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

Ντάνι Χίλις: Κατανοώντας τον καρκίνο μέσα από την πρωτεωμική (proteomics)

Filmed:
465,363 views

Ο Ντάνι Χίλις μιλάει για το επόμενο βήμα στην έρευνα για τον καρκίνο: την πρωτεωμική, τη μελέτη των πρωτεϊνών στο σώμα. Όπως λέει ο Χίλις, η γενωμική μας δείχνει μία λίστα με τα συστατικά του σώματος -- ενώ η πρωτεωμική μας δείχνει τι παράγουν τα συστατικά αυτά. Η αντίληψη του τι συμβαίνει στο σώμα μας σε επίπεδο πρωτεϊνών μπορεί να οδηγήσει σε μία νέα αντίληψη για το πώς προκαλείται ο καρκίνος.
- 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 admitομολογώ that I'm a little bitκομμάτι nervousνευρικός here
0
0
3000
Παραδέχομαι ότι έχω λίγο άγχος,
00:18
because I'm going to say some radicalριζικό things,
1
3000
3000
γιατί θα πω κάποια ρηξικέλευθα πράγματα
00:21
about how we should think about cancerΚαρκίνος differentlyδιαφορετικά,
2
6000
3000
για το ότι πρέπει να αντιληφθούμε διαφορετικά τον καρκίνο
00:24
to an audienceακροατήριο that containsπεριέχει a lot of people
3
9000
2000
σε ένα κοινό που αποτελείται από πολλούς ανθρώπους
00:26
who know a lot more about cancerΚαρκίνος than I do.
4
11000
3000
που γνωρίζουν πολύ περισσότερα για τον καρκίνο από μένα.
00:30
But I will alsoεπίσης contestδιαγωνισμός that I'm not as nervousνευρικός as I should be
5
15000
3000
Αλλά θα πω επίσης ότι δεν έχω τόσο άγχος όσο θα έπρεπε,
00:33
because I'm prettyαρκετά sure I'm right about this.
6
18000
2000
γιατί είμαι σίγουρος ότι έχω δίκιο.
00:35
(LaughterΤο γέλιο)
7
20000
2000
(Γέλιο)
00:37
And that this, in factγεγονός, will be
8
22000
2000
Αυτός λοιπόν θα είναι ο τρόπος
00:39
the way that we treatκέρασμα cancerΚαρκίνος in the futureμελλοντικός.
9
24000
3000
που θα θεραπεύουμε τον καρκίνο στο μέλλον.
00:43
In orderΣειρά to talk about cancerΚαρκίνος,
10
28000
2000
Για να μιλήσουμε για τον καρκίνο,
00:45
I'm going to actuallyπράγματι have to --
11
30000
3000
θα πρέπει πρώτα να --
00:48
let me get the bigμεγάλο slideολίσθηση here.
12
33000
3000
ας σας δείξω την πρώτη διαφάνεια.
00:53
First, I'm going to try to give you a differentδιαφορετικός perspectiveπροοπτική of genomicsγονιδιωματική.
13
38000
3000
Πρώτα, θα προσπαθήσω να σας δώσω μία διαφορετική οπτική για τη γενωμική.
00:56
I want to put it in perspectiveπροοπτική of the biggerμεγαλύτερος pictureεικόνα
14
41000
2000
Θέλω να θέσω την οπτική της ευρύτερης εικόνας
00:58
of all the other things that are going on --
15
43000
3000
όλων των άλλων πραγμάτων που συμβαίνουν --
01:01
and then talk about something you haven'tδεν έχουν heardακούσει so much about, whichοι οποίες is proteomicsproteomics.
16
46000
3000
και μετά να μιλήσω για κάτι που δεν έχετε ακούσει πολλά, την πρωτεωμική.
01:04
HavingΈχοντας explainedεξηγείται those,
17
49000
2000
Εξηγώντας τα αυτά,
01:06
that will setσειρά up for what I think will be a differentδιαφορετικός ideaιδέα
18
51000
3000
θα δημιουργηθεί, πιστεύω, μία διαφορετική ιδέα
01:09
about how to go about treatingθεραπεία cancerΚαρκίνος.
19
54000
2000
για το πώς να θεραπεύσουμε τον καρκίνο.
01:11
So let me startαρχή with genomicsγονιδιωματική.
20
56000
2000
Ας ξεκινήσω με τη γενωμική.
01:13
It is the hotζεστό topicθέμα.
21
58000
2000
Είναι το καυτό θέμα.
01:15
It is the placeθέση where we're learningμάθηση the mostπλέον.
22
60000
2000
Είναι ο τομέας για τον οποίο μαθαίνουμε τα περισσότερα.
01:17
This is the great frontierστα σύνορα.
23
62000
2000
Αυτό είναι το μεγάλο σύνορο.
01:19
But it has its limitationsπεριορισμούς.
24
64000
3000
Αλλά έχει περιορισμούς.
01:22
And in particularιδιαιτερος, you've probablyπιθανώς all heardακούσει the analogyαναλογία
25
67000
3000
Συγκεκριμένα, πιθανότατα όλοι ακούσατε την αναλογία
01:25
that the genomeγονιδίωμα is like the blueprintσχεδιάγραμμα of your bodyσώμα,
26
70000
3000
ότι το γονιδίωμα είναι σαν το προσχέδιο του σώματός σας.
01:28
and if that were only trueαληθής, it would be great,
27
73000
2000
Και αν αυτό ίσχυε, θα ήταν κάτι υπέροχο,
01:30
but it's not.
28
75000
2000
αλλά δεν ισχύει.
01:32
It's like the partsεξαρτήματα listλίστα of your bodyσώμα.
29
77000
2000
Στην ουσία είναι η λίστα με τα τμήματα του σώματος.
01:34
It doesn't say how things are connectedσυνδεδεμένος,
30
79000
2000
Δεν λέει πώς συνδέονται μεταξύ τους,
01:36
what causesαιτίες what and so on.
31
81000
3000
τι προκαλεί τι, κλπ.
01:39
So if I can make an analogyαναλογία,
32
84000
2000
Έτσι, αν κάνω μία παρομοίωση,
01:41
let's say that you were tryingπροσπαθεί to tell the differenceδιαφορά
33
86000
2000
ας πούμε ότι προσπαθούσατε να βρείτε τη διαφορά
01:43
betweenμεταξύ a good restaurantεστιατόριο, a healthyυγιής restaurantεστιατόριο
34
88000
3000
μεταξύ ενός καλού, υγιεινού εστιατορίου
01:46
and a sickάρρωστος restaurantεστιατόριο,
35
91000
2000
και ενός κακού εστιατορίου,
01:48
and all you had was the listλίστα of ingredientsσυστατικά
36
93000
2000
και το μόνο που είχατε ήταν η λίστα με τα συστατικά
01:50
that they had in theirδικα τους larderκελάρι.
