TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Wie man das Genom liest und einen Menschen erschafft
Filmed:
Readability: 3.6
1,834,677 views
Geheimnisse, Krankheiten und Schönheit sind in das menschliche Genom, die vollständige genetische Anleitung zur Erschaffung eines Menschen, geschrieben. Wie uns der Wissenschaftler und Unternehmer Riccardo Sabatini zeigt, haben wir die Macht, diesen komplexen Code zu lesen und Eigenschaften wie Größe, Augenfarbe, Alter und sogar die Gesichtszüge aus dem Inhalt eines Blutröhrchens vorherzusagen. Bald, sagt Sabatini, werden es uns unsere neuen Erkenntnisse ermöglichen, die Behandlung von Krankheiten wie Krebs auf Personen zuzuschneiden. Wir haben die Macht, das Leben wie wir es kennen, zu verändern. Wie werden wir sie einsetzen?
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
Die nächsten 16 Minuten
nehme ich Sie mit auf eine Reise,
nehme ich Sie mit auf eine Reise,
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
die wohl der größte Menschheitstraum ist:
00:18
to understand the code of life.
2
6508
2015
den Code des Lebens zu verstehen.
Bei mir fing alles vor vielen Jahren an,
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
00:23
when I met the first 3D printer.
4
11839
2723
als ich Bekanntschaft
mit dem ersten 3D-Drucker machte.
mit dem ersten 3D-Drucker machte.
00:26
The concept was fascinating.
5
14586
1674
Das Konzept war spannend.
00:28
A 3D printer needs three elements:
6
16284
2022
Einem 3D-Drucker genügen drei Komponenten:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
Informationen, Ausgangsmaterial, Energie;
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
und er kann irgendein Objekt herstellen,
das vorher nicht da war.
das vorher nicht da war.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Ich studierte Physik,
kam nach Hause zurück
kam nach Hause zurück
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
und erkannte, dass ich schon immer
einen 3D-Drucker kannte.
einen 3D-Drucker kannte.
00:44
And everyone does.
11
32140
1336
Wie jeder andere auch.
00:45
It was my mom.
12
33500
1158
Es war meine Mutter.
00:46
(Laughter)
13
34682
1001
(Lachen)
00:47
My mom takes three elements:
14
35707
2414
Meiner Mutter genügten drei Komponenten:
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
Informationen -- in diesem Fall
von meinem Vater und meiner Mutter --,
von meinem Vater und meiner Mutter --,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
Ausgangsmaterial und Energie
-- beides als Lebensmittel --
-- beides als Lebensmittel --
und nach mehreren Monaten
brachte sie mich zu Stande.
brachte sie mich zu Stande.
00:58
and after several months, produces me.
17
46323
2508
01:00
And I was not existent before.
18
48855
1812
Auch ich war vorher nicht existent.
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
Abgesehen vom Schock zu entdecken,
dass meine Mutter ein 3D-Drucker war,
dass meine Mutter ein 3D-Drucker war,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
faszinierte mich sofort der erste Teil:
01:11
the first one, the information.
21
59239
1717
die Information.
01:12
What amount of information does it take
22
60980
2251
Welche Informationsmenge braucht man,
um einen Menschen zu erschaffen?
01:15
to build and assemble a human?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
Ist es viel oder wenig?
01:18
How many thumb drives can you fill?
25
66813
2180
Wie viele USB-Sticks
lassen sich damit füllen?
lassen sich damit füllen?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Ich war Physik-Studienanfänger
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
und nahm ein riesiges Lego-Modell
als Analogie für einen Menschen.
als Analogie für einen Menschen.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Stellen Sie sich vor,
die Bausteine seien kleine Atome
die Bausteine seien kleine Atome
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
und hier ein Wasserstoff,
da ein Kohlenstoff
da ein Kohlenstoff
und dort ein Stickstoff dort.
01:37
So in the first approximation,
30
85772
1571
In einer ersten Annäherung nahm ich an,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
dass man einen Menschen erschaffen könnte,
wenn man die Anzahl der Atome auflistet,
die einen Menschen ausmachen.
die einen Menschen ausmachen.
