ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com
TEDMED 2010

Danny Hillis: Understanding cancer through proteomics

Danny Hillis: Krebs verstehen durch Proteomik

Filmed:
465,363 views

Danny Hillis plädiert für das nächste Gebiet der Krebsforschung: Proteomik, der Lehre von Proteinen in einem Körper. Wie Hillis erklärt, zeigt uns die Genomik eine Liste von Inhaltsstoffen des Körpers -- während die Proteomik uns zeigt, was diese Inhaltsstoffe produzieren. Ein Verständnis für das, was in unserem Körper auf dem Proteinlevel vor sich geht, könnte zu einem neuen Verständnis führen, wie Krebs passiert.
- Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio

Double-click the English transcript below to play the video.

00:15
I admiteingestehen that I'm a little bitBit nervousnervös here
0
0
3000
Ich gebe zu dass ich hier ein bisschen nervös bin
00:18
because I'm going to say some radicalRadikale things,
1
3000
3000
weil ich Ihnen ein paar radikale Dinge erzählen werde,
00:21
about how we should think about cancerKrebs differentlyanders,
2
6000
3000
darüber, wie wir anders über Krebs nachdenken sollen
00:24
to an audiencePublikum that containsenthält a lot of people
3
9000
2000
zu einem Publikum das viele Leute enthält
00:26
who know a lot more about cancerKrebs than I do.
4
11000
3000
die über Krebs eine Menge mehr wissen als ich das tue.
00:30
But I will alsoebenfalls contestWettbewerb that I'm not as nervousnervös as I should be
5
15000
3000
Aber ich bestreite auch, dass ich nicht so nervös bin wie ich es sein sollte
00:33
because I'm prettyziemlich sure I'm right about this.
6
18000
2000
da ich ziemlich überzeugt bin, recht zu haben.
00:35
(LaughterLachen)
7
20000
2000
(Gelächter)
00:37
And that this, in factTatsache, will be
8
22000
2000
Und das wir zukünftig tatsächlich
00:39
the way that we treatbehandeln cancerKrebs in the futureZukunft.
9
24000
3000
auf diese Weise Krebs behandeln werden.
00:43
In orderAuftrag to talk about cancerKrebs,
10
28000
2000
Um über Krebs sprechen zu können,
00:45
I'm going to actuallytatsächlich have to --
11
30000
3000
Werde ich eigentlich --
00:48
let me get the biggroß slidegleiten here.
12
33000
3000
die große Ansicht hier holen müssen.
00:53
First, I'm going to try to give you a differentanders perspectivePerspektive of genomicsGenomik.
13
38000
3000
Zuerst werde ich versuchen, Ihnen eine andere Sichtweise auf die Genomik zu geben.
00:56
I want to put it in perspectivePerspektive of the biggergrößer pictureBild
14
41000
2000
Ich möchte diese vorstellen als die Sichtweise der größeren Ansicht
00:58
of all the other things that are going on --
15
43000
3000
von all den anderen Dingen, die vor sich gehen --
01:01
and then talk about something you haven'thabe nicht heardgehört so much about, whichwelche is proteomicsProteomics.
16
46000
3000
und dann über etwas sprechen, von dem Sie noch nicht so viel gehört haben, nämlich der Proteomik.
01:04
HavingHaben explainederklärt those,
17
49000
2000
Nachdem ich das erklärt habe,
01:06
that will setSet up for what I think will be a differentanders ideaIdee
18
51000
3000
wird etwas darauf basieren das, wie ich glaube, eine andere Idee sein wird
01:09
about how to go about treatingbehandeln cancerKrebs.
19
54000
2000
darüber, wie wir die Krebsbehandlung in Angriff nehmen können
01:11
So let me startAnfang with genomicsGenomik.
20
56000
2000
So lassen Sie uns anfangen mit der Genomik.
01:13
It is the hotheiß topicThema.
21
58000
2000
Das ist das heiße Thema.
01:15
It is the placeOrt where we're learningLernen the mostdie meisten.
22
60000
2000
Das ist die Stelle an der wir das meiste lernen.
01:17
This is the great frontierFrontier.
23
62000
2000
Das ist das große neue Grenzgebiet.
01:19
But it has its limitationsEinschränkungen.
24
64000
3000
Aber es ist begrenzt.
01:22
And in particularinsbesondere, you've probablywahrscheinlich all heardgehört the analogyAnalogie
25
67000
3000
Und insbesondere haben Sie wahrscheinlich von der Analogie gehört,
01:25
that the genomeGenom is like the blueprintBauplan of your bodyKörper,
26
70000
3000
dass das Genom wie eine Blaupause Ihres Körpers ist.
01:28
and if that were only truewahr, it would be great,
27
73000
2000
Und wenn das nur wahr wäre, wäre das großartig.
01:30
but it's not.
28
75000
2000
Aber das ist es nicht.
01:32
It's like the partsTeile listListe of your bodyKörper.
29
77000
2000
Es ist wie eine Liste von Einzelteilen Ihres Körpers.
01:34
It doesn't say how things are connectedin Verbindung gebracht,
30
79000
2000
Es sagt nicht, wie die Dinge verbunden sind,
01:36
what causesUrsachen what and so on.
31
81000
3000
was was verursacht und so weiter.
01:39
So if I can make an analogyAnalogie,
32
84000
2000
Wen ich also eine Analogie machen kann,
01:41
let's say that you were tryingversuchen to tell the differenceUnterschied
33
86000
2000
angenommen Sie wollen den Unterschied herausfinden
01:43
betweenzwischen a good restaurantRestaurant, a healthygesund restaurantRestaurant
34
88000
3000
zwischen einem guten Restaurant, einem gesunden Restaurant,
01:46
and a sickkrank restaurantRestaurant,
35
91000
2000
und einem kranken Restaurant,
01:48
and all you had was the listListe of ingredientsZutaten
36
93000
2000
und alles was Sie haben, wäre eine Liste von Inhaltsstoffen
01:50
that they had in theirihr larderSpeisekammer.
37
95000
3000
die sie in ihrer Speisekammer haben.
01:53
So it mightMacht be that, if you wentging to a FrenchFranzösisch restaurantRestaurant
38
98000
3000
So könnte es sein, dass Sie zu einem französischen Restaurant gingen
01:56
and you lookedsah throughdurch it and you foundgefunden
39
101000
2000
und dieses durchsuchten und fänden,
01:58
they only had margarineMargarine and they didn't have butterButter,
40
103000
2000
dass sie nur Margarine und keine Butter haben,
02:00
you could say, "AhAch, I see what's wrongfalsch with them.
41
105000
2000
Sie könnten sagen, "Ah, ich weiß was hier falsch läuft.
02:02
I can make them healthygesund."
42
107000
2000
Ich kann die gesund machen."
02:04
And there probablywahrscheinlich are specialbesondere casesFälle of that.
43
109000
2000
Und es gibt wahrscheinlich spezielle Fälle wie diesen.
02:06
You could certainlybestimmt tell the differenceUnterschied
44
111000
2000
Sie könnten sicherlich den Unterschied
02:08
betweenzwischen a ChineseChinesisch restaurantRestaurant and a FrenchFranzösisch restaurantRestaurant
45
113000
2000
zwischen einem chinesischen und einem französischen Restaurant benennen
02:10
by what they had in a larderSpeisekammer.
46
115000
2000
anhand dessen, was sie in ihrer Speisekammer haben.
02:12
So the listListe of ingredientsZutaten does tell you something,
47
117000
3000
Also erzählt uns die Liste der Inhaltsstoffe in der Tat etwas
02:15
and sometimesmanchmal it tellserzählt you something that's wrongfalsch.
48
120000
3000
und manchmal erzählt sie Ihnen etwas, das falsch läuft.
02:19
If they have tonsTonnen of saltSalz-,
49
124000
2000
Falls jene tonnenweise Salz haben,
02:21
you mightMacht guessvermuten they're usingmit too much saltSalz-, or something like that.
50
126000
3000
könnten Sie vermuten, dass sie zuviel Salz verwenden, oder dergleichen.