37
95000
3000
που είχαν στην αποθήκη τους.
01:53
So it mightθα μπορούσε be that, if you wentπήγε to a FrenchΓαλλικά restaurantεστιατόριο
38
98000
3000
Έτσι, αν πηγαίνατε σε ένα γαλλικό εστιατόριο
01:56
and you lookedκοίταξε throughδιά μέσου it and you foundβρέθηκαν
39
101000
2000
και διαπιστώνατε ότι έχουν
01:58
they only had margarineμαργαρίνη and they didn't have butterβούτυρο,
40
103000
2000
μόνο μαργαρίνη και όχι βούτυρο,
02:00
you could say, "AhΑχ, I see what's wrongλανθασμένος with them.
41
105000
2000
θα λέγατε "Α, να το πρόβλημά τους.
02:02
I can make them healthyυγιής."
42
107000
2000
Θα τους κάνω υγιείς".
02:04
And there probablyπιθανώς are specialειδικός casesπεριπτώσεις of that.
43
109000
2000
Σίγουρα υπάρχουν τέτοιες εξαιρέσεις.
02:06
You could certainlyσίγουρα tell the differenceδιαφορά
44
111000
2000
Σίγουρα μπορείτε να βρείτε τις διαφορές
02:08
betweenμεταξύ a ChineseΚινεζικά restaurantεστιατόριο and a FrenchΓαλλικά restaurantεστιατόριο
45
113000
2000
ανάμεσα σε ένα κινέζικο και σε ένα γαλλικό εστιατόριο
02:10
by what they had in a larderκελάρι.
46
115000
2000
κοιτώντας μόνο την αποθήκη τους.
02:12
So the listλίστα of ingredientsσυστατικά does tell you something,
47
117000
3000
Άρα, η λίστα με τα υλικά μας λέει κάτι,
02:15
and sometimesωρες ωρες it tellsλέει you something that's wrongλανθασμένος.
48
120000
3000
και κάποιες φορές λέει ότι κάτι πάει στραβά.
02:19
If they have tonsτόνους of saltάλας,
49
124000
2000
Αν έχουν τόνους αλάτι,
02:21
you mightθα μπορούσε guessεικασία they're usingχρησιμοποιώντας too much saltάλας, or something like that.
50
126000
3000
μπορεί να σκεφτείτε ότι χρησιμοποιούν πολύ αλάτι, ή κάτι τέτοιο.
02:24
But it's limitedπεριωρισμένος,
51
129000
2000
Αλλά αυτό είναι περιορισμένο,
02:26
because really to know if it's a healthyυγιής restaurantεστιατόριο,
52
131000
2000
καθώς για να καταλάβει κανείς αν το εστιατόριο είναι υγιεινό,
02:28
you need to tasteγεύση the foodτροφή, you need to know what goesπηγαίνει on in the kitchenκουζίνα,
53
133000
3000
πρέπει να γευτεί το φαγητό, να ξέρει τι συμβαίνει στην κουζίνα,
02:31
you need the productπροϊόν of all of those ingredientsσυστατικά.
54
136000
3000
χρειάζεται το προϊόν από τα συστατικά αυτά.
02:34
So if I look at a personπρόσωπο
55
139000
2000
Έτσι, αν δω ένα άτομο
02:36
and I look at a person'sτου ατόμου genomeγονιδίωμα, it's the sameίδιο thing.
56
141000
3000
και το γονιδίωμά του, είναι κάτι παρόμοιο.
02:39
The partμέρος of the genomeγονιδίωμα that we can readανάγνωση
57
144000
2000
Το τμήμα του γονιδιώματος που μπορούμε να διαβάσουμε
02:41
is the listλίστα of ingredientsσυστατικά.
58
146000
2000
είναι η λίστα των συστατικών.
02:43
And so indeedπράγματι,
59
148000
2000
Πράγματι,
02:45
there are timesφορές when we can find ingredientsσυστατικά
60
150000
2000
κάποιες φορές μπορούμε να βρούμε συστατικά
02:47
that [are] badκακό.
61
152000
2000
που είναι κακά.
02:49
CysticΚυστική fibrosisίνωση is an exampleπαράδειγμα of a diseaseασθένεια
62
154000
2000
Η κυστική ίνωση είναι παράδειγμα ασθένειας
02:51
where you just have a badκακό ingredientσυστατικό and you have a diseaseασθένεια,
63
156000
3000
όπου απλά ένα κακό συστατικό προκαλεί την ασθένεια
02:54
and we can actuallyπράγματι make a directαπευθείας correspondenceαλληλογραφία
64
159000
3000
και μπορούμε να κάνουμε άμεση συσχέτιση
02:57
betweenμεταξύ the ingredientσυστατικό and the diseaseασθένεια.
65
162000
3000
μεταξύ συστατικού και ασθένειας.
03:00
But mostπλέον things, you really have to know what's going on in the kitchenκουζίνα,
66
165000
3000
Αλλά τις περισσότερες φορές, πρέπει να ξέρεις τι συμβαίνει στην κουζίνα,
03:03
because, mostlyως επί το πλείστον, sickάρρωστος people used to be healthyυγιής people --
67
168000
2000
καθώς, συνήθως, οι άρρωστοι άνθρωποι ήταν κάποτε υγιείς --
03:05
they have the sameίδιο genomeγονιδίωμα.
68
170000
2000
έχουν το ίδιο γονιδίωμα.
03:07
So the genomeγονιδίωμα really tellsλέει you much more
69
172000
2000
Έτσι, το γονιδίωμα δείχνει κυρίως
03:09
about predispositionπροδιάθεση.
70
174000
2000
την προδιάθεση.
03:11
So what you can tell
71
176000
2000
Έτσι, οι διαφορές που μπορείς
03:13
is you can tell the differenceδιαφορά betweenμεταξύ an AsianΑσίας personπρόσωπο and a EuropeanΕυρωπαϊκή personπρόσωπο
72
178000
2000
να βρεις είναι για παράδειγμα αυτές μεταξύ ενός Ασιάτη και ενός Ευρωπαίου
03:15
by looking at theirδικα τους ingredientsσυστατικά listλίστα.
73
180000
2000
κοιτώντας μόνο τη λίστα των συστατικών τους.
03:17
But you really for the mostπλέον partμέρος can't tell the differenceδιαφορά
74
182000
3000
Αλλά κατά κύριο λόγο, δεν μπορείς να βρεις τη διαφορά
03:20
betweenμεταξύ a healthyυγιής personπρόσωπο and a sickάρρωστος personπρόσωπο --
75
185000
3000
μεταξύ ενός υγιούς και ενός άρρωστου ατόμου --
03:23
exceptεκτός in some of these specialειδικός casesπεριπτώσεις.