01:43
I can build it.
32
91734
1387
01:45
Now, you can run some numbers
33
93145
2029
Man kann einige Berechnungen anstellen
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
und es scheint eine ziemlich
erstaunliche Anzahl zu sein.
erstaunliche Anzahl zu sein.
01:50
So the number of atoms,
35
98499
2757
Die Datei für die Anzahl der Atome,
die man für ein Baby benötigt
die man für ein Baby benötigt
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
und die ich abspeichern will,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
füllt die ganze Titanic mit USB-Sticks,
multipliziert mit 2000.
02:02
multiplied 2,000 times.
38
110750
2718
02:05
This is the miracle of life.
39
113957
3401
Das ist das Wunder des Lebens.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Von nun an verbinden Sie
mit einer Schwangeren
mit einer Schwangeren
jedes Mal die größte Datenmenge,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
02:14
that you will ever encounter.
42
122898
1556
die ihnen jemals unterkommen wird.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Haken Sie Big Data ab,
vergessen Sie, wovon sie gehört haben.
vergessen Sie, wovon sie gehört haben.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Das ist die größte
existierende Datenmenge.
existierende Datenmenge.
02:22
(Applause)
45
130357
3833
(Applaus)
Aber ...
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
die Natur ist glücklicherweise
viel schlauer als ein junger Physiker
viel schlauer als ein junger Physiker
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
und schaffte es in vier Milliarden Jahren
02:34
in a small crystal we call DNA.
48
142482
2705
die Informationen in ein kleines Kristall,
namens DNA, zu packen.
namens DNA, zu packen.
Man stieß 1950 zum ersten Mal darauf,
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
als Rosalind Franklin,
eine erstaunliche Wissenschaftlerin,
eine erstaunliche Wissenschaftlerin,
02:41
an amazing scientist, a woman,
50
149941
1556
ein Foto davon machte.
02:43
took a picture of it.
51
151521
1389
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
Aber es dauerte mehr als 40 Jahre
bis man in eine menschliche Zelle blickte,
bis man in eine menschliche Zelle blickte,
02:50
take out this crystal,
53
158146
1602
dieses Kristall herausholte,
02:51
unroll it, and read it for the first time.
54
159772
3080
es ausrollte und das erste Mal las.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
Der Code stellt sich als
ziemlich einfaches Alphabet heraus.
ziemlich einfaches Alphabet heraus.
02:58
four letters: A, T, C and G.
56
166880
3772
Vier Buchstaben: A, T, C und G.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Um einen Menschen zu bilden,
benötigt man davon drei Milliarden.
benötigt man davon drei Milliarden.
03:06
Three billion.
58
174933
1179
Drei Milliarden.
03:08
How many are three billion?
59
176136
1579
Was bedeutet drei Milliarden?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Die Zahl alleine ist sinnlos, oder?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Also dachte ich darüber nach,
wie ich mir besser verdeutlichen könnte,
wie ich mir besser verdeutlichen könnte,
03:16
about how big and enormous this code is.
62
184634
3050
wie riesengroß dieser Code ist.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Ich werde dazu Unterstützung benötigen
und die beste Person, die mir
dabei helfen kann, den Code vorzustellen,
dabei helfen kann, den Code vorzustellen,
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
ist der Erste, der ihn
in eine Reihenfolge brachte:
in eine Reihenfolge brachte:
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
Dr. Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Herzlich Willkommen auf der Bühne:
Dr. Craig Venter.
Dr. Craig Venter.
03:32
(Applause)
67
200997
6931
(Applaus)
03:39
Not the man in the flesh,
68
207952
2256
Nicht aus Fleisch und Blut,
aber zum ersten Mal in der Geschichte
03:43
but for the first time in history,
69
211448
2345
03:45
this is the genome of a specific human,
70
213817
3462
druckte man das Genom
eines bestimmten Menschen aus,
eines bestimmten Menschen aus,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
Seite für Seite, Buchstabe für Buchstabe.