02:24
But it's limitedbegrenzt,
51
129000
2000
Aber das ist begrenzt,
02:26
because really to know if it's a healthygesund restaurantRestaurant,
52
131000
2000
weil um wirklich zu wissen, ob das ein gesundes Restaurant ist,
02:28
you need to tasteGeschmack the foodLebensmittel, you need to know what goesgeht on in the kitchenKüche,
53
133000
3000
müssen Sie das Essen probieren, müssen Sie wissen was in der Küche vor sich geht,
02:31
you need the productProdukt of all of those ingredientsZutaten.
54
136000
3000
benötigen Sie die Summe von all diesen Inhaltsstoffen.
02:34
So if I look at a personPerson
55
139000
2000
Wenn Sie nun eine Person betrachten
02:36
and I look at a person'sPerson genomeGenom, it's the samegleich thing.
56
141000
3000
und ich schaue auf das Genom einer Person, das ist das Gleiche.
02:39
The partTeil of the genomeGenom that we can readlesen
57
144000
2000
Den Teil des Genoms, den wir lesen können
02:41
is the listListe of ingredientsZutaten.
58
146000
2000
ist die Liste der Inhaltsstoffe.
02:43
And so indeedtatsächlich,
59
148000
2000
Und in der Tat
02:45
there are timesmal when we can find ingredientsZutaten
60
150000
2000
gibt es Fälle in denen wir Inhaltsstoffe finden können
02:47
that [are] badschlecht.
61
152000
2000
die schlecht [sind].
02:49
CysticZystische fibrosisFibrose is an exampleBeispiel of a diseaseKrankheit
62
154000
2000
Mukoviszidose ist ein Beispiel einer Krankheit
02:51
where you just have a badschlecht ingredientZutat and you have a diseaseKrankheit,
63
156000
3000
bei der wir einfach einen schlechten Inhaltsstoff haben und damit eine Krankheit
02:54
and we can actuallytatsächlich make a directdirekt correspondenceKorrespondenz
64
159000
3000
und wir können tatsächlich eine direkte Korrelation erstellen
02:57
betweenzwischen the ingredientZutat and the diseaseKrankheit.
65
162000
3000
zwischen dem Inhaltsstoff und der Krankheit.
03:00
But mostdie meisten things, you really have to know what's going on in the kitchenKüche,
66
165000
3000
Aber meistens muss man wirklich wissen was in der Küche vor sich geht,
03:03
because, mostlymeist, sickkrank people used to be healthygesund people --
67
168000
2000
weil meistens, kranke Menschen zuvor gesunde Menschen waren --
03:05
they have the samegleich genomeGenom.
68
170000
2000
sie haben die gleichen Genome.
03:07
So the genomeGenom really tellserzählt you much more
69
172000
2000
Also erzählt uns das Genom wirklich viel mehr
03:09
about predispositionPrädisposition.
70
174000
2000
über Veranlagung
03:11
So what you can tell
71
176000
2000
Was Sie also sagen können,
03:13
is you can tell the differenceUnterschied betweenzwischen an AsianAsiatische personPerson and a EuropeanEuropäische personPerson
72
178000
2000
ist, dass Sie den Unterschied zwischen einer asiatischen Person und einer europäischen Person erkennen können,
03:15
by looking at theirihr ingredientsZutaten listListe.
73
180000
2000
indem Sie auf ihre Inhaltsstoffe schauen.
03:17
But you really for the mostdie meisten partTeil can't tell the differenceUnterschied
74
182000
3000
Tatsächlich aber können Sie meistens nicht den Unterschied erkennen
03:20
betweenzwischen a healthygesund personPerson and a sickkrank personPerson --
75
185000
3000
zwischen einer gesunden und einer kranken Person --
03:23
exceptaußer in some of these specialbesondere casesFälle.
76
188000
2000
abgesehen von einigen dieser speziellen Fälle.
03:25
So why all the biggroß dealDeal
77
190000
2000
Warum also diese große Sache
03:27
about geneticsGenetik?
78
192000
2000
wegen der Genetik?
03:29
Well first of all,
79
194000
2000
Nun, erstens,
03:31
it's because we can readlesen it, whichwelche is fantasticfantastisch.
80
196000
3000
weil wir es lesen können, das ist fantastisch.
03:34
It is very usefulsinnvoll in certainsicher circumstancesUmstände.
81
199000
3000
Es ist sehr hilfreich unter bestimmten Umständen.
03:37
It's alsoebenfalls the great theoreticaltheoretisch triumphTriumph
82
202000
3000
Es ist zudem der große theoretische Durchbruch
03:40
of biologyBiologie.
83
205000
2000
der Biologie.
03:42
It's the one theoryTheorie
84
207000
2000
Es ist diese eine Theorie,
03:44
that the biologistsBiologen ever really got right.
85
209000
2000
die die Biologen jemals wirklich richtig hinbekommen haben.
03:46
It's fundamentalgrundlegend to DarwinDarwin
86
211000
2000
Sie ist grundlegend für Darwin
03:48
and MendelMendel and so on.
87
213000
2000
und Mendel und so weiter.
03:50
And so it's the one thing where they predictedvorhergesagt a theoreticaltheoretisch constructbauen.
88
215000
3000
Es ist also diese eine Sache bei der sie ein theoretisches Konstrukt vorhersagten.
03:54
So MendelMendel had this ideaIdee of a geneGen
89
219000
2000
Mendel hatte also die Vorstellung von einem Genom
03:56
as an abstractabstrakt thing,
90
221000
3000
als eine abstrakte Sache.
03:59
and DarwinDarwin builtgebaut a wholeganze theoryTheorie
91
224000
2000
Und Darwin baute eine ganze Theorie
04:01
that dependedhing on them existingbestehende,
92
226000
2000
die von einer Existenz dessen abhing.
04:03
and then WatsonWatson and CrickCrick
93
228000
2000
Und dann Watson und Crick
04:05
actuallytatsächlich lookedsah and foundgefunden one.
94
230000
2000
suchten danach und fanden eines.
04:07
So this happensdas passiert in physicsPhysik all the time.
95
232000
2000
Nun das passiert in der Physik ständig.
04:09
You predictvorhersagen a blackschwarz holeLoch,
96
234000
2000
Sie sagen sin schwarzes Loch vorher
04:11
and you look out the telescopeFernrohr and there it is, just like you said.
97
236000
3000
und Sie halten mit dem Teleskop Ausschau und da ist es, genau wie Sie sagten.
04:14
But it rarelynur selten happensdas passiert in biologyBiologie.
98
239000
2000
Aber das passiert selten in der Biologie.
04:16
So this great triumphTriumph -- it's so good,
99
241000
3000
Dieser große Triumpf -- er ist derart gut --
04:19
there's almostfast a religiousreligiös experienceErfahrung
100
244000
2000
es ist fast eine religiöse Erfahrung
04:21
in biologyBiologie.
101
246000
2000
in der Biologie.
04:23
And DarwinianDarwinistische evolutionEvolution
102
248000
2000
Und die Darwin'sche Evolutionstheorie
04:25
is really the coreAder theoryTheorie.
103
250000
3000
ist im Grunde die elementare Theorie.
04:30
So the other reasonGrund it's been very popularBeliebt
104
255000
2000
Nun der andere Grund für die Popularität
04:32
is because we can measuremessen it, it's digitaldigital.
105
257000
3000
ist, dass wir es messen können, es ist digital.
04:35
And in factTatsache,
106
260000
2000
Und tatsächlich,
04:37
thanksVielen Dank to KaryKary MullisMullis,
107
262000
2000
dank Kary Mullis,
04:39
you can basicallyGrundsätzlich gilt measuremessen your genomeGenom in your kitchenKüche
108
264000
4000
können Sie praktisch Ihr Genom in Ihrer Küche messen
04:43
with a fewwenige extraextra ingredientsZutaten.
109
268000
3000
mit wenigen zusätzlichen Inhaltsstoffen.
04:46
So for instanceBeispiel, by measuringMessung the genomeGenom,
110
271000
3000
zum Beispiel haben wir durch das Vermessen des Genoms
04:49
we'vewir haben learnedgelernt a lot about how we're relatedverwandte to other kindsArten of animalsTiere
111
274000
4000
eine Menge darüber gelernt, inwiefern wir verwandt sind zu anderen Arten von Tieren
04:53
by the closenessNähe of our genomeGenom,
112
278000
3000
anhand der Geschlossenheit unseres Genoms,
04:56
or how we're relatedverwandte to eachjede einzelne other -- the familyFamilie treeBaum,
113
281000
3000
oder wie wir zueinander verwandt sind -- der Stammbaum,
04:59
or the treeBaum of life.