76
188000
2000
εκτός από τις ειδικές αυτές περιπτώσεις.
03:25
So why all the bigμεγάλο dealσυμφωνία
77
190000
2000
Άρα, γιατί τόση φασαρία
03:27
about geneticsγενεσιολογία?
78
192000
2000
με τη γενετική;
03:29
Well first of all,
79
194000
2000
Πρώτα από όλα,
03:31
it's because we can readανάγνωση it, whichοι οποίες is fantasticφανταστικός.
80
196000
3000
μπορούμε να τη διαβάσουμε, κάτι φανταστικό.
03:34
It is very usefulχρήσιμος in certainβέβαιος circumstancesπεριστάσεις.
81
199000
3000
Είναι πολύ χρήσιμη σε κάποιες περιπτώσεις.
03:37
It's alsoεπίσης the great theoreticalθεωρητικός triumphΘρίαμβος
82
202000
3000
Είναι επίσης ο μεγάλος θεωρητικός θρίαμβος
03:40
of biologyβιολογία.
83
205000
2000
της βιολογίας.
03:42
It's the one theoryθεωρία
84
207000
2000
Είναι η μοναδική θεωρία
03:44
that the biologistsβιολόγους ever really got right.
85
209000
2000
που κατάφεραν να επαληθεύσουν οι βιολόγοι.
03:46
It's fundamentalθεμελιώδης to DarwinΟ Δαρβίνος
86
211000
2000
Είναι θεμελιώδης για το Δαρβίνο,
03:48
and MendelΜέντελ and so on.
87
213000
2000
το Μέντελ, κλπ.
03:50
And so it's the one thing where they predictedπροβλεπόταν a theoreticalθεωρητικός constructκατασκευάσει.
88
215000
3000
Έτσι, είναι το μοναδικό για το οποίο προέβλεψαν μία θεωρητική δομή.
03:54
So MendelΜέντελ had this ideaιδέα of a geneγονίδιο
89
219000
2000
Έτσι, ο Μέντελ είχε την ιδέα του γονιδίου
03:56
as an abstractαφηρημένη thing,
90
221000
3000
ως κάτι αφηρημένο.
03:59
and DarwinΟ Δαρβίνος builtχτισμένο a wholeολόκληρος theoryθεωρία
91
224000
2000
Και ο Δαρβίνος έχτισε ολόκληρη θεωρία
04:01
that dependedεξαρτιόταν on them existingυπάρχουσες,
92
226000
2000
που βασιζόταν στο ότι τα γονίδια υπήρχαν.
04:03
and then WatsonWatson and CrickΝευροκαβαλίκεμα
93
228000
2000
Και οι Γουότσον και Κρικ
04:05
actuallyπράγματι lookedκοίταξε and foundβρέθηκαν one.
94
230000
2000
έψαξαν και βρήκαν ένα γονίδιο.
04:07
So this happensσυμβαίνει in physicsη φυσικη all the time.
95
232000
2000
Αυτό συμβαίνει συνέχεια στη φυσική.
04:09
You predictπρολέγω a blackμαύρος holeτρύπα,
96
234000
2000
Προβλέπεις μία μαύρη τρύπα,
04:11
and you look out the telescopeτηλεσκόπιο and there it is, just like you said.
97
236000
3000
κοιτάς με το τηλεσκόπιο και να τη, όπως το είχες πει.
04:14
But it rarelyσπάνια happensσυμβαίνει in biologyβιολογία.
98
239000
2000
Αυτό σπάνια συμβαίνει στη βιολογία.
04:16
So this great triumphΘρίαμβος -- it's so good,
99
241000
3000
Αυτός ο μεγάλος θρίαμβος -- τόσο μεγάλος --
04:19
there's almostσχεδόν a religiousθρησκευτικός experienceεμπειρία
100
244000
2000
που είναι σχεδόν θρησκευτική εμπειρία
04:21
in biologyβιολογία.
101
246000
2000
στη βιολογία.
04:23
And DarwinianΔαρβινική evolutionεξέλιξη
102
248000
2000
Και η δαρβινική εξέλιξη
04:25
is really the coreπυρήνας theoryθεωρία.
103
250000
3000
είναι η θεμελιώδης θεωρία.
04:30
So the other reasonλόγος it's been very popularδημοφιλής
104
255000
2000
Ο άλλος λόγος που είναι τόσο δημοφιλής η γενετική
04:32
is because we can measureμετρήσει it, it's digitalψηφιακό.
105
257000
3000
είναι επειδή είναι μετρήσιμη, είναι ψηφιακή.
04:35
And in factγεγονός,
106
260000
2000
Μάλιστα,
04:37
thanksευχαριστώ to KaryKary MullisMullis,
107
262000
2000
χάρη στην Κάρι Μάλις,
04:39
you can basicallyβασικα measureμετρήσει your genomeγονιδίωμα in your kitchenκουζίνα
108
264000
4000
μπορείτε να μετρήσετε το γονιδίωμά σας στην κουζίνα
04:43
with a fewλίγοι extraεπιπλέον ingredientsσυστατικά.
109
268000
3000
με λίγα επιπλέον υλικά.
04:46
So for instanceπαράδειγμα, by measuringμέτρημα the genomeγονιδίωμα,
110
271000
3000
Για παράδειγμα, μετρώντας το γονιδίωμα,
04:49
we'veέχουμε learnedέμαθα a lot about how we're relatedσχετίζεται με to other kindsείδη of animalsτων ζώων
111
274000
4000
μάθαμε πολλά για τη συγγένειά μας με άλλα είδη ζώων
04:53
by the closenessεγγύτητα of our genomeγονιδίωμα,
112
278000
3000
με βάση την εγγύτητα του γονιδιώματός μας
04:56
or how we're relatedσχετίζεται με to eachκαθε other -- the familyοικογένεια treeδέντρο,
113
281000
3000
ή τις συγγένειες μεταξύ μας -- το οικογενειακό δέντρο
04:59
or the treeδέντρο of life.
114
284000
2000
ή το δέντρο της ζωής.
05:01
There's a hugeτεράστιος amountποσό of informationπληροφορίες about the geneticsγενεσιολογία
115
286000
3000
Υπάρχει μεγάλος όγκος πληροφοριών για τη γενετική
05:04
just by comparingσύγκριση the geneticγενετική similarityομοιότητα.
116
289000
3000
απλά συγκρίνοντας τη γενετική ομοιότητα.