03:53
262,000 pages of information,
72
221087
3996
Daten auf 262 000 Seiten,
450 Kilogramm schwer,
450 Kilogramm schwer,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
verfrachtete man von den USA nach Kanada.
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
Der Dank geht an Bruno Bowden, Lulu.com,
der alles Erforderliche unternahm.
der alles Erforderliche unternahm.
Es war ein erstaunlicher Kraftakt.
04:06
It was an amazing feat.
75
234362
1463
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
Das ist der visuell
wahrnehmbare Code des Lebens.
wahrnehmbare Code des Lebens.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Erstmals kann ich etwas Lustiges tun.
04:14
I can actually poke inside it and read.
78
242672
2547
Ich kann hineinschauen und darin lesen.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Nehmen wir dieses interessante Buch.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Da ist ein Vermerk;
es ist ein ziemlich dickes Buch.
es ist ein ziemlich dickes Buch.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Nur um Sie verstehen zu lassen,
was der Code des Lebens ist.
was der Code des Lebens ist.
04:32
Thousands and thousands and thousands
82
260566
3391
Tausende und Abermillionen Buchstaben
04:35
and millions of letters.
83
263981
2670
04:38
And they apparently make sense.
84
266675
2396
Sie sind anscheinend sinnvoll.
04:41
Let's get to a specific part.
85
269095
1757
Sehen wir uns einen bestimmten Teil an.
04:43
Let me read it to you:
86
271571
1362
Ich lese ihn vor:
04:44
(Laughter)
87
272957
1021
(Lachen)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it sounds like mute letters,
89
278965
2067
Die Buchstaben sagen Ihnen nichts,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
aber durch diese Abfolge
erhält Craig seine Augenfarbe.
erhält Craig seine Augenfarbe.
Ich zeige Ihnen einen anderen Buchteil.
04:57
I'll show you another part of the book.
91
285633
1932
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Der ist ein wenig komplizierter.
05:02
Chromosome 14, book 132:
93
290983
2647
Chromosom 14, Buch 132:
05:05
(Laughter)
94
293654
2090
(Lachen)
05:07
As you might expect.
95
295768
1277
Wie Sie vielleicht erwartet haben.
05:09
(Laughter)
96
297069
3466
(Lachen)
"ATT, CTT, GATT."
05:14
"ATT, CTT, GATT."
97
302857
4507
05:20
This human is lucky,
98
308329
1687
Dieser Mensch hat Glück,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
denn wenn nur zwei Buchstaben
an dieser Stelle fehlen --
an dieser Stelle fehlen --
zwei Buchstaben unserer drei Milliarden --
05:26
two letters of our three billion --
100
314581
1877
verdammt es einen
zu einer schrecklichen Krankheit:
zu einer schrecklichen Krankheit:
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
05:30
cystic fibrosis.
102
318525
1440
Mukoviszidose.
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
Es gibt keine Heilung
und man kennt keine Lösung.
und man kennt keine Lösung.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
Es sind nur zwei Buchstaben,
die uns unterscheiden.
die uns unterscheiden.
05:39
A wonderful book, a mighty book,
105
327585
2705
Ein wundervolles Buch, ein mächtiges Buch,
05:43
a mighty book that helped me understand
106
331115
1998
das mich begreifen und Ihnen
etwas Bemerkenswertes zeigen ließ.
etwas Bemerkenswertes zeigen ließ.
05:45
and show you something quite remarkable.
107
333137
2753
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Bei jedem von uns
sind ungefähr 5 Millionen nötig,
sind ungefähr 5 Millionen nötig,
05:52
is just about five million of these,
109
340939
2954
um uns zu dem zu machen, was wir sind:
05:55
half a book.
110
343917
1228
ein halbes Buch.
05:58
For the rest,
111
346015
1663
Ansonsten sind wir alle absolut identisch.
05:59
we are all absolutely identical.
112
347702
2562
Fünfhundert Seiten sind
das Wunder ihres Lebens.
das Wunder ihres Lebens.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
06:07
The rest, we all share it.
114
355050
2531
Das Übrige haben wir gemeinsam.