114
284000
2000
oder die Entwicklung des Lebens.
05:01
There's a hugeenorm amountMenge of informationInformation about the geneticsGenetik
115
286000
3000
Es findet sich eine riesige Menge an Informationen in der Genetik,
05:04
just by comparingVergleichen the geneticgenetisch similarityÄhnlichkeit.
116
289000
3000
indem man einfach die genetische Ähnlichkeit vergleicht.
05:07
Now of courseKurs, in medicalmedizinisch applicationAnwendung,
117
292000
2000
Jetzt ist das natürlich in medizinischer Anwendung
05:09
that is very usefulsinnvoll
118
294000
2000
sehr nützlich
05:11
because it's the samegleich kindArt of informationInformation
119
296000
3000
weil das die gleiche Art von Information ist,
05:14
that the doctorArzt getsbekommt from your familyFamilie medicalmedizinisch historyGeschichte --
120
299000
3000
die der Arzt aus Ihrer familiären medizinischen Historie erhält --
05:17
exceptaußer probablywahrscheinlich,
121
302000
2000
abgesehen davon, dass wahrscheinlich
05:19
your genomeGenom knowsweiß much more about your medicalmedizinisch historyGeschichte than you do.
122
304000
3000
Ihr Genom einiges mehr weiß über Ihre medizinische Historie als sie das tun.
05:22
And so by readingLesen the genomeGenom,
123
307000
2000
Und indem wir das Genom lesen,
05:24
we can find out much more about your familyFamilie than you probablywahrscheinlich know.
124
309000
3000
können wir über Ihre Familie viel mehr herausfinden, als Sie wahrscheinlich wissen.
05:27
And so we can discoverentdecken things
125
312000
2000
Und so können wir Dinge herausfinden
05:29
that probablywahrscheinlich you could have foundgefunden
126
314000
2000
die Sie finden hätten können,
05:31
by looking at enoughgenug of your relativesVerwandten,
127
316000
2000
indem Sie hinreichend viele Verwandte anschauten,
05:33
but they maykann be surprisingüberraschend.
128
318000
3000
aber diese könnten überraschend sein.
05:36
I did the 23andMeandMe thing
129
321000
2000
Ich habe die 23andMe Sache gemacht
05:38
and was very surprisedüberrascht to discoverentdecken that I am fatFett and baldGlatze.
130
323000
3000
und war sehr überrascht herauszufinden, dass ich fett und glatzköpfig bin.
05:41
(LaughterLachen)
131
326000
7000
(Gelächter)
05:48
But sometimesmanchmal you can learnlernen much more usefulsinnvoll things about that.
132
333000
3000
Aber manchmal können Sie viel mehr nützliche Dinge damit lernen.
05:51
But mostlymeist
133
336000
3000
Meistens jedoch
05:54
what you need to know, to find out if you're sickkrank,
134
339000
2000
ist, was Sie wissen müssen, um herauszufinden ob Sie krank sind,
05:56
is not your predispositionsPrädispositionen,
135
341000
2000
nicht Veranlagung,
05:58
but it's actuallytatsächlich what's going on in your bodyKörper right now.
136
343000
3000
sondern es ist, was tatsächlich gerade in hrem Körper vor sich geht.
06:01
So to do that, what you really need to do,
137
346000
2000
was man also wirklich dafür tun muss ist,
06:03
you need to look at the things
138
348000
2000
auf die Dinge zu sehen,
06:05
that the genesGene are producingproduzierend
139
350000
2000
die die Gene produzieren
06:07
and what's happeningHappening after the geneticsGenetik,
140
352000
2000
und was nach der Genetik vor sich geht.
06:09
and that's what proteomicsProteomics is about.
141
354000
2000
Und das ist, worum es in der Proteomik geht.
06:11
Just like genomeGenom mixesmischt the studyStudie of all the genesGene,
142
356000
3000
Genau wie die Genetik von den Genen handelt,
06:14
proteomicsProteomics is the studyStudie of all the proteinsProteine.
143
359000
3000
ist die Proteomik die Lehre der Proteine.
06:17
And the proteinsProteine are all of the little things in your bodyKörper
144
362000
2000
Und Proteine sind alle diese kleinen Dinge in Ihrem Körper
06:19
that are signalingSignalisierung betweenzwischen the cellsZellen --
145
364000
3000
die zur Signalgebung dienen zwischen den Zellen --
06:22
actuallytatsächlich, the machinesMaschinen that are operatingBetriebs --
146
367000
2000
im Grunde die Arbeitsmaschinen.
06:24
that's where the actionAktion is.
147
369000
2000
Hier spielt die Musik.
06:26
BasicallyIm Grunde, a humanMensch bodyKörper
148
371000
3000
Im Grunde ist ein menschlicher Körper
06:29
is a conversationKonversation going on,
149
374000
3000
eine andauernde Konversation,
06:32
bothbeide withininnerhalb the cellsZellen and betweenzwischen the cellsZellen,
150
377000
3000
sowohl innerhalb der Zellen als auch zwischen den Zellen,
06:35
and they're tellingErzählen eachjede einzelne other to growgrößer werden and to diesterben,
151
380000
3000
bei der sie einander erklären zu wachsen und zu sterben.
06:38
and when you're sickkrank,
152
383000
2000
Und wenn Sie krank sind,
06:40
something'smanche Dinge goneWeg wrongfalsch with that conversationKonversation.
153
385000
2000
ist irgendetwas schief gelaufen bei dieser Konversation.
06:42
And so the trickTrick is --
154
387000
2000
Nun ist der Trick --
06:44
unfortunatelyUnglücklicherweise, we don't have an easyeinfach way to measuremessen these
155
389000
3000
leider haben wir keine einfache Möglichkeit diese zu messen,
06:47
like we can measuremessen the genomeGenom.
156
392000
2000
wie wir Genome messen können.
06:49
So the problemProblem is that measuringMessung --
157
394000
3000
Das Problem ist also, dass beim Messen --
06:52
if you try to measuremessen all the proteinsProteine, it's a very elaborateerarbeiten processverarbeiten.
158
397000
3000
wenn man versucht alle Proteine zu messen, ist das ein sehr aufwändiges Verfahren.
06:55
It requireserfordert hundredsHunderte of stepsSchritte,
159
400000
2000
Es bedarf hunderte Schritte,
06:57
and it takes a long, long time.
160
402000
2000
und es dauert eine lange, lange Zeit.
06:59
And it mattersAngelegenheiten how much of the proteinEiweiß it is.
161
404000
2000
Und die es ist von Bedeutung, wieviel von dem Protein es ist.
07:01
It could be very significantsignifikant that a proteinEiweiß changedgeändert by 10 percentProzent,
162
406000
3000
Es könnte gravierend sein, wenn ein Protein sich zu 10 Prozent ändert,
07:04
so it's not a nicenett digitaldigital thing like DNADNA.
163
409000
3000
es ist also nicht eine nette digitale Sache wie die DNA.
07:07
And basicallyGrundsätzlich gilt our problemProblem is somebody'sjemandes in the middleMitte
164
412000
2000
Und im Grunde ist unser Problem, dass da jemand mittendrin ist
07:09
of this very long stageStufe,
165
414000
2000
in diesem sehr langen Stadium,
07:11
they pausePause for just a momentMoment,
166
416000
2000
die für einen kleinen Moment pausieren
07:13
and they leaveverlassen something in an enzymeEnzym for a secondzweite,
167
418000
2000
und für eine Sekunde etwas in einem Enzym hinterlassen,
07:15
and all of a suddenplötzlich all the measurementsMessungen from then on
168
420000
2000
und plötzlich sind alle Messungen von diesem Zeitpunkt an
07:17
don't work.
169
422000
2000
nicht durchführbar.
07:19
And so then people get very inconsistentinkonsistent resultsErgebnisse
170
424000
2000
Und so erhalten Leute sehr inkonsistente Resultate
07:21
when they do it this way.
171
426000
2000
wenn sie das auf diesem Weg machen.