05:07
Now of courseσειρά μαθημάτων, in medicalιατρικός applicationεφαρμογή,
117
292000
2000
Τώρα, φυσικά, στην ιατρική εφαρμογή,
05:09
that is very usefulχρήσιμος
118
294000
2000
είναι πολύ χρήσιμη,
05:11
because it's the sameίδιο kindείδος of informationπληροφορίες
119
296000
3000
γιατί είναι το ίδιο είδος πληροφορίας
05:14
that the doctorγιατρός getsπαίρνει from your familyοικογένεια medicalιατρικός historyιστορία --
120
299000
3000
που παίρνει ο γιατρός από το οικογενειακό ιστορικό σας --
05:17
exceptεκτός probablyπιθανώς,
121
302000
2000
μόνο που
05:19
your genomeγονιδίωμα knowsξέρει much more about your medicalιατρικός historyιστορία than you do.
122
304000
3000
το γονιδίωμά σας γνωρίζει πολλά περισσότερα για το ιατρικό ιστορικό σας από εσάς.
05:22
And so by readingΑΝΑΓΝΩΣΗ the genomeγονιδίωμα,
123
307000
2000
Διαβάζοντας το γονιδίωμα,
05:24
we can find out much more about your familyοικογένεια than you probablyπιθανώς know.
124
309000
3000
μπορούμε να βρούμε πολύ περισσότερα για την οικογένειά σας απ' όσα πιθανόν γνωρίζετε.
05:27
And so we can discoverανακαλύπτω things
125
312000
2000
Έτσι, μπορούμε να ανακαλύψουμε πράγματα
05:29
that probablyπιθανώς you could have foundβρέθηκαν
126
314000
2000
που πιθανότατα θα βρίσκατε
05:31
by looking at enoughαρκετά of your relativesσυγγενείς,
127
316000
2000
αν μελετούσατε αρκετούς συγγενείς σας,
05:33
but they mayενδέχεται be surprisingεκπληκτικός.
128
318000
3000
αλλά υπάρχουν και εκπλήξεις.
05:36
I did the 23andMeandMe thing
129
321000
2000
Έκανα το τεστ 23andMe
05:38
and was very surprisedέκπληκτος to discoverανακαλύπτω that I am fatΛίπος and baldφαλακρός.
130
323000
3000
και έκπληκτος διαπίστωσα ότι είμαι χοντρός και φαλακρός.
05:41
(LaughterΤο γέλιο)
131
326000
7000
(Γέλιο)
05:48
But sometimesωρες ωρες you can learnμαθαίνω much more usefulχρήσιμος things about that.
132
333000
3000
Αλλά κάποιες φορές, μαθαίνεις πολύ πιο χρήσιμα πράγματα σχετικά με αυτό.
05:51
But mostlyως επί το πλείστον
133
336000
3000
Και κυρίως
05:54
what you need to know, to find out if you're sickάρρωστος,
134
339000
2000
αυτό που πρέπει να ξέρεις για να δεις αν είσαι άρρωστος
05:56
is not your predispositionsπροδιαθέσεις,
135
341000
2000
δεν είναι οι προδιαθέσεις σου,
05:58
but it's actuallyπράγματι what's going on in your bodyσώμα right now.
136
343000
3000
αλλά το τι συμβαίνει αυτή τη στιγμή στο σώμα σου.
06:01
So to do that, what you really need to do,
137
346000
2000
Έτσι, για το σκοπό αυτό, αυτό που πρέπει να κάνεις
06:03
you need to look at the things
138
348000
2000
είναι να δεις τα πράγματα
06:05
that the genesγονίδια are producingπαραγωγή
139
350000
2000
που παράγουν τα γονίδια
06:07
and what's happeningσυμβαίνει after the geneticsγενεσιολογία,
140
352000
2000
και το τι συμβαίνει μετά τη γενετική.
06:09
and that's what proteomicsproteomics is about.
141
354000
2000
Αυτό είναι η πρωτεωμική.
06:11
Just like genomeγονιδίωμα mixesαναμιγνύει the studyμελέτη of all the genesγονίδια,
142
356000
3000
Όπως η γενωμική περιλαμβάνει τη μελέτη των γονιδίων,
06:14
proteomicsproteomics is the studyμελέτη of all the proteinsπρωτεΐνες.
143
359000
3000
η πρωτεωμική είναι η μελέτη των πρωτεϊνών.
06:17
And the proteinsπρωτεΐνες are all of the little things in your bodyσώμα
144
362000
2000
Και οι πρωτεΐνες είναι όλα τα μικρά πραγματάκια στο σώμα σας
06:19
that are signalingσηματοδότηση betweenμεταξύ the cellsκυττάρων --
145
364000
3000
που σηματοδοτούν μεταξύ των κυττάρων --
06:22
actuallyπράγματι, the machinesμηχανές that are operatingλειτουργικός --
146
367000
2000
οι μηχανές που λειτουργούν.
06:24
that's where the actionδράση is.
147
369000
2000
Εκεί βρίσκεται η δράση.
06:26
BasicallyΒασικά, a humanο άνθρωπος bodyσώμα
148
371000
3000
Βασικά, ένα ανθρώπινο σώμα
06:29
is a conversationσυνομιλία going on,
149
374000
3000
είναι μία συνεχής συνομιλία,
06:32
bothκαι τα δυο withinστα πλαίσια the cellsκυττάρων and betweenμεταξύ the cellsκυττάρων,
150
377000
3000
τόσο μέσα στα κύτταρα όσο και μεταξύ τους
06:35
and they're tellingαποτελεσματικός eachκαθε other to growκαλλιεργώ and to dieκαλούπι,
151
380000
3000
και αυτό που λένε είναι πώς να μεγαλώσουν και να πεθάνουν.
06:38
and when you're sickάρρωστος,
152
383000
2000
Όταν είσαι άρρωστος,
06:40
something'sμερικά πράγματα goneχαμένος wrongλανθασμένος with that conversationσυνομιλία.
153
385000
2000
κάτι πάει στραβά στη συνομιλία αυτή.
06:42
And so the trickτέχνασμα is --
154
387000
2000
Το κόλπο είναι --
06:44
unfortunatelyΔυστυχώς, we don't have an easyεύκολος way to measureμετρήσει these
155
389000
3000
δυστυχώς, δεν έχουμε εύκολο τρόπο μέτρησης της συνομιλίας
06:47
like we can measureμετρήσει the genomeγονιδίωμα.
156
392000
2000
όπως μπορούμε με το γονιδίωμα.
06:49
So the problemπρόβλημα is that measuringμέτρημα --
157
394000
3000
Το πρόβλημα είναι αυτή η μέτρηση --
06:52
if you try to measureμετρήσει all the proteinsπρωτεΐνες, it's a very elaborateεπεξεργάζομαι processεπεξεργάζομαι, διαδικασία.
158
397000
3000
αν προσπαθήσεις να μετρήσεις τις πρωτεΐνες, η διαδικασία είναι περίπλοκη.
06:55
It requiresαπαιτεί hundredsεκατοντάδες of stepsβήματα,
159
400000
2000
Απαιτεί εκατοντάδες βήματα
06:57
and it takes a long, long time.