Überdenken Sie noch einmal den Glauben,
wir seien unterschiedlich.
wir seien unterschiedlich.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
06:12
This is the amount that we share.
116
360538
2221
Das ist unsere gemeinsame Menge.
06:15
So now that I have your attention,
117
363441
3429
Jetzt da ich Ihre Aufmerksamkeit habe,
06:18
the next question is:
118
366894
1359
ist die nächste Frage:
06:20
How do I read it?
119
368277
1151
Wie liest man ihn?
06:21
How do I make sense out of it?
120
369452
1509
Wie versteht man die Bedeutung?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Aber wie gut Sie auch im Zusammenbauen
schwedischer Möbel sein mögen,
schwedischer Möbel sein mögen,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
diese Bedienungsanleitung können Sie
in Ihrem ganzen Leben nicht knacken.
in Ihrem ganzen Leben nicht knacken.
06:31
(Laughter)
123
379260
1603
(Lachen)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
Im Jahr 2014 entschieden sich
zwei berühmte TEDster,
zwei berühmte TEDster,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis und Craig Venter,
06:38
decided to assemble a new company.
126
386587
1927
ein neues Unternehmen aufzubauen.
06:40
Human Longevity was born,
127
388538
1412
Human Longevity war geboren
06:41
with one mission:
128
389974
1370
und es hat einen Auftrag:
06:43
trying everything we can try
129
391368
1861
Alles auszuprobieren, was geht
und alles aus diesen Büchern zu erfahren,
und alles aus diesen Büchern zu erfahren,
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
06:48
with one target --
131
396036
1705
mit dem einen Ziel:
den Traum personalisierter Medizin
zu verwirklichen,
zu verwirklichen,
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
zu verstehen, was man tun sollte,
um die Gesundheit zu verbessern
um die Gesundheit zu verbessern
06:57
and what are the secrets in these books.
134
405478
2283
und was die Geheimnisse
in diesen Büchern sind.
in diesen Büchern sind.
Ein tolles Team, 40 Data Scientists
und viele weitere Leute,
und viele weitere Leute,
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
mit denen es eine Freude war zu arbeiten.
07:04
a pleasure to work with.
136
412603
1350
07:05
The concept is actually very simple.
137
413977
2253
Das Konzept ist eigentlich sehr einfach.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Wir benutzen eine Technologie,
die man Maschinelles Lernen nennt.
die man Maschinelles Lernen nennt.
Einerseits haben wir tausende von Genomen,
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
andererseits sammelten wir
den größten Datenbestand zum Menschen:
den größten Datenbestand zum Menschen:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
Erscheinungsformen, 3D-Scans,
Nuklearmagnetresonanz --
Nuklearmagnetresonanz --
alles Erdenkliche.
07:24
Inside there, on these two opposite sides,
142
432340
2899
Zwischen diesen gegenüberliegenden Seiten
07:27
there is the secret of translation.
143
435263
2442
liegt das Geheimnis der Umwandlung.
07:29
And in the middle, we build a machine.
144
437729
2472
Dazwischen bauten wir eine Maschine auf.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
Wir bauten und trainierten eine Maschine,
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
-- nicht nur eine,
sondern viele Maschinen --,
sondern viele Maschinen --,
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
um das Genom zu verstehen und es
in Erscheinungsformen zu übertragen.
in Erscheinungsformen zu übertragen.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Was bedeuten diese Buchstaben
und wozu führen sie?
und wozu führen sie?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
Das ist ein Ansatz,
der für alles genutzt werden kann,
der für alles genutzt werden kann,
aber die Nutzung in der Genomforschung
ist teilweise kompliziert.
ist teilweise kompliziert.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Nach und nach wuchsen wir
und stellten uns
unterschiedlichen Aufgaben.
unterschiedlichen Aufgaben.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Wir fingen ganz von vorne an,
mit gemeinsamen Merkmalen.
mit gemeinsamen Merkmalen.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
Gemeinsame Merkmale sind angenehm,
weil wir sie gemeinsam haben.
weil wir sie gemeinsam haben.