07:23
People have triedversucht very hardhart to do this.
172
428000
2000
Leute haben viel versucht, um das hinzubekommen.
07:25
I triedversucht this a couplePaar of timesmal
173
430000
2000
Ich habe das einige Male probiert
07:27
and lookedsah at this problemProblem and gavegab up on it.
174
432000
2000
und sah das Problem und gab auf.
07:29
I keptgehalten gettingbekommen this call from this oncologistOnkologe
175
434000
2000
Ich habe immer wieder diesen Anruf dieses Onkologen bekommen
07:31
namedgenannt DavidDavid AgusAgus.
176
436000
2000
namens David Agus
07:33
And AppliedAngewendet MindsKöpfe getsbekommt a lot of callsAnrufe
177
438000
3000
Und Applied Minds bekommt eine Menge Anrufe
07:36
from people who want help with theirihr problemsProbleme,
178
441000
2000
von Leuten, die Hilfe brauchen bei deren Problemen
07:38
and I didn't think this was a very likelywahrscheinlich one to call back,
179
443000
3000
und ich dachte nicht, dass dieser Anruf einer von jenen war, die ich zurückrufen sollte,
07:41
so I keptgehalten on givinggeben him to the delayverzögern listListe.
180
446000
3000
und so habe ich ihn immer wieder auf die Wiedervorlage gesetzt.
07:44
And then one day,
181
449000
2000
Und dann eines Tages,
07:46
I get a call from JohnJohn DoerrDoerr, BillBill BerkmanBerkman
182
451000
2000
riefen John Doerr, Bill Berkmann und Al Gore
07:48
and AlAl GoreGore on the samegleich day
183
453000
2000
an einem und dem selben Tag an,
07:50
sayingSprichwort returnRückkehr DavidDavid Agus'sAgus phoneTelefon call.
184
455000
2000
und sagten: ruf David Agus zurück.
07:52
(LaughterLachen)
185
457000
2000
(Gelächter)
07:54
So I was like, "Okay. This guy'sJungs at leastam wenigsten resourcefulreich an Hilfsquellen."
186
459000
2000
Und ich so, "Okay. Zumindest ist dieser Typ gut vernetzt."
07:56
(LaughterLachen)
187
461000
4000
(Gelächter)
08:00
So we startedhat angefangen talkingim Gespräch,
188
465000
2000
So begannen wir mit unserer Unterhaltung
08:02
and he said, "I really need a better way to measuremessen proteinsProteine."
189
467000
3000
und er sagte, "Ich brauche wirklich bessere Methoden Proteine zu messen."
08:05
I'm like, "LookedSah at that. Been there.
190
470000
2000
Und ich so, "Hab ich mir angeschaut. An diesem Punkt war ich auch schon.
08:07
Not going to be easyeinfach."
191
472000
2000
Das wird nicht einfach."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Und er meinte, "Nein, nein. Ich brauche das wirklich.
08:11
I mean, I see patientsPatienten dyingsterben everyjeden day
193
476000
4000
Ich meine, ich sehe täglich Patienten sterben
08:15
because we don't know what's going on insideinnen of them.
194
480000
3000
weil wir nicht wissen, was in ihnen vor sich geht.
08:18
We have to have a windowFenster into this."
195
483000
2000
Wir müssen ein Fenster in das hinein haben."
08:20
And he tookdauerte me throughdurch
196
485000
2000
Und er führte mir
08:22
specificspezifisch examplesBeispiele of when he really needederforderlich it.
197
487000
3000
einige spezielle Beispiele vor Augen, bei denen er das wirklich brauchte.
08:25
And I realizedrealisiert, wowBeeindruckend, this would really make a biggroß differenceUnterschied,
198
490000
2000
Und mir wurde klar, wow, das könnte wirklich etwas verändern,
08:27
if we could do it,
199
492000
2000
wenn wir das hinbekämen.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Und so sagte ich, "Na gut, lass uns das anschauen."
08:31
AppliedAngewendet MindsKöpfe has enoughgenug playspielen moneyGeld
201
496000
2000
Applied Minds haben genug Spielgeld,
08:33
that we can go and just work on something
202
498000
2000
sodass wir hingehen können und einfach an etwas arbeiten,
08:35
withoutohne gettingbekommen anybody'sjemandes fundingFinanzierung or permissionGenehmigung or anything.
203
500000
3000
ohne Unterstützung oder Erlaubnis von außerhalb.
08:38
So we startedhat angefangen playingspielen around with this.
204
503000
2000
Also fingen wir an damit herumzuspielen.
08:40
And as we did it, we realizedrealisiert this was the basicBasic problemProblem --
205
505000
3000
Und als wir das taten, merkten wir, dass dies unser grundlegendes Problem war --
08:43
that takingunter the sipSIP of coffeeKaffee --
206
508000
2000
dieser Schluck Kaffee --
08:45
that there were humansMenschen doing this complicatedkompliziert processverarbeiten
207
510000
2000
das es Menschen waren, die diesen komplizierten Prozess ausführen,
08:47
and that what really needederforderlich to be doneerledigt
208
512000
2000
und dass, was wirklich getan werden musste,
08:49
was to automatezu automatisieren this processverarbeiten like an assemblyVersammlung lineLinie
209
514000
3000
war diesen Prozess zu automatisieren, wie eine Produktionsstraße
08:52
and buildbauen robotsRoboter
210
517000
2000
und Roboter zu bauen,
08:54
that would measuremessen proteomicsProteomics.
211
519000
2000
die die Proteomik messen würden.
08:56
And so we did that,
212
521000
2000
Und so taten wir das.
08:58
and workingArbeiten with DavidDavid,
213
523000
2000
Und durch die Arbeit mit David,
09:00
we madegemacht a little companyUnternehmen callednamens AppliedAngewendet ProteomicsProteomics eventuallyschließlich,
214
525000
3000
errichteten wir schließlich eine kleine Firma namens Applied Proteomics,
09:03
whichwelche makesmacht this roboticRoboter assemblyVersammlung lineLinie,
215
528000
3000
die jene Roboter Produktionsstraße herstellt,
09:06
whichwelche, in a very consistentkonsistent way, measuresMaßnahmen the proteinEiweiß.
216
531000
3000
die in einer sehr gleichmäßigen Art und Weise die Proteine misst.
09:09
And I'll showShow you what that proteinEiweiß measurementMessung lookssieht aus like.
217
534000
3000
Und ich zeige Ihnen, wie diese Proteinmessung aussieht.
09:13
BasicallyIm Grunde, what we do
218
538000
2000
Im Prinzip nehmen wir
09:15
is we take a dropfallen of bloodBlut
219
540000
2000
einem Patienten einen
09:17
out of a patientgeduldig,
220
542000
2000
Tropfen Blut ab,
09:19
and we sortSortieren out the proteinsProteine
221
544000
2000
sortieren die Proteine
09:21
in the dropfallen of bloodBlut
222
546000
2000
aus diesem Blutstropfen
09:23
accordingnach to how much they weighwiegen,
223
548000
2000
nach Gewicht
09:25
how slipperyrutschig they are,
224
550000
2000
und Schlupf,
09:27
and we arrangevereinbaren them in an imageBild.
225
552000
3000
und fügen sie zu einem Bild zusammen.
09:30
And so we can look at literallybuchstäblich
226
555000
2000
Und so können wir buchstäblich
09:32
hundredsHunderte of thousandsTausende of featuresEigenschaften at onceEinmal
227
557000
2000
aus diesem Tropfen Blut hunderttausende Merkmale
09:34
out of that dropfallen of bloodBlut.
228
559000
2000
gleichzeitig betrachten.
09:36
And we can take a differentanders one tomorrowMorgen,
229
561000
2000
Und wir können morgen einen anderen nehmen,
09:38
and you will see your proteinsProteine tomorrowMorgen will be differentanders --
230
563000
2000
und Sie werden sehen, dass Ihre Proteine morgen anders sein werden --
09:40
they'llsie werden be differentanders after you eatEssen or after you sleepSchlaf.
231
565000
3000
sie werden anders sein, nachdem Sie essen oder nachdem Sie schlafen.
09:43
They really tell us what's going on there.
232
568000
3000
Sie erzählen uns wirklich, was hier vor sich geht.