160
402000
2000
και παίρνει πάρα πολύ χρόνο.
06:59
And it mattersθέματα how much of the proteinπρωτεΐνη it is.
161
404000
2000
Και έχει σημασία το πόση πρωτεΐνη υπάρχει.
07:01
It could be very significantσημαντικός that a proteinπρωτεΐνη changedάλλαξε by 10 percentτοις εκατό,
162
406000
3000
Θα μπορούσε να είναι πολύ σημαντικό ότι μία πρωτεΐνη μεταβλήθηκε κατά 10%.
07:04
so it's not a niceόμορφη digitalψηφιακό thing like DNADNA.
163
409000
3000
άρα δεν είναι κάτι ψηφιακό όπως το DNA.
07:07
And basicallyβασικα our problemπρόβλημα is somebody'sκάποιου in the middleΜέσης
164
412000
2000
Το πρόβλημά μας είναι ότι κάποιος βρίσκεται στο μέσο
07:09
of this very long stageστάδιο,
165
414000
2000
αυτού του πολύ μεγάλου σταδίου,
07:11
they pauseπαύση for just a momentστιγμή,
166
416000
2000
σταματάνε για ένα λεπτό,
07:13
and they leaveάδεια something in an enzymeένζυμο for a secondδεύτερος,
167
418000
2000
και αφήνουν κάτι μέσα σε ένα ένζυμο για ένα δευτερόλεπτο
07:15
and all of a suddenαιφνίδιος all the measurementsΜετρήσεις from then on
168
420000
2000
και ξαφνικά όλες οι μετρήσεις από εκεί και πέρα
07:17
don't work.
169
422000
2000
παύουν να δουλεύουν.
07:19
And so then people get very inconsistentασυνεπής resultsΑποτελέσματα
170
424000
2000
Έτσι, οι άνθρωποι παίρνουν συγκεχυμένα αποτελέσματα
07:21
when they do it this way.
171
426000
2000
με τον τρόπο αυτό.
07:23
People have triedδοκιμασμένος very hardσκληρά to do this.
172
428000
2000
Έγιναν πολλές και σκληρές προσπάθειες.
07:25
I triedδοκιμασμένος this a coupleζευγάρι of timesφορές
173
430000
2000
Κι εγώ προσπάθησα κάποιες φορές
07:27
and lookedκοίταξε at this problemπρόβλημα and gaveέδωσε up on it.
174
432000
2000
και τελικά εγκατέλειψα.
07:29
I keptδιατηρούνται gettingνα πάρει this call from this oncologistογκολόγος
175
434000
2000
Δεχόμουν συνεχώς τηλεφωνήματα από έναν ογκολόγο,
07:31
namedόνομα DavidΔαβίδ AgusAgus.
176
436000
2000
τον Ντέιβιντ Άγκους.
07:33
And AppliedΕφαρμόζεται MindsΜυαλά getsπαίρνει a lot of callsκλήσεις
177
438000
3000
Και η Applied Minds δέχεται πολλά τηλεφωνήματα
07:36
from people who want help with theirδικα τους problemsπροβλήματα,
178
441000
2000
από ανθρώπους που θέλουν βοήθεια για τα προβλήματά τους,
07:38
and I didn't think this was a very likelyπιθανός one to call back,
179
443000
3000
και δεν περίμενα ότι θα ξανάπαιρνε κι άλλη φορά,
07:41
so I keptδιατηρούνται on givingδίνοντας him to the delayκαθυστέρηση listλίστα.
180
446000
3000
έτσι τον έβαζα συνέχεια στην αναμονή.
07:44
And then one day,
181
449000
2000
Μέχρι που μια μέρα,
07:46
I get a call from JohnΙωάννης DoerrDoerr, BillBill BerkmanBerkman
182
451000
2000
δέχομαι τηλεφώνημα από τον Τζον Ντορ, τον Μπιλ Μπέρκμαν
07:48
and AlΑλ GoreΓκορ on the sameίδιο day
183
453000
2000
και τον Αλ Γκορ, την ίδια μέρα,
07:50
sayingρητό returnΕΠΙΣΤΡΟΦΗ DavidΔαβίδ Agus'sΤου Agus phoneτηλέφωνο call.
184
455000
2000
λέγοντάς μου να μιλήσω με τον Ντέιβιντ Άγκους.
07:52
(LaughterΤο γέλιο)
185
457000
2000
(Γέλιο)
07:54
So I was like, "Okay. This guy'sπαιδιά at leastελάχιστα resourcefulπολυμήχανος."
186
459000
2000
Και σκέφτηκα "Εντάξει. Αυτός ο τύπος είναι τουλάχιστον έξυπνος".
07:56
(LaughterΤο γέλιο)
187
461000
4000
(Γέλιο)
08:00
So we startedξεκίνησε talkingομιλία,
188
465000
2000
Αρχίσαμε να μιλάμε
08:02
and he said, "I really need a better way to measureμετρήσει proteinsπρωτεΐνες."
189
467000
3000
και είπε "Χρειάζομαι έναν καλύτερο τρόπο μέτρησης των πρωτεϊνών".
08:05
I'm like, "LookedΚοίταξε at that. Been there.
190
470000
2000
Του είπα "Το προσπάθησα. Ήμουν στη θέση σου.
08:07
Not going to be easyεύκολος."
191
472000
2000
Δε θα είναι εύκολο".
08:09
He's like, "No, no. I really need it.
192
474000
2000
Μου απαντάει "Όχι, όχι. Το χρειάζομαι πραγματικά.
08:11
I mean, I see patientsασθενείς dyingβαφή everyκάθε day
193
476000
4000
Εννοώ, βλέπω καθημερινά ασθενείς να πεθαίνουν,
08:15
because we don't know what's going on insideμέσα of them.
194
480000
3000
επειδή δεν ξέρουμε τι συμβαίνει μέσα τους.
08:18
We have to have a windowπαράθυρο into this."
195
483000
2000
Πρέπει να ανοίξουμε ένα παράθυρο".
08:20
And he tookπήρε me throughδιά μέσου
196
485000
2000
Και με οδήγησε
08:22
specificειδικός examplesπαραδείγματα of when he really neededαπαιτείται it.
197
487000
3000
με συγκεκριμένα παραδείγματα στο τι χρειαζόταν.
08:25
And I realizedσυνειδητοποίησα, wowΟυάου, this would really make a bigμεγάλο differenceδιαφορά,
198
490000
2000
Διαπίστωσα έκθαμβος ότι πράγματι θα βοηθούσε πάρα πολύ
08:27
if we could do it,
199
492000
2000
αν τα καταφέρναμε.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Έτσι, είπα "Ας το κοιτάξουμε".