08:01
everyone has them.
154
469197
1184
08:02
So we started to ask our questions:
155
470405
2494
Wir begannen damit,
unsere Fragen zu stellen:
unsere Fragen zu stellen:
Kann man die Größe vorhersagen?
08:04
Can we predict height?
156
472923
1380
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Kann man die Bücher lesen
und ihre Größe vorhersagen?
und ihre Größe vorhersagen?
08:09
Well, we actually can,
158
477186
1151
Eigentlich kann man es
08:10
with five centimeters of precision.
159
478361
1793
mit einer Treffsicherheit
bis auf 5 Zentimeter.
bis auf 5 Zentimeter.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
Der Body-Mass-Index hängt ziemlich
an unserem Lebensstil,
an unserem Lebensstil,
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
aber man liegt mit einer Genauigkeit
von 8 Kilogramm nahe dran.
von 8 Kilogramm nahe dran.
Kann man die Augenfarbe vorhersagen?
08:19
Can we predict eye color?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Ja, das kann man.
08:21
Eighty percent accuracy.
164
489662
1324
Mit 80zig prozentiger Treffsicherheit.
08:23
Can we predict skin color?
165
491466
1858
Kann man die Hautfarbe vorhersagen?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Ja, das kann man:
80-prozentige Treffsicherheit.
80-prozentige Treffsicherheit.
08:27
Can we predict age?
167
495813
1340
Kann man das Alter vorhersagen?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Man kann es, denn der Code ändert sich
anscheinend während des Lebens.
anscheinend während des Lebens.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Er wird kürzer, verliert Stücke,
bekommt Einschübe.
bekommt Einschübe.
08:37
We read the signals, and we make a model.
170
505190
2555
Wir nehmen die Signale wahr
und erstellen ein Modell.
und erstellen ein Modell.
Eine interessante Herausforderung:
08:40
Now, an interesting challenge:
171
508438
1475
08:41
Can we predict a human face?
172
509937
1729
Kann man Gesichtszüge vorhersagen?
Es ist ein bisschen kompliziert,
08:45
It's a little complicated,
173
513014
1278
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
denn ein menschliches Gesicht
ist auf Millionen Buchstaben verstreut.
ist auf Millionen Buchstaben verstreut.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Ein menschliches Gesicht ist kein
sehr genau abgegrenztes Objekt.
sehr genau abgegrenztes Objekt.
08:52
So, we had to build an entire tier of it
176
520184
2051
Wir mussten davon
eine ganze Maske erstellen,
eine ganze Maske erstellen,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
sie einbetten und
auf das Wesentliche reduzieren,
auf das Wesentliche reduzieren,
08:56
and embed and compress it.
178
524993
2037
um einer Maschine beizubringen,
was ein Gesicht ist.
was ein Gesicht ist.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Wenn Sie mit maschinellem
Lernen vertraut sind,
Lernen vertraut sind,
09:01
you understand what the challenge is here.
180
529326
2284
verstehen Sie, worin hier
die Herausforderung liegt.
die Herausforderung liegt.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Nach 15 Jahren -- 15 Jahre nachdem man
die erste Sequenz gelesen hat --
die erste Sequenz gelesen hat --
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
fingen wir im letzten Oktober an,
einige Signale zu verstehen.
einige Signale zu verstehen.
09:13
And it was a very emotional moment.
183
541049
2455
Es war ein sehr emotionaler Augenblick.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Hier sehen Sie eine Versuchsperson,
die in unser Labor kam.
die in unser Labor kam.
09:19
This is a face for us.
185
547619
1928
Das ist für uns ein Gesicht.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Wir reduzierten die Komplexität
des Gesichts einer echten Person,
des Gesichts einer echten Person,
denn nicht alles in einem Gesicht
ist ursprünglich vorhanden --
ist ursprünglich vorhanden --
09:25
because not everything is in your face --
187
553226
1970
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
viele Merkmale, Defekte und Asymmetrien
ergeben sich im Verlauf des Lebens.
ergeben sich im Verlauf des Lebens.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Wir machten das Gesicht symmetrisch
und ließen unseren Algorithmus laufen.
und ließen unseren Algorithmus laufen.