09:46
And so this pictureBild,
233
571000
2000
Und dieses Bild also,
09:48
whichwelche lookssieht aus like a biggroß smudgeVerschmieren to you,
234
573000
2000
das für Sie wie ein Klecks aussieht,
09:50
is actuallytatsächlich the thing that got me really thrilledbegeistert about this
235
575000
4000
ist eigentlich das, was mich daran begeistert hat,
09:54
and madegemacht me feel like we were on the right trackSpur.
236
579000
2000
und ich fühlte mich, als wären wir auf dem richtigen Weg.
09:56
So if I zoomZoomen into that pictureBild,
237
581000
2000
Wenn ich nun das Bild vergrößere,
09:58
I can just showShow you what it meansmeint.
238
583000
2000
kann ich Ihnen zeigen, was das bedeutet.
10:00
We sortSortieren out the proteinsProteine -- from left to right
239
585000
3000
Wir sortieren die Proteine -- von links nach rechts
10:03
is the weightGewicht of the fragmentsFragmente that we're gettingbekommen,
240
588000
3000
ist das Gewicht der Fragmente, das wir erhalten.
10:06
and from topoben to bottomBoden is how slipperyrutschig they are.
241
591000
3000
Und von oben nach unten ist wie schlüpfrig sie sind.
10:09
So we're zoomingZoomen in here just to showShow you a little bitBit of it.
242
594000
3000
Wir vergrößern das hier, um Ihnen einfach etwas davon zu zeigen.
10:12
And so eachjede einzelne of these linesLinien
243
597000
2000
Und so repräsentiiert jede dieser Linien
10:14
representsrepräsentiert some signalSignal that we're gettingbekommen out of a pieceStück of a proteinEiweiß.
244
599000
3000
irgendein Signal, dass wir aus einem Stück von einem Protein herausbekommen haben.
10:17
And you can see how the linesLinien occurauftreten
245
602000
2000
Und Sie können sehen wie die Linien erscheinen
10:19
in these little groupsGruppen of bumpstoßen, bumpstoßen, bumpstoßen, bumpstoßen, bumpstoßen.
246
604000
4000
in diesen kleinen Gruppen von Hügel, Hügel, Hügel, Hügel, Hügel.
10:23
And that's because we're measuringMessung the weightGewicht so preciselygenau that --
247
608000
3000
Und das ist, weil wir das Gewicht so präzise messen, dass --
10:26
carbonKohlenstoff comeskommt in differentanders isotopesIsotope,
248
611000
2000
Kohlenstoff hat verschiedene Isotope,
10:28
so if it has an extraextra neutronNeutron on it,
249
613000
3000
wenn es also ein zusätzliches Neutron hat,
10:31
we actuallytatsächlich measuremessen it as a differentanders chemicalchemisch.
250
616000
4000
messen wir es als unterschiedliches Element.
10:35
So we're actuallytatsächlich measuringMessung eachjede einzelne isotopeIsotop as a differentanders one.
251
620000
3000
So messen wir im Grunde jedes Isotop als ein eigenes.
10:38
And so that givesgibt you an ideaIdee
252
623000
3000
Und so bekommen Sie eine Vorstellung davon,
10:41
of how exquisitelyexquisit sensitiveempfindlich this is.
253
626000
2000
wie ungemein sensibel das ist.
10:43
So seeingSehen this pictureBild
254
628000
2000
Dieses Bild anzuschauen,
10:45
is sortSortieren of like gettingbekommen to be GalileoGalileo
255
630000
2000
ist so etwas, wie Galileo zu werden
10:47
and looking at the starsSterne
256
632000
2000
und zu den Sternen zu schauen,
10:49
and looking throughdurch the telescopeFernrohr for the first time,
257
634000
2000
und das erste Mal durch ein Teleskop zu sehen,
10:51
and suddenlyplötzlich you say, "WowWow, it's way more complicatedkompliziert than we thought it was."
258
636000
3000
und plötzlich sagt man, "Wow, das ist viel komplizierter als wir es uns gedacht hatten."
10:54
But we can see that stuffSachen out there
259
639000
2000
Aber wir können dieses Zeug da draußen sehen
10:56
and actuallytatsächlich see featuresEigenschaften of it.
260
641000
2000
und tatsächlich Einzelheiten erkennen.
10:58
So this is the signatureUnterschrift out of whichwelche we're tryingversuchen to get patternsMuster.
261
643000
3000
Das ist also die Hanschrift, in der wir versuchen Muster zu erkennen.
11:01
So what we do with this
262
646000
2000
Und was wir also damit tun ist,
11:03
is, for exampleBeispiel, we can look at two patientsPatienten,
263
648000
2000
wir schauen uns zum Beispiel zwei Patienten an,
11:05
one that respondedantwortete to a drugDroge and one that didn't respondreagieren to a drugDroge,
264
650000
3000
von denen einer auf ein Medikament angesprochen hat und der andere nicht,
11:08
and askFragen, "What's going on differentlyanders
265
653000
2000
und fragen, "Wie unterscheiden sich
11:10
insideinnen of them?"
266
655000
2000
die Abläufe in Ihnen?"
11:12
And so we can make these measurementsMessungen preciselygenau enoughgenug
267
657000
3000
Und nun können wir diese Messungen präzise genug machen,
11:15
that we can overlayOverlay two patientsPatienten and look at the differencesUnterschiede.
268
660000
3000
um zwei Patienten überlappen zu können und uns die Unterschiede anzuschauen.
11:18
So here we have AliceAlice in greenGrün
269
663000
2000
Und so haben wir hier Alice in Grün
11:20
and BobBob in redrot.
270
665000
2000
und Bob in Rot,
11:22
We overlayOverlay them. This is actualtatsächlich dataDaten.
271
667000
3000
Wir überlappen sie. Das sind reale Daten.
11:25
And you can see, mostlymeist it overlapsüberlappt and it's yellowGelb,
272
670000
3000
Und Sie können sehen, meistens überlappt es und ist gelb,
11:28
but there's some things that just AliceAlice has
273
673000
2000
aber es gibt einige Dinge die nur Alice hat
11:30
and some things that just BobBob has.
274
675000
2000
und einige Dinge die nur Bob hat,
11:32
And if we find a patternMuster of things
275
677000
3000
Und wenn wir ein Muster von Dingen erhalten
11:35
of the respondersResponder to the drugDroge,
276
680000
3000
von denjenigen, die auf das Medikament ansprechen,
11:38
we see that in the bloodBlut,
277
683000
2000
sehen wir, dass sie in dem Blut
11:40
they have the conditionBedingung
278
685000
2000
einen Zustand haben,
11:42
that allowserlaubt them to respondreagieren to this drugDroge.
279
687000
2000
der ihnen erlaubt auf dieses Medikament anzusprechen.
11:44
We mightMacht not even know what this proteinEiweiß is,
280
689000
2000
Wir können vielleicht nicht wissen, was dieses Protein ist,
11:46
but we can see it's a markerMarker
281
691000
2000
aber wir können sehen, dass es eine Markierung ist
11:48
for the responseAntwort to the diseaseKrankheit.
282
693000
2000
für die Ansprechbarkeit für diese Krankheit.
11:53
So this alreadybereits, I think,
283
698000
2000
Das ist also schon, glaube ich,
11:55
is tremendouslyenorm usefulsinnvoll in all kindsArten of medicineMedizin.
284
700000
3000
enorm brauchbar auf allen Gebieten der Medizin.
11:58
But I think this is actuallytatsächlich
285
703000
2000
Aber ich denke das ist eigentlich
12:00
just the beginningAnfang
286
705000
2000
nur der Beginn
12:02
of how we're going to treatbehandeln cancerKrebs.
287
707000
2000
davon wie wir Krebs behandeln werden.
12:04
So let me moveBewegung to cancerKrebs.
288
709000
2000
So lassen Sie mich auf den Krebs zu sprechen kommen.