08:31
AppliedΕφαρμόζεται MindsΜυαλά has enoughαρκετά playπαίζω moneyχρήματα
201
496000
2000
Η Applied Minds έχει αρκετά χρήματα
08:33
that we can go and just work on something
202
498000
2000
που μπορούμε να χρησιμοποιήσουμε για μία δουλειά
08:35
withoutχωρίς gettingνα πάρει anybody'sο καθένας fundingχρηματοδότηση or permissionάδεια or anything.
203
500000
3000
χωρίς να χρειαζόμαστε εξωτερικές χρηματοδοτήσεις και άδειες.
08:38
So we startedξεκίνησε playingπαιχνίδι around with this.
204
503000
2000
Έτσι αρχίσαμε τη δουλειά αυτή.
08:40
And as we did it, we realizedσυνειδητοποίησα this was the basicβασικός problemπρόβλημα --
205
505000
3000
Καθώς περνούσε ο καιρός, διαπιστώσαμε το βασικό πρόβλημα --
08:43
that takingλήψη the sipSIP of coffeeκαφές --
206
508000
2000
πίνοντας μια γουλιά καφέ --
08:45
that there were humansτου ανθρώπου doing this complicatedπερίπλοκος processεπεξεργάζομαι, διαδικασία
207
510000
2000
ότι η περίπλοκη αυτή διαδικασία γινόταν από ανθρώπους
08:47
and that what really neededαπαιτείται to be doneΈγινε
208
512000
2000
και ότι αυτό που έπρεπε να γίνει
08:49
was to automateαυτοματοποίηση this processεπεξεργάζομαι, διαδικασία like an assemblyσυνέλευση lineγραμμή
209
514000
3000
ήταν η αυτοματοποίηση της διαδικασίας σαν σε εργοστάσιο
08:52
and buildχτίζω robotsρομπότ
210
517000
2000
και η δημιουργία ρομπότ
08:54
that would measureμετρήσει proteomicsproteomics.
211
519000
2000
που θα μετρούσαν την πρωτεωμική.
08:56
And so we did that,
212
521000
2000
Αυτό και κάναμε.
08:58
and workingεργαζόμενος with DavidΔαβίδ,
213
523000
2000
Στη συνεργασία με τον Ντέιβιντ,
09:00
we madeέκανε a little companyΕταιρία calledπου ονομάζεται AppliedΕφαρμόζεται ProteomicsProteomics eventuallyτελικά,
214
525000
3000
ιδρύσαμε μία μικρή εταιρεία τελικά με το όνομα Applied Proteomics,
09:03
whichοι οποίες makesκάνει this roboticρομποτικό assemblyσυνέλευση lineγραμμή,
215
528000
3000
που δημιουργεί αυτή τη ρομποτική γραμμή παραγωγής,
09:06
whichοι οποίες, in a very consistentσυνεπής way, measuresμέτρα the proteinπρωτεΐνη.
216
531000
3000
που με μεγάλη σταθερότητα, μετράει την πρωτεΐνη.
09:09
And I'll showπροβολή you what that proteinπρωτεΐνη measurementμέτρηση looksφαίνεται like.
217
534000
3000
Θα σας δείξω πώς φαίνεται αυτή η μέτρηση πρωτεΐνης.
09:13
BasicallyΒασικά, what we do
218
538000
2000
Βασικά, αυτό που κάνουμε
09:15
is we take a dropπτώση of bloodαίμα
219
540000
2000
είναι να πάρουμε μία σταγόνα αίμα
09:17
out of a patientυπομονετικος,
220
542000
2000
από έναν ασθενή
09:19
and we sortείδος out the proteinsπρωτεΐνες
221
544000
2000
και κατηγοριοποιούμε τις πρωτεΐνες
09:21
in the dropπτώση of bloodαίμα
222
546000
2000
από τη σταγόνα αυτή
09:23
accordingσύμφωνα με to how much they weighζυγίζω,
223
548000
2000
με βάση το βάρος τους,
09:25
how slipperyολισθηρός they are,
224
550000
2000
και το πόσο γλιστράνε
09:27
and we arrangeΤακτοποιήστε them in an imageεικόνα.
225
552000
3000
και τις τοποθετούμε σε μία εικόνα.
09:30
And so we can look at literallyΚυριολεκτικά
226
555000
2000
Έτσι, μπορούμε να δούμε ουσιαστικά
09:32
hundredsεκατοντάδες of thousandsχιλιάδες of featuresχαρακτηριστικά at onceμια φορά
227
557000
2000
εκατοντάδες χιλιάδες χαρακτηριστικά με τη μία,
09:34
out of that dropπτώση of bloodαίμα.
228
559000
2000
με βάση τη σταγόνα αίμα που πήραμε.
09:36
And we can take a differentδιαφορετικός one tomorrowαύριο,
229
561000
2000
Και μπορούμε να πάρουμε μία άλλη σταγόνα την επόμενη μέρα
09:38
and you will see your proteinsπρωτεΐνες tomorrowαύριο will be differentδιαφορετικός --
230
563000
2000
και βλέπουμε ότι οι πρωτεΐνες της επομένης θα είναι διαφορετικές --
09:40
they'llθα το κάνουν be differentδιαφορετικός after you eatτρώω or after you sleepύπνος.
231
565000
3000
διαφορετικές μετά το φαγητό ή τον ύπνο.
09:43
They really tell us what's going on there.
232
568000
3000
Μας λένε τι συμβαίνει πραγματικά.
09:46
And so this pictureεικόνα,
233
571000
2000
Έτσι, η εικόνα αυτή,
09:48
whichοι οποίες looksφαίνεται like a bigμεγάλο smudgeμουτζούρα to you,
234
573000
2000
που μοιάζει με μουτζούρα σε εσάς,
09:50
is actuallyπράγματι the thing that got me really thrilledενθουσιασμένος about this
235
575000
4000
είναι αυτό που με ενθουσίασε με το θέμα αυτό
09:54
and madeέκανε me feel like we were on the right trackπίστα.
236
579000
2000
και με έκανε να αισθανθώ ότι είμαστε στο σωστό δρόμο.
09:56
So if I zoomανίπταμαι διαγωνίως into that pictureεικόνα,
237
581000
2000
Αν κάνω ζουμ στην εικόνα αυτή,
09:58
I can just showπροβολή you what it meansπου σημαίνει.
238
583000
2000
μπορώ να σας δείξω τι σημαίνει.
10:00
We sortείδος out the proteinsπρωτεΐνες -- from left to right
239
585000
3000
Διαχωρίζουμε τις πρωτεΐνες -- από αριστερά προς τα δεξιά
10:03
is the weightβάρος of the fragmentsθραύσματα that we're gettingνα πάρει,
240
588000
3000
είναι το βάρος των τμημάτων που παίρνουμε.
10:06
and from topμπλουζα to bottomκάτω μέρος is how slipperyολισθηρός they are.
