направим
специален алгоритъм,
специален алгоритъм,
08:52
So, we had to build an entire tier of it
176
520184
2051
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
за да научим и да обясним
на машина какво е лице,
на машина какво е лице,
08:56
and embed and compress it.
178
524993
2037
да го вградим и компресираме.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
И ако сте наясно с машинното самообучение,
09:01
you understand what the challenge is here.
180
529326
2284
ще разберете какво
предизвикателство беше това.
предизвикателство беше това.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Сега, след 15 години - 15 години,
след като прочетохме първата секвенция,
след като прочетохме първата секвенция,
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
през този октомври започнахме
да виждаме някои сигнали.
да виждаме някои сигнали.
09:13
And it was a very emotional moment.
183
541049
2455
И беше много емоционален момент.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Това, което виждате тук, е субект,
който дойде в лабораторията ни.
който дойде в лабораторията ни.
09:19
This is a face for us.
185
547619
1928
Това за нас е лице.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Ние взимаме истинското лице на субекта,
намаляваме сложността му,
намаляваме сложността му,
09:25
because not everything is in your face --
187
553226
1970
защото не всичко е в лицето -
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
много от чертите, дефектите
и асиметриите идват от живота ви.
и асиметриите идват от живота ви.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Ние правим лицето симетрично
и пускаме алгоритъма си.
и пускаме алгоритъма си.
09:35
The results that I show you right now,
190
563245
1898
При резултатите,
които сега ви показвам,
които сега ви показвам,
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
това е предвиждането,
което получаваме от кръвта.
което получаваме от кръвта.
09:41
(Applause)
192
569596
1524
(Аплодисменти)
09:43
Wait a second.
193
571144
1435
Изчакайте секунда.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
През тези секунди очите ви гледат
вляво и вдясно, вляво и вдясно
вляво и вдясно, вляво и вдясно
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
и мозъкът ви иска
тези картини да са идентични.
тези картини да са идентични.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Така че ви моля да направите
друго упражнение.
друго упражнение.
09:55
Please search for the differences,
197
583743
2287
Моля ви, търсете разликите,
09:58
which are many.
198
586054
1361
а те са много.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
Най-много сигнал идва от пола,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
след това възрастта, индекса на телесната
маса, етническия компонент на човек.
маса, етническия компонент на човек.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
И да погледнем отвъд този сигнал
е много по-сложно.
е много по-сложно.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Но това, което виждате тук,
дори и в разликите,
дори и в разликите,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
ви показва, че сме в правилния диапазон,
10:17
that we are getting closer.
204
605919
1348
че се приближаваме.
10:19
And it's already giving you some emotions.
205
607291
2349
И това вече ви предава някакви емоции.
Това е друг субект, който е на ред,
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
10:24
and this is a prediction.
207
612391
1409
а това е прогнозата.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Малко по-малко лице, не получихме
цялата черепна структура,
цялата черепна структура,
10:30
but still, it's in the ballpark.
209
618444
2651
но все пак е близко.
Това е субектът, който
дойде в лабораторията ни,
дойде в лабораторията ни,
10:33
This is a subject that comes in our lab,
210
621634
2224
10:35
and this is the prediction.
211
623882
1443
а това е прогнозата.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Тези хора никога не са виждани
по време на обучаването на машината.
по време на обучаването на машината.
10:42
These are the so-called "held-out" set.
213
630756
2837
Те са така нареченият "резерв".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Но това са хора, на които вероятно
никога няма да повярвате.
никога няма да повярвате.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Ние публикуваме всичко
в научна публикация,
в научна публикация,
10:52
you can read it.
216
640081
1151
можете да я прочетете.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Но понеже сме на сцената,
Крис ме предизвика.
Крис ме предизвика.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Вероятно се издадох и
се опитах да предвидя някого,
се опитах да предвидя някого,
10:59
someone that you might recognize.
219
647274
2831
когото може би ще разпознаете.
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
В тази епруветка с кръв -
и повярвайте ми, нямате идея
и повярвайте ми, нямате идея
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
какво трябваше да направим,
за да имаме тази кръв сега, тук,
за да имаме тази кръв сега, тук,
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
та в тази епруветка с кръв
е количеството биологична информация,
е количеството биологична информация,
11:13
that we need to do a full genome sequence.
223
661748
2277
което ни е нужно
за пълна геномна секвенция.
за пълна геномна секвенция.
11:16
We just need this amount.
224
664049
2070
Трябва ни само това количество.
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
Изпълнихме тази секвенция
и сега ще го направя с вас.
и сега ще го направя с вас.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Започваме да наслагваме
всичкото знание, което имаме.
всичкото знание, което имаме.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
В епруветката с кръв
предсказахме, че е мъж.
предсказахме, че е мъж.
11:29
And the subject is a male.
228
677134
1364
И субектът е мъж.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Предсказахме, че е висок 1,76 м.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Субектът е 1,77 м.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Предсказахме, че тежи 76 кг.
субектът е 82 кг.
субектът е 82 кг.
11:40
We predict his age, 38.
232
688701
2632
Предсказахме възрастта му, 38 г.
11:43
The subject is 35.
233
691357
1904
Субектът е на 35 г.
11:45
We predict his eye color.
234
693851
2124
Предсказахме цвета на очите му.
11:48
Too dark.
235
696824
1211
Прекалено тъмни.
11:50
We predict his skin color.
236
698059
1555
Предсказахме цвета на кожата му.
11:52
We are almost there.