09:35
The results that I show you right now,
190
563245
1898
Die Ergebnisse, die ich Ihnen nun zeige,
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
sagten wir mit Hilfe des Blutes vorher.
09:41
(Applause)
192
569596
1524
(Applaus)
09:43
Wait a second.
193
571144
1435
Warten Sie eine Sekunde.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
In diesen Augenblicken,
in denen Sie hin und her blicken,
in denen Sie hin und her blicken,
links und rechts, links und rechts
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
will Ihr Gehirn,
dass die Bilder identisch sind.
dass die Bilder identisch sind.
Daher bitte ich Sie,
der Ehrlichkeit halber,
der Ehrlichkeit halber,
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
um eine weitere Aufgabe.
09:55
Please search for the differences,
197
583743
2287
Bitte suchen Sie nach den Unterschieden,
09:58
which are many.
198
586054
1361
die zahlreich sind.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
Die größte Menge an Signalen
ergibt sich aus dem Geschlecht,
ergibt sich aus dem Geschlecht,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
dann aus dem Alter, dem Body-Mass-Index
und der ethnischen Zugehörigkeit.
und der ethnischen Zugehörigkeit.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Dieses Signal zu verstärken
ist viel komplizierter.
ist viel komplizierter.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Aber was Sie hier sehen,
sogar trotz der Unterschiede,
sogar trotz der Unterschiede,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
lässt Sie verstehen, dass wir
bei der richtigen Hausnummer sind
bei der richtigen Hausnummer sind
10:17
that we are getting closer.
204
605919
1348
und näher kommen.
10:19
And it's already giving you some emotions.
205
607291
2349
Es ruft bei Ihnen bereits
einige Gefühle hervor.
einige Gefühle hervor.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
Das ist eine andere Versuchsperson
10:24
and this is a prediction.
207
612391
1409
und das ist die Vorhersage.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Ein schmaleres Gesicht,
die Schädelstruktur stimmt nicht ganz,
die Schädelstruktur stimmt nicht ganz,
10:30
but still, it's in the ballpark.
209
618444
2651
aber es ist immer noch
die richtige Größenordnung.
die richtige Größenordnung.
Das ist die Versuchsperson,
die in unser Labor kam,
die in unser Labor kam,
10:33
This is a subject that comes in our lab,
210
621634
2224
10:35
and this is the prediction.
211
623882
1443
und das ist die Vorhersage.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Diese Menschen waren nie in das Training
der Maschinen eingebunden.
der Maschinen eingebunden.
10:42
These are the so-called "held-out" set.
213
630756
2837
Sie gehören zur
sogenannten "Bereitschaftsgruppe".
sogenannten "Bereitschaftsgruppe".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Was sie vermutlich nicht glauben werden,
aber das sind echte Menschen.
aber das sind echte Menschen.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Wir drucken alles in einer
wissenschaftlichen Veröffentlichung ab,
wissenschaftlichen Veröffentlichung ab,
10:52
you can read it.
216
640081
1151
sodass man es nachlesen kann.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Aber seit wir anfingen,
fordert Chris mich heraus.
fordert Chris mich heraus.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Ich lehnte mich aus dem Fenster
und versuchte eine Vorhersage zu jemandem,
und versuchte eine Vorhersage zu jemandem,
10:59
someone that you might recognize.
219
647274
2831
den sie vielleicht erkennen.
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
In diesem Blutröhrchen --
Sie können sich nicht vorstellen,
was wir anstellen mussten,
was wir anstellen mussten,
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
um das Blut jetzt hier zu haben --,
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
ist die Menge an biologischer Information,
die wir für eine vollständige
Genom-Sequenz benötigen.
Genom-Sequenz benötigen.
11:13
that we need to do a full genome sequence.
223
661748
2277
11:16
We just need this amount.
224
664049
2070
Diese Menge genügt.
Wir führten die Sequenzierung durch
und ich werde es mit Ihnen machen.
und ich werde es mit Ihnen machen.