241
591000
3000
Από πάνω προς τα κάτω είναι το πόσο γλιστράνε.
10:09
So we're zoomingμεγέθυνση in here just to showπροβολή you a little bitκομμάτι of it.
242
594000
3000
Έτσι, εστιάζουμε εδώ για να σας δείξω ένα μικρό τμήμα μόνο.
10:12
And so eachκαθε of these linesγραμμές
243
597000
2000
Καθεμιά από τις γραμμές αυτές
10:14
representsαντιπροσωπεύει some signalσήμα that we're gettingνα πάρει out of a pieceκομμάτι of a proteinπρωτεΐνη.
244
599000
3000
δείχνει κάποιο σήμα που προέρχεται από ένα τμήμα πρωτεΐνης.
10:17
And you can see how the linesγραμμές occurσυμβούν
245
602000
2000
Δείτε πώς δημιουργούνται οι γραμμές
10:19
in these little groupsομάδες of bumpχτύπημα, bumpχτύπημα, bumpχτύπημα, bumpχτύπημα, bumpχτύπημα.
246
604000
4000
μεταξύ αυτών των μικρών ομάδων.
10:23
And that's because we're measuringμέτρημα the weightβάρος so preciselyακριβώς that --
247
608000
3000
Αυτό συμβαίνει επειδή μετράμε με τόση ακρίβεια το βάρος που --
10:26
carbonάνθρακας comesέρχεται in differentδιαφορετικός isotopesισότοπα,
248
611000
2000
ο άνθρακας έχει διάφορα ισότοπα,
10:28
so if it has an extraεπιπλέον neutronνετρόνιο on it,
249
613000
3000
έτσι αν έχει ένα επιπλέον νετρόνιο,
10:31
we actuallyπράγματι measureμετρήσει it as a differentδιαφορετικός chemicalχημική ουσία.
250
616000
4000
φαίνεται σαν διαφορετικό χημικό στοιχείο.
10:35
So we're actuallyπράγματι measuringμέτρημα eachκαθε isotopeισότοπο as a differentδιαφορετικός one.
251
620000
3000
Έτσι, μετράμε ουσιαστικά κάθε ισότοπο ως διαφορετικό στοιχείο.
10:38
And so that givesδίνει you an ideaιδέα
252
623000
3000
Αυτό σας δίνει μία ιδέα για το
10:41
of how exquisitelyεξαίσια sensitiveευαίσθητος this is.
253
626000
2000
πόσο ευαίσθητη είναι η διαδικασία αυτή.
10:43
So seeingβλέπων this pictureεικόνα
254
628000
2000
Έτσι βλέποντας την εικόνα αυτή
10:45
is sortείδος of like gettingνα πάρει to be GalileoGalileo
255
630000
2000
είναι σαν να είσαι ο Γαλιλαίος
10:47
and looking at the starsαστέρια
256
632000
2000
και κοιτάζεις τα άστρα
10:49
and looking throughδιά μέσου the telescopeτηλεσκόπιο for the first time,
257
634000
2000
μέσα από το τηλεσκόπιο για πρώτη φορά,
10:51
and suddenlyξαφνικά you say, "WowWow, it's way more complicatedπερίπλοκος than we thought it was."
258
636000
3000
και λες "Πω πω, είναι πολύ πιο περίπλοκο απ' ό,τι περιμέναμε".
10:54
But we can see that stuffυλικό out there
259
639000
2000
Αλλά μπορούμε να τα δούμε αυτά
10:56
and actuallyπράγματι see featuresχαρακτηριστικά of it.
260
641000
2000
και τα χαρακτηριστικά τους.
10:58
So this is the signatureυπογραφή out of whichοι οποίες we're tryingπροσπαθεί to get patternsσχέδια.
261
643000
3000
Αυτή είναι η υπογραφή από την οποία προσπαθούμε να βγάλουμε συμπεράσματα.
11:01
So what we do with this
262
646000
2000
Αυτό που κάνουμε,
11:03
is, for exampleπαράδειγμα, we can look at two patientsασθενείς,
263
648000
2000
για παράδειγμα, είναι ότι κοιτάμε δύο ασθενείς,
11:05
one that respondedαπάντησε to a drugφάρμακο and one that didn't respondαπαντώ to a drugφάρμακο,
264
650000
3000
έναν που αποκρίθηκε σε ένα φάρμακο και έναν που δεν αποκρίθηκε,
11:08
and askπαρακαλώ, "What's going on differentlyδιαφορετικά
265
653000
2000
και ρωτάμε "Τι συμβαίνει διαφορετικά
11:10
insideμέσα of them?"
266
655000
2000
μέσα τους;"
11:12
And so we can make these measurementsΜετρήσεις preciselyακριβώς enoughαρκετά
267
657000
3000
Έτσι κάνουμε αυτές τις μετρήσεις με αρκετή ακρίβεια
11:15
that we can overlayεπικάλυψη two patientsασθενείς and look at the differencesδιαφορές.
268
660000
3000
ώστε να συγκρίνουμε άμεσα δύο ασθενείς και να δούμε τις διαφορές.
11:18
So here we have AliceΑλίκη in greenπράσινος
269
663000
2000
Εδώ έχουμε την Άλις με πράσινο
11:20
and BobBob in redτο κόκκινο.
270
665000
2000
και τον Μπομπ με κόκκινο.
11:22
We overlayεπικάλυψη them. This is actualπραγματικός dataδεδομένα.
271
667000
3000
Συγκρίνουμε τα στοιχεία. Είναι αληθινά στοιχεία.
11:25
And you can see, mostlyως επί το πλείστον it overlapsεπικαλύψεις and it's yellowκίτρινος,
272
670000
3000
Βλέπετε ότι εκεί που συμπίπτουν φαίνονται κίτρινα,
11:28
but there's some things that just AliceΑλίκη has
273
673000
2000
αλλά υπάρχουν κάποια πράγματα μόνο στην Άλις
11:30
and some things that just BobBob has.
274
675000
2000
και κάποια μόνο στον Μπομπ.
11:32
And if we find a patternπρότυπο of things
275
677000
3000
Αν βρούμε ένα μοτίβο
11:35
of the respondersανταποκρίθηκαν to the drugφάρμακο,
276
680000
3000
των αποκρίσεων στο φάρμακο,
11:38
we see that in the bloodαίμα,
277
683000
2000
το βλέπουμε στο αίμα,
11:40
they have the conditionκατάσταση
278
685000
2000
έχουν εκείνη τη συνθήκη
11:42
that allowsεπιτρέπει them to respondαπαντώ to this drugφάρμακο.
279
687000
2000
που τους επιτρέπει να αποκριθούν στο φάρμακο.