237
700026
1410
Почти свършихме.
11:53
That's his face.
238
701899
1373
Това е лицето му.
11:57
Now, the reveal moment:
239
705172
3269
Сега, моментът на разкритието:
12:00
the subject is this person.
240
708465
1770
Субектът е този човек.
12:02
(Laughter)
241
710259
1935
(Смях)
12:04
And I did it intentionally.
242
712218
2058
Направих го нарочно.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Аз съм от много особен и чудат етнос.
Южноевропейците, италианците -
те никога не се вписват в модели.
те никога не се вписват в модели.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
А е и специално този етнос е сложен
страничен случай за нашия модел.
страничен случай за нашия модел.
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
12:18
But there is another point.
246
726144
1509
Но има друга идея.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Едно от нещата, които много използваме,
за да разпознаем хора,
за да разпознаем хора,
никога няма да бъде записано в генома.
12:23
will never be written in the genome.
248
731178
1722
12:24
It's our free will, it's how I look.
249
732924
2317
Това е свободната ни воля -
това, как изглеждам.
това, как изглеждам.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Не прическата ми в този случай, а брадата.
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
Ще ви покажа, в този случай ще я пренеса -
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
и това не е нищо повече
от Фотошоп, никакви модели:
от Фотошоп, никакви модели:
12:36
the beard on the subject.
253
744884
1713
ще пренеса брадата върху субекта.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
И това веднага се усеща
много, много по-добре.
много, много по-добре.
12:42
So, why do we do this?
255
750955
2709
Защо правим това?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Със сигурност не за да предскажем височина
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
или да направим
красива снимка на кръвта ви.
красива снимка на кръвта ви.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Правим го, защото същата
технология и същият подход -
технология и същият подход -
13:00
the machine learning of this code,
259
768432
2520
машинното самообучение на този код,
13:02
is helping us to understand how we work,
260
770976
3137
ни помагат да разберем как работим,
13:06
how your body works,
261
774137
1486
как тялото ви работи,
13:07
how your body ages,
262
775647
1665
как остарява,
13:09
how disease generates in your body,
263
777336
2769
как болестите се зараждат в тялото ви,
13:12
how your cancer grows and develops,
264
780129
2972
как ракът ви расте и се развива,
13:15
how drugs work
265
783125
1783
как работят лекарствата
13:16
and if they work on your body.
266
784932
2314
и дали работят за вашето тяло.
13:19
This is a huge challenge.
267
787713
1667
Това е огромно предизвикателство.
Това е предизвикателство, което споделяме
13:21
This is a challenge that we share
268
789894
1638
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
с хиляди други изследователи по света.
13:26
It's called personalized medicine.
270
794159
2222
Нарича се персонализирана медицина.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
Това е способността да преминем
от статистически подход,
от статистически подход,
13:32
where you're a dot in the ocean,
272
800609
2032
където човек е само капка в океана,
13:34
to a personalized approach,
273
802665
1813
към персонализиран подход,
13:36
where we read all these books
274
804502
2185
където четем всички тези книги
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
и придобиваме представа какви сте точно.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Но това е особено
сложно предизвикателство,
сложно предизвикателство,
13:45
because of all these books, as of today,
277
813646
3998
защото от всички тези книги
към днешна дата
към днешна дата
13:49
we just know probably two percent:
278
817668
2642
са ни известни само може би два процента,
13:53
four books of more than 175.
279
821027
3653
четири книги от над 175.
13:58
And this is not the topic of my talk,
280
826021
3206
И това не е темата на моята лекция,
14:02
because we will learn more.
281
830145
2598
защото ние ще научим повече.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Най-добрите умове по света
работят по темата.
работят по темата.
14:09
The prediction will get better,
283
837048
1834
Прогнозите ще се подобрят,
14:10
the model will get more precise.
284
838906
2253
моделът ще стане по-точен.
14:13
And the more we learn,
285
841183
1858
И колкото повече учим,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
толкова повече ще бъдем
изправяни пред решения,
изправяни пред решения,
14:19
that we never had to face before
287
847919
3021
които никога преди
не ни се е налагало да взимаме:
не ни се е налагало да взимаме:
14:22
about life,
288
850964
1435
за живота,
14:24
about death,
289
852423
1674
за смъртта,
14:26
about parenting.
290
854121
1603
за това да бъдеш родител.
Докосваме се до вътрешността
на това как работи животът.
на това как работи животът.
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
И това е революция, която
не може да бъде ограничена
не може да бъде ограничена
14:41
in the domain of science or technology.
293
869300
2659
до областта на науката или технологиите.
14:44
This must be a global conversation.
294
872960
2244
Това трябва да е глобална дискусия.
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
Трябва да започнем да обмисляме
бъдещето, което градим като човечество.
бъдещето, което градим като човечество.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Трябва да общуваме
с хора на изкуството, с философи,
с хора на изкуството, с философи,
14:57
with politicians.
297
885127
1510
с политици.
14:58
Everyone is involved,
298
886661
1158
Всички са замесени,
14:59
because it's the future of our species.
299
887843
2825
защото това е бъдещето на нашия вид.
15:03
Without fear, but with the understanding
300
891273
3968
Без страх, но разбирайки,
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
че решенията, които ще направим
през следващата година,
през следващата година,
15:11
will change the course of history forever.
302
899160
3789
ще променят хода на историята завинаги.
15:15
Thank you.
303
903732
1160
Благодаря ви.
15:16
(Applause)
304
904916
10159
(Аплодисменти)
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