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
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Wir wendeten die ganzen
vorhandenen Erkenntnisse an.
vorhandenen Erkenntnisse an.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
Wir sagten mit dem Blutröhrcheninhalt
das männliche Geschlecht vorher.
das männliche Geschlecht vorher.
11:29
And the subject is a male.
228
677134
1364
Die Person ist männlich.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Wir sagten vorher,
dass er 1 Meter und 76 cm groß ist.
dass er 1 Meter und 76 cm groß ist.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Die Person ist 1 Meter und 77 cm.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Wir sagten vorher,
dass er 76 Kilo schwer ist,
dass er 76 Kilo schwer ist,
die Person ist 82 Kilo schwer.
11:40
We predict his age, 38.
232
688701
2632
Wir sagten vorher, sein Alter wäre 38.
11:43
The subject is 35.
233
691357
1904
Die Person ist 35.
11:45
We predict his eye color.
234
693851
2124
Wir sagten seine Augenfarbe vorher.
11:48
Too dark.
235
696824
1211
Zu dunkel.
11:50
We predict his skin color.
236
698059
1555
Wir sagten seine Hautfarbe vorher.
11:52
We are almost there.
237
700026
1410
Sie stimmt fast überein.
11:53
That's his face.
238
701899
1373
Das ist sein Gesicht.
11:57
Now, the reveal moment:
239
705172
3269
Nun kommt der Augenblick der Offenbarung:
12:00
the subject is this person.
240
708465
1770
Das ist die Versuchsperson.
12:02
(Laughter)
241
710259
1935
(Lachen)
12:04
And I did it intentionally.
242
712218
2058
Ich stellte mich bewusst zur Verfügung.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Ich gehöre einer speziellen
und eigentümlichen Ethnie an.
und eigentümlichen Ethnie an.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Südeuropäer, Italiener --
sie passen zu keinem Modell.
sie passen zu keinem Modell.
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
Es ist heikel,
dass Ethnizität ein komplexer Ausnahmefall
für unser Modell ist.
für unser Modell ist.
12:18
But there is another point.
246
726144
1509
Aber es gibt einen weiteren Aspekt.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Die Merkmale, die wir häufig
zur Personenerkennung nutzen,
zur Personenerkennung nutzen,
12:23
will never be written in the genome.
248
731178
1722
wird nicht in das Genom geschrieben.
12:24
It's our free will, it's how I look.
249
732924
2317
Es ist unser freier Wille,
es ist wie ich aussehe.
es ist wie ich aussehe.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
In diesem Fall nicht mein Haarschnitt,
aber wie mein Bart gestutzt ist.
aber wie mein Bart gestutzt ist.
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
Ich werde in diesem Fall den Bart --
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
das ist nichts weiter als Photoshop,
kein Modellieren --
kein Modellieren --
12:36
the beard on the subject.
253
744884
1713
auf die Vorhersage übertragen.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Sofort bekommen wir
einen besseren Eindruck davon.
einen besseren Eindruck davon.
12:42
So, why do we do this?
255
750955
2709
Warum machen wir das?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Wir machen es sicherlich nicht,
um die Größe vorherzusagen
um die Größe vorherzusagen
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
oder aus unserem Blut heraus
ein schönes Bild zu erstellen.
ein schönes Bild zu erstellen.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Wir machen das, weil dieselbe Technologie
und dieselbe Herangehensweise,
und dieselbe Herangehensweise,
13:00
the machine learning of this code,
259
768432
2520
wie die Maschinen von diesem Code lernten,
13:02
is helping us to understand how we work,
260
770976
3137
uns verstehen hilft,
wie wir funktionieren,
wie wir funktionieren,
wie unser Körper funktioniert,
13:06
how your body works,
261
774137
1486
13:07
how your body ages,
262
775647
1665
wie unser Körper altert,
13:09
how disease generates in your body,
263
777336
2769
wie sich Krankheiten
in unserem Körper entwickeln,
in unserem Körper entwickeln,
13:12
how your cancer grows and develops,
264
780129
2972
wie Krebs wächst und sich entwickelt,
13:15
how drugs work
265
783125
1783
wie Medikamente wirken
13:16
and if they work on your body.