12:06
The thing about cancerKrebs --
289
711000
2000
Die Sache bei Krebs ist --
12:08
when I got into this,
290
713000
2000
als ich in die Sache hineingeriet,
12:10
I really knewwusste nothing about it,
291
715000
2000
wusste ich wirklich nichts darüber,
12:12
but workingArbeiten with DavidDavid AgusAgus,
292
717000
2000
aber mit David Agus zu arbeiten,
12:14
I startedhat angefangen watchingAufpassen how cancerKrebs was actuallytatsächlich beingSein treatedbehandelt
293
719000
3000
begann ich zu sehen, wie Krebs eigentlich behandelt wurde
12:17
and wentging to operationsOperationen where it was beingSein cutschneiden out.
294
722000
3000
und ging zu Operationen wo es herausgeschnitten wurde.
12:20
And as I lookedsah at it,
295
725000
2000
Und als ich das ansah,
12:22
to me it didn't make senseSinn
296
727000
2000
ergab es für mich keinen Sinn
12:24
how we were approachingAnnäherung an cancerKrebs,
297
729000
2000
wie wir dem Krebs begegnen.
12:26
and in orderAuftrag to make senseSinn of it,
298
731000
3000
Und um das zu verstehen,
12:29
I had to learnlernen where did this come from.
299
734000
3000
musste ich lernen, woher das kam.
12:32
We're treatingbehandeln cancerKrebs almostfast like it's an infectiousinfektiöse diseaseKrankheit.
300
737000
4000
Wir behandeln Krebs fast so, als wäre es eine infektiöse Krankheit.
12:36
We're treatingbehandeln it as something that got insideinnen of you
301
741000
2000
Wir behandeln es als etwas das in Sie hineingekommen ist
12:38
that we have to killtöten.
302
743000
2000
das wir töten müssen.
12:40
So this is the great paradigmParadigma.
303
745000
2000
Das ist also das große Denkmuster.
12:42
This is anotherein anderer caseFall
304
747000
2000
Dies ist ein weiterer Fall,
12:44
where a theoreticaltheoretisch paradigmParadigma in biologyBiologie really workedhat funktioniert --
305
749000
2000
wo ein theoretisches Denkmuster in der Biologie tatsächlich funktionierte --
12:46
was the germKeim theoryTheorie of diseaseKrankheit.
306
751000
3000
das war die bakterielle Theorie einer Krankheit.
12:49
So what doctorsÄrzte are mostlymeist trainedausgebildet to do
307
754000
2000
Was also Ärzte meistens trainiert werden zu tun
12:51
is diagnosediagnostizieren --
308
756000
2000
ist diagnostizieren --
12:53
that is, put you into a categoryKategorie
309
758000
2000
das wird in eine Kathegorie gestellt --
12:55
and applysich bewerben a scientificallywissenschaftlich provenbewiesen treatmentBehandlung
310
760000
2000
und eine wissenschaftlich belegten Behandlung durchzuführen
12:57
for that diagnosisDiagnose --
311
762000
2000
für diese Diagnose.
12:59
and that worksWerke great for infectiousinfektiöse diseasesKrankheiten.
312
764000
3000
Und das funktioniert großartig für infektiöse Krankheiten.
13:02
So if we put you in the categoryKategorie
313
767000
2000
Wenn wir also Sie in die Kathegorie stellen
13:04
of you've got syphilisSyphilis, we can give you penicillinPenicillin.
314
769000
3000
der Syphiliserkrankten, können wir Ihnen Penicillin geben.
13:07
We know that that worksWerke.
315
772000
2000
Wir wissen, dass es funktioniert.
13:09
If you've got malariaMalaria, we give you quinineChinin
316
774000
2000
Falls Sie Malaria haben, geben wir Ihnen Chinin,
13:11
or some derivativeDerivat of it.
317
776000
2000
oder manche Derivate dessen.
13:13
And so that's the basicBasic thing doctorsÄrzte are trainedausgebildet to do,
318
778000
3000
Und das ist im Grunde worauf Ärzte trainiert werden.
13:16
and it's miraculousWunder-
319
781000
2000
Und es ist verwunderlich,
13:18
in the caseFall of infectiousinfektiöse diseaseKrankheit --
320
783000
3000
für den Fall der infektiösen Erkrankungen --
13:21
how well it worksWerke.
321
786000
2000
wie gut das funktioniert.
13:23
And manyviele people in this audiencePublikum probablywahrscheinlich wouldn'twürde nicht be aliveam Leben
322
788000
3000
Und viele Menschen in diesem Publikum wären wahrscheinlich nicht am Leben
13:26
if doctorsÄrzte didn't do this.
323
791000
2000
wenn Ärzte das nicht tun würden.
13:28
But now let's applysich bewerben that
324
793000
2000
Aber lassen Sie und das auf systemische
13:30
to systemsSysteme diseasesKrankheiten like cancerKrebs.
325
795000
2000
Erkrankungen wie Krebs anwenden.
13:32
The problemProblem is that, in cancerKrebs,
326
797000
2000
Das Problem ist, dass es bei Krebs
13:34
there isn't something elsesonst
327
799000
2000
nichts zusätzliches gibt
13:36
that's insideinnen of you.
328
801000
2000
dass in Ihnen ist.
13:38
It's you; you're brokengebrochen.
329
803000
2000
Es sind Sie, Sie sind beschädigt.
13:40
That conversationKonversation insideinnen of you
330
805000
4000
Diese Konversation in Ihnen
13:44
got mixedgemischt up in some way.
331
809000
2000
geriet irgendwie durcheinander.
13:46
So how do we diagnosediagnostizieren that conversationKonversation?
332
811000
2000
Wie können wir nun diese Konversation diagnostizieren?
13:48
Well, right now what we do is we divideTeilen it by partTeil of the bodyKörper --
333
813000
3000
Gerade sind wir dabei, es nach Bereichen des Körpers zu unterteilen --
13:51
you know, where did it appearerscheinen? --
334
816000
3000
nun ja, wo ist es in Erscheinung getreten --
13:54
and we put you in differentanders categoriesKategorien
335
819000
2000
und wir teilen Sie in verschiedene Kategorien ein --
13:56
accordingnach to the partTeil of the bodyKörper.
336
821000
2000
entsprechend der Teile des Körpers.
13:58
And then we do a clinicalklinisch trialVersuch
337
823000
2000
Und dann machen wir eine klinische Behandlung
14:00
for a drugDroge for lungLunge cancerKrebs
338
825000
2000
mit einem Medikament für Lungenkrebs
14:02
and one for prostateProstata cancerKrebs and one for breastBrust cancerKrebs,
339
827000
3000
und einem für Prostatakrebs und einem für Brustkrebs,
14:05
and we treatbehandeln these as if they're separategetrennte diseasesKrankheiten
340
830000
3000
und wir behandeln diese als wären sie unterschiedliche Krankheiten
14:08
and that this way of dividingsich teilend them
341
833000
2000
und diese Art, sie zu unterscheiden
14:10
had something to do with what actuallytatsächlich wentging wrongfalsch.
342
835000
2000
hatte etwas mit dem zu tun, was eigentlich schief lief.
14:12
And of courseKurs, it really doesn't have that much to do
343
837000
2000
Und natürlich hat es wirklich nicht so viel
14:14
with what wentging wrongfalsch
344
839000
2000
mit dem zu tun, was falsch lief.
14:16
because cancerKrebs is a failureFehler of the systemSystem.
345
841000
3000
Weil Krebs ein Systemversagen ist.
14:19
And in factTatsache, I think we're even wrongfalsch
346
844000
2000
Und in der Tat glaube ich, dass wir sogar falsch liegen,
14:21
when we talk about cancerKrebs as a thing.
347
846000
3000
wenn wir von Krebs als eine Sache sprechen.
14:24
I think this is the biggroß mistakeFehler.
348
849000
2000
Ich glaube das ist der große Fehler.
14:26
I think cancerKrebs should not be a nounSubstantiv.
349
851000
4000
Ich denke, Krebs sollte kein Nomen sein.
14:30
We should talk about canceringKrebsen
350
855000
2000
Wir sollten vom Krebsen sprechen.
14:32
as something we do, not something we have.
351
857000
3000
von etwas, das wir tun, nicht von etwas, das wir haben
14:35
And so those tumorsTumoren,
352
860000
2000
Und diese Tumore,
14:37
those are symptomsSymptome of cancerKrebs.
353
862000
2000
die sind Symptome von Krebs.
14:39
And so your bodyKörper is probablywahrscheinlich canceringKrebsen all the time,
354
864000
3000
Und unser Körper krebst wahrscheinlich die ganze Zeit.