266
784932
2314
und ob sie sich auf den Körper auswirken.
13:19
This is a huge challenge.
267
787713
1667
Das ist eine riesige Aufgabe.
13:21
This is a challenge that we share
268
789894
1638
Das ist eine Aufgabe,
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
die wir mit Tausenden
anderer Forscher weltweit teilen.
anderer Forscher weltweit teilen.
13:26
It's called personalized medicine.
270
794159
2222
Sie nennt sich personalisierte Medizin.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
Das ist die Fähigkeit,
sich von einen statistischen Ansatz,
sich von einen statistischen Ansatz,
13:32
where you're a dot in the ocean,
272
800609
2032
wo man ein Tropfen im Ozean ist,
hinzubewegen auf einen
personalisierten Ansatz,
personalisierten Ansatz,
13:34
to a personalized approach,
273
802665
1813
13:36
where we read all these books
274
804502
2185
wo man alle Bücher gelesen hat
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
und man die Erkenntnis hat,
wie es einem genau geht.
wie es einem genau geht.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Aber das ist eine besonders
komplizierte Aufgabe,
komplizierte Aufgabe,
13:45
because of all these books, as of today,
277
813646
3998
weil wir aus den ganzen Büchern
nach heutigem Stand
nach heutigem Stand
13:49
we just know probably two percent:
278
817668
2642
wahrscheinlich nur zwei Prozent wissen:
13:53
four books of more than 175.
279
821027
3653
vier Bücher von mehr als 175.
13:58
And this is not the topic of my talk,
280
826021
3206
Das ist nicht das Thema meines Vortrags,
14:02
because we will learn more.
281
830145
2598
weil wir mehr erfahren werden.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Die besten Köpfe auf der Welt
sind an diesem Thema dran.
sind an diesem Thema dran.
14:09
The prediction will get better,
283
837048
1834
Die Vorhersagen werden besser werden,
14:10
the model will get more precise.
284
838906
2253
die Modelle werden präziser werden.
14:13
And the more we learn,
285
841183
1858
Je mehr wir erfahren,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
desto mehr werden wir
mit Entscheidungen konfrontiert,
mit Entscheidungen konfrontiert,
14:19
that we never had to face before
287
847919
3021
die wir vorher nicht treffen mussten:
14:22
about life,
288
850964
1435
Über das Leben,
14:24
about death,
289
852423
1674
über den Tod,
14:26
about parenting.
290
854121
1603
über Elternschaft.
Wir berühren den innersten Ausschnitt
der Funktionsweise des Lebens.
der Funktionsweise des Lebens.
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
Es ist eine Revolution,
die nicht auf das Gebiet der Wissenschaft
oder der Technologie begrenzt werden kann.
oder der Technologie begrenzt werden kann.
14:41
in the domain of science or technology.
293
869300
2659
14:44
This must be a global conversation.
294
872960
2244
Das muss eine weltweite Diskussion geben.
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
Wir müssen über die Zukunft
unserer Menschheit nachdenken.
unserer Menschheit nachdenken.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Wir müssen mit Kreativen,
Künstlern, Philosophen,
Künstlern, Philosophen,
14:57
with politicians.
297
885127
1510
mit Politikern den Austausch suchen.
14:58
Everyone is involved,
298
886661
1158
Jeder ist beteiligt,
14:59
because it's the future of our species.
299
887843
2825
weil es um die Zukunft unserer Art geht.
15:03
Without fear, but with the understanding
300
891273
3968
Ohne Angst, aber mit der Erkenntnis,
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
dass die Entscheidungen,
die wir in den nächsten Jahren treffen,
die wir in den nächsten Jahren treffen,
15:11
will change the course of history forever.
302
899160
3789
den Gang der Geschichte
für immer verändern.
für immer verändern.
15:15
Thank you.
303
903732
1160
Danke.
15:16
(Applause)
304
904916
10159
(Applaus)
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