14:42
but there are lots of systemsSysteme in your bodyKörper
355
867000
3000
Aber es gibt eine Menge Systeme in unserem Körper,
14:45
that keep it underunter controlsteuern.
356
870000
2000
die das unter Kontrolle behalten.
14:47
And so to give you an ideaIdee
357
872000
2000
Und um Ihnen eine Vorstellung geben zu können
14:49
of an analogyAnalogie of what I mean
358
874000
2000
anhand einer Analogie von dem was ich meine,
14:51
by thinkingDenken of canceringKrebsen as a verbVerb,
359
876000
3000
wenn wir uns Krebsen als Verb denken,
14:54
imaginevorstellen we didn't know anything about plumbingSanitär,
360
879000
3000
stellen Sie sich vor, wir wüssten nichts über das Klempnern
14:57
and the way that we talkedsprach about it,
361
882000
2000
und die Art wie wir darüber sprächen wäre
14:59
we'dheiraten come home and we'dheiraten find a leakLeck in our kitchenKüche
362
884000
3000
als würden wir nach Hause kommen und ein Leck in unserer Küche finden.
15:02
and we'dheiraten say, "Oh, my houseHaus has waterWasser."
363
887000
4000
Und wir würden sagen, "Oh, mein Haus hat Wasser."
15:06
We mightMacht divideTeilen it -- the plumberKlempner would say, "Well, where'swo ist the waterWasser?"
364
891000
3000
Wir würden es unterteilen -- der Klempner würde sagen, "Naja, wo ist das Wasser?"
15:09
"Well, it's in the kitchenKüche." "Oh, you mustsollen have kitchenKüche waterWasser."
365
894000
3000
"Naja, es ist in der Küche." "Oh, Sie müssen Küchenwasser haben."
15:12
That's kindArt of the levelEbene at whichwelche it is.
366
897000
3000
Das ist das Niveau auf dem es ist.
15:15
"KitchenKüche waterWasser,
367
900000
2000
"Küchenwasser?"
15:17
well, first of all, we'llGut go in there and we'llGut mopMOP out a lot of it.
368
902000
2000
Naja, zuerst würden wir hineingehen und wir würden einiges aufwischen.
15:19
And then we know that if we sprinklebestreuen DranoDrano around the kitchenKüche,
369
904000
3000
Und dann wüssten wir, dass wenn wir Draino in der Küche verstreuen,
15:22
that helpshilft.
370
907000
3000
dass das hilft.
15:25
WhereasWährend livingLeben roomZimmer waterWasser,
371
910000
2000
Wobei bei Wohnzimmerwasser,
15:27
it's better to do tarTeer on the roofDach."
372
912000
2000
es besser ist, Dachpappe aufs Dach zu legen.
15:29
And it soundsGeräusche sillydumm,
373
914000
2000
Und es hört sich dumm an,
15:31
but that's basicallyGrundsätzlich gilt what we do.
374
916000
2000
aber as ist im Grunde, was wir tun.
15:33
And I'm not sayingSprichwort you shouldn'tsollte nicht mopMOP up your waterWasser if you have cancerKrebs,
375
918000
3000
Und ich behaupte nicht, dass Sie nicht das Wasser in der Küche aufwischen sollen, wenn Sie Krebs haben.
15:36
but I'm sayingSprichwort that's not really the problemProblem;
376
921000
3000
Aber ich sage, dass dies gar nicht das Problem ist.
15:39
that's the symptomSymptom of the problemProblem.
377
924000
2000
Das ist ein Symptom des Problems.
15:41
What we really need to get at
378
926000
2000
Wo wir wirklich ran müssen,
15:43
is the processverarbeiten that's going on,
379
928000
2000
ist der Prozess, der gerade abläuft,
15:45
and that's happeningHappening at the levelEbene
380
930000
2000
und zwar auf der Ebene
15:47
of the proteonomicproteomischen actionsAktionen,
381
932000
2000
der proteomischen Aktivitäten
15:49
happeningHappening at the levelEbene of why is your bodyKörper not healingHeilung itselfselbst
382
934000
3000
auf der Ebene des 'Warum sich der Körper nicht selbst heilt,
15:52
in the way that it normallynormalerweise does?
383
937000
2000
wie er es normalerweise macht?'
15:54
Because normallynormalerweise, your bodyKörper is dealingUmgang with this problemProblem all the time.
384
939000
3000
Denn normalerweise beschäftigt sich Ihr Körper ständig mit diesem Problem.
15:57
So your houseHaus is dealingUmgang with leaksLecks all the time,
385
942000
3000
Ihr Haus ist also ständig mit Lecks beschäftigt.
16:00
but it's fixingFestsetzung them. It's drainingEntwässerung them out and so on.
386
945000
4000
Aber es repariert sie. Es trocknet sie aus und so weiter.
16:04
So what we need
387
949000
3000
Was wir also brauchen
16:07
is to have a causativebegründend modelModell-
388
952000
4000
ist ein schlüssiges Modell
16:11
of what's actuallytatsächlich going on,
389
956000
2000
von dem was wirklich vor sich geht.
16:13
and proteomicsProteomics actuallytatsächlich givesgibt us
390
958000
3000
Und die Proteomik gibt uns tatsächlich
16:16
the abilityFähigkeit to buildbauen a modelModell- like that.
391
961000
3000
die Möglichkeit, ein Modell wie dieses zu bauen.
16:19
DavidDavid got me invitedeingeladen
392
964000
2000
David hat mich einladen lassen,
16:21
to give a talk at NationalNationalen CancerKrebs InstituteInstitut
393
966000
2000
um am National Cancer Institute eine Rede zu halten
16:23
and AnnaAnna BarkerBarker was there.
394
968000
3000
und Anna Barker war dort.
16:27
And so I gavegab this talk
395
972000
2000
Und so hielt ich diese Rede
16:29
and said, "Why don't you guys do this?"
396
974000
3000
und sagte, "Warum macht ihr Leute das denn nicht?"
16:32
And AnnaAnna said,
397
977000
2000
Und Anna sagte,
16:34
"Because nobodyniemand withininnerhalb cancerKrebs
398
979000
3000
"Weil kein Krebsfachmann
16:37
would look at it this way.
399
982000
2000
die Sache so sehen würde.
16:39
But what we're going to do, is we're going to createerstellen a programProgramm
400
984000
3000
Aber wir werden ein Programm entwickeln
16:42
for people outsidedraußen the fieldFeld of cancerKrebs
401
987000
2000
für Menschen außerhalb der Krebsforschung,
16:44
to get togetherzusammen with doctorsÄrzte
402
989000
2000
um mit Ärzten zusammen zu kommen,
16:46
who really know about cancerKrebs
403
991000
3000
die sich wirklich mit Krebs auskennen
16:49
and work out differentanders programsProgramme of researchForschung."
404
994000
4000
und um verschiedene Forschungsprogramme auzusarbeiten.
16:53
So DavidDavid and I appliedangewendet to this programProgramm
405
998000
2000
So bewarben David und ich mich für dieses Programm
16:55
and createderstellt a consortiumKonsortium
406
1000000
2000
und gründeten eine Arbeitsgruppe
16:57
at USCUSC
407
1002000
2000
an der USC
16:59
where we'vewir haben got some of the bestBeste oncologistsOnkologen in the worldWelt
408
1004000
3000
wo wir einige der weltbesten Onkologen haben
17:02
and some of the bestBeste biologistsBiologen in the worldWelt,
409
1007000
3000
und einige der besten Biologen der Welt,
17:05
from ColdKälte SpringFrühling HarborHafen,
410
1010000
2000
von Cold Spring Harbor,
17:07
StanfordStanford, AustinAustin --
411
1012000
2000
Stanford, Austin --
17:09
I won'tGewohnheit even go throughdurch and nameName all the placessetzt --
412
1014000
3000
Ich werde jetzt nicht alle Namen und alle Orte erwähnen --
17:12
to have a researchForschung projectProjekt
413
1017000
3000
um ein Forschungsprojekt zu haben,
17:15
that will last for fivefünf yearsJahre
414
1020000
2000
dass fünf Jahre dauern wird,
17:17
where we're really going to try to buildbauen a modelModell- of cancerKrebs like this.
415
1022000
3000
bei dem wir wirklich versuchen werden, ein Krebsmodell wie dieses zu entwickeln.
17:20
We're doing it in miceMäuse first,
416
1025000
2000
Wir werden das zuerst an Mäusen machen.
17:22
and we will killtöten a lot of miceMäuse
417
1027000
2000
Und wir werden eine Menge Mäuse töten
17:24
in the processverarbeiten of doing this,
418
1029000
2000
im Verlauf dieser Tätigkeit,
17:26
but they will diesterben for a good causeUrsache.
419
1031000
2000
aber sie werden für einen guten Zweck sterben.
17:28
And we will actuallytatsächlich try to get to the pointPunkt
420
1033000
3000
Und wir werden tatsächlich versuchen, soweit zu kommen,
17:31
where we have a predictiveprädiktive modelModell-
421
1036000
2000
dass wir ein vorhersagbares Modell haben,
17:33
where we can understandverstehen,
422
1038000
2000
dass wir verstehen können
17:35
when cancerKrebs happensdas passiert,
423
1040000
2000
wann Krebs auftritt,
17:37
what's actuallytatsächlich happeningHappening in there
424
1042000
2000
was tatsächlich da drin passiert
17:39
and whichwelche treatmentBehandlung will treatbehandeln that cancerKrebs.
425
1044000
3000
und welche Behandlung Krebs therapieren wird.
17:42
So let me just endEnde with givinggeben you a little pictureBild
426
1047000
3000
Zum Schluss möchte ich Ihnen eine Vorstellung davon geben,
17:45
of what I think cancerKrebs treatmentBehandlung will be like in the futureZukunft.
427
1050000
3000
was ich für eine zukünftige Behandlung von Krebs halte.
17:48
So I think eventuallyschließlich,
428
1053000
2000
Ich glaube, dass letztlich,
17:50
onceEinmal we have one of these modelsModelle for people,
429
1055000
2000
sobald wir eines dieser Modelle für Menschen haben,
17:52
whichwelche we'llGut get eventuallyschließlich --
430
1057000
2000
welche wir schlussendlich bekommen werden --
17:54
I mean, our groupGruppe won'tGewohnheit get all the way there --
431
1059000
2000
ich meine, unsere Gruppe wird nicht alles schaffen können --
17:56
but eventuallyschließlich we'llGut have a very good computerComputer modelModell- --
432
1061000
3000
aber schließlich werden wir ein sehr gutes Computermodell haben --
17:59
sortSortieren of like a globalglobal climateKlima modelModell- for weatherWetter.
433
1064000
3000
ähnlich wie ein globales Klimamodell für Wetter.
18:02
It has lots of differentanders informationInformation
434
1067000
3000
Es beinhaltet eine Menge verschiedener Informationen
18:05
about what's the processverarbeiten going on in this proteomicProteomik conversationKonversation
435
1070000
3000
über den laufenden Prozess in dieser proteomischen Konversation
18:08
on manyviele differentanders scalesWaage.
436
1073000
2000
auf vielen verschiedenen Ebenen.
18:10
And so we will simulatesimulieren
437
1075000
2000
Und so werden wir das simulieren,
18:12
in that modelModell-
438
1077000
2000
in diesem Modell
18:14
for your particularinsbesondere cancerKrebs --
439
1079000
3000
für diesen speziellen Krebs --
18:17
and this alsoebenfalls will be for ALSALS,
440
1082000
2000
und das wird es auch für ALS geben,
18:19
or any kindArt of systemSystem neurodegenerativeneurodegenerative diseasesKrankheiten,
441
1084000
3000
oder jede beliebige Art von degenerativen Erkrankungen des Nervensystems
18:22
things like that --
442
1087000
2000
Dinge wie diese --
18:24
we will simulatesimulieren
443
1089000
2000
werden wir simulieren
18:26
specificallyspeziell you,
444
1091000
2000
speziell für Sie,
18:28
not just a genericgenerisch personPerson,
445
1093000
2000
nicht nur eine generische Person,
18:30
but what's actuallytatsächlich going on insideinnen you.
446
1095000
2000
sondern was tatsächlich in Ihnen vor sich geht.
18:32
And in that simulationSimulation, what we could do
447
1097000
2000
Und speziell für Sie
18:34
is designEntwurf for you specificallyspeziell
448
1099000
2000
können wir in dieser Simulation
18:36
a sequenceSequenz of treatmentsBehandlungen,
449
1101000
2000
eine Reihenfolge von Behandlungen entwerfen,
18:38
and it mightMacht be very gentlesanft treatmentsBehandlungen, very smallklein amountsBeträge of drugsDrogen.
450
1103000
3000
und vielleicht sehr sanfte Behandlungen, sehr kleine Wirkstoffdosen.
18:41
It mightMacht be things like, don't eatEssen that day,
451
1106000
3000
Es könnten Dinge sein wie, essen Sie heute nichts,
18:44
or give them a little chemotherapyChemotherapie,
452
1109000
2000
oder geben sie dem ein wenig Chemotherapie,
18:46
maybe a little radiationStrahlung.
453
1111000
2000
vielleicht ein wenig Strahlung.
18:48
Of courseKurs, we'llGut do surgeryChirurgie sometimesmanchmal and so on.
454
1113000
3000
Natürlich werden wir manchmal operieren und so weiter.
18:51
But designEntwurf a programProgramm of treatmentsBehandlungen specificallyspeziell for you
455
1116000
3000
Aber wir entwickeln ein Behandlungsprogramm speziell für Sie
18:54
and help your bodyKörper
456
1119000
3000
und helfen Ihren Körper
18:57
guideführen back to healthGesundheit --
457
1122000
3000
den Weg zurück in die Gesundheit zu finden --
19:00
guideführen your bodyKörper back to healthGesundheit.
458
1125000
2000
Ihren Körper zurück zur Gesundheit zu leiten.
19:02
Because your bodyKörper will do mostdie meisten of the work of fixingFestsetzung it
459
1127000
4000
Weil Ihr Körper die meiste Reparaturarbeit verrichten wird
19:06
if we just sortSortieren of propProp it up in the waysWege that are wrongfalsch.
460
1131000
3000
Wenn wir nur irgendwie die falschlaufenden Dinge abfangen.
19:09
We put it in the equivalentÄquivalent of splintsSchienen.
461
1134000
2000
Bringen wir eine dazu äquivalente Menge an Schienen ein.
19:11
And so your bodyKörper basicallyGrundsätzlich gilt has lots and lots of mechanismsMechanismen
462
1136000
2000
Und so hat Ihr Körper viele, viele Mechanismen
19:13
for fixingFestsetzung cancerKrebs,
463
1138000
2000
Krebs zu reparieren
19:15
and we just have to propProp those up in the right way
464
1140000
3000
und wir müssen einfach diese zurechtmachen in der richtigen Weise
19:18
and get them to do the jobJob.
465
1143000
2000
und diese die Arbeit tun lassen.
19:20
And so I believe that this will be the way
466
1145000
2000
Und so glaube ich dass dies der Weg sein wird,
19:22
that cancerKrebs will be treatedbehandelt in the futureZukunft.
467
1147000
2000
wie Krebs in Zukunft behandelt werden wird.
19:24
It's going to requireerfordern a lot of work,
468
1149000
2000
Es wird eine Menge Arbeit benötigen,
19:26
a lot of researchForschung.
469
1151000
2000
viel Forschung.
19:28
There will be manyviele teamsTeams like our teamMannschaft
470
1153000
3000
Es wir viele Teams wie das unsere geben
19:31
that work on this.
471
1156000
2000
die daran arbeiten.
19:33
But I think eventuallyschließlich,
472
1158000
2000
Und ich glaube, letztlich
19:35
we will designEntwurf for everybodyjeder
473
1160000
2000
werden wir für jeden
19:37
a custombenutzerdefinierte treatmentBehandlung for cancerKrebs.
474
1162000
4000
eine abgestimmte Behandlung gegen Krebs erstellen.
19:41
So thank you very much.
475
1166000
2000
Ich danke Ihnen vielmals.
19:43
(ApplauseApplaus)
476
1168000
6000
(Applaus)
Translated by Michael Plevan
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com