11:44
We mightθα μπορούσε not even know what this proteinπρωτεΐνη is,
280
689000
2000
Μπορεί να μην ξέρουμε καν ποια πρωτεΐνη είναι,
11:46
but we can see it's a markerΜαρκαδόρος
281
691000
2000
αλλά βλέπουμε το δείκτη
11:48
for the responseαπάντηση to the diseaseασθένεια.
282
693000
2000
για την απόκριση στην ασθένεια.
11:53
So this alreadyήδη, I think,
283
698000
2000
Έτσι, ήδη πιστεύω,
11:55
is tremendouslyτρομερά usefulχρήσιμος in all kindsείδη of medicineφάρμακο.
284
700000
3000
αυτό είναι πολύ χρήσιμο σε κάθε είδους φάρμακο.
11:58
But I think this is actuallyπράγματι
285
703000
2000
Αλλά νομίζω ότι είμαστε
12:00
just the beginningαρχή
286
705000
2000
μόνο στην αρχή
12:02
of how we're going to treatκέρασμα cancerΚαρκίνος.
287
707000
2000
για το πώς θα θεραπεύσουμε τον καρκίνο.
12:04
So let me moveκίνηση to cancerΚαρκίνος.
288
709000
2000
Ας πάμε στον καρκίνο λοιπόν.
12:06
The thing about cancerΚαρκίνος --
289
711000
2000
Το θέμα με τον καρκίνο --
12:08
when I got into this,
290
713000
2000
όταν ξεκίνησα τη δουλειά αυτή,
12:10
I really knewήξερε nothing about it,
291
715000
2000
δεν γνώριζα τίποτα,
12:12
but workingεργαζόμενος with DavidΔαβίδ AgusAgus,
292
717000
2000
αλλά δουλεύοντας με τον Ντέιβιντ Άγκους,
12:14
I startedξεκίνησε watchingβλέποντας how cancerΚαρκίνος was actuallyπράγματι beingνα εισαι treatedαντιμετωπίζεται
293
719000
3000
άρχισα να βλέπω πώς θεραπευόταν ο καρκίνος
12:17
and wentπήγε to operationsλειτουργίες where it was beingνα εισαι cutΤομή out.
294
722000
3000
με εγχειρήσεις όπου τον αφαιρούσαν.
12:20
And as I lookedκοίταξε at it,
295
725000
2000
Καθώς το έβλεπα αυτό,
12:22
to me it didn't make senseέννοια
296
727000
2000
δε μου φαινόταν λογικός
12:24
how we were approachingπλησιάζει cancerΚαρκίνος,
297
729000
2000
αυτός ο τρόπος προσέγγισης.
12:26
and in orderΣειρά to make senseέννοια of it,
298
731000
3000
Για να μου φανεί πιο λογικό,
12:29
I had to learnμαθαίνω where did this come from.
299
734000
3000
έπρεπε να μάθω από πού προέκυψε.
12:32
We're treatingθεραπεία cancerΚαρκίνος almostσχεδόν like it's an infectiousμολυσματικών diseaseασθένεια.
300
737000
4000
Αντιμετωπίζουμε τον καρκίνο σχεδόν σαν μολυσματική ασθένεια.
12:36
We're treatingθεραπεία it as something that got insideμέσα of you
301
741000
2000
Τον αντιμετωπίζουμε σαν κάτι που μπήκε μέσα μας
12:38
that we have to killσκοτώνω.
302
743000
2000
και πρέπει να σκοτώσουμε.
12:40
So this is the great paradigmπαράδειγμα.
303
745000
2000
Αυτό είναι το μεγάλο παράδειγμα.
12:42
This is anotherαλλο caseπερίπτωση
304
747000
2000
Αυτό είναι άλλη μία περίπτωση
12:44
where a theoreticalθεωρητικός paradigmπαράδειγμα in biologyβιολογία really workedεργάστηκε --
305
749000
2000
όπου λειτούργησε ένα θεωρητικό παράδειγμα στη βιολογία --
12:46
was the germφύτρο theoryθεωρία of diseaseασθένεια.
306
751000
3000
ήταν η θεωρία των μικροβίων που προκαλούν ασθένειες.
12:49
So what doctorsτους γιατρούς are mostlyως επί το πλείστον trainedεκπαιδευμένο to do
307
754000
2000
Αυτό που μαθαίνουν να κάνουν οι γιατροί
12:51
is diagnoseδιαγιγνώσκω --
308
756000
2000
είναι η διάγνωση --
12:53
that is, put you into a categoryκατηγορία
309
758000
2000
δηλαδή να σε βάλουν σε μία κατηγορία --
12:55
and applyισχύουν a scientificallyεπιστημονικώς provenαποδεδειγμένος treatmentθεραπεία
310
760000
2000
και να εφαρμόσουν μία επιστημονικά αποδεδειγμένη θεραπεία
12:57
for that diagnosisδιάγνωση --
311
762000
2000
για τη διάγνωση αυτή.
12:59
and that worksεργοστάσιο great for infectiousμολυσματικών diseasesασθένειες.
312
764000
3000
Αυτό λειτουργεί τέλεια για τις μολυσματικές ασθένειες.
13:02
So if we put you in the categoryκατηγορία
313
767000
2000
Αν έμπαινες στην κατηγορία αυτή
13:04
of you've got syphilisσύφιλη, we can give you penicillinπενικιλίνη.
314
769000
3000
όπου έχεις σύφιλη, θα σου δίναμε πενικιλλίνη.
13:07
We know that that worksεργοστάσιο.
315
772000
2000
Ξέρουμε ότι αυτό λειτουργεί.
13:09
If you've got malariaελονοσία, we give you quinineκινίνη
316
774000
2000
Αν είχες ελονοσία, θα δίναμε κινίνη,
13:11
or some derivativeπαραγωγό of it.
317
776000
2000
ή κάτι παρόμοιο.
13:13
And so that's the basicβασικός thing doctorsτους γιατρούς are trainedεκπαιδευμένο to do,
318
778000
3000
Αυτό είναι το βασικό πράγμα που κάνουν οι γιατροί.
13:16
and it's miraculousθαυματουργός
319
781000
2000
Είναι θαυμαστό
13:18
in the caseπερίπτωση of infectiousμολυσματικών diseaseασθένεια --
320
783000
3000
στην περίπτωση της μολυσματικής ασθένειας --
13:21
how well it worksεργοστάσιο.
321
786000
2000
το πόσο καλά λειτουργεί.
13:23
And manyΠολλά people in this audienceακροατήριο probablyπιθανώς wouldn'tδεν θα ήταν be aliveζωντανός
322
788000
3000
Πολλοί στο κοινό εδώ δεν θα ήταν πιθανότατα ζωντανοί
13:26
if doctorsτους γιατρούς didn't do this.
323
791000
2000
αν οι γιατροί δεν ήξεραν να το κάνουν αυτό.
13:28
But now let's applyισχύουν that
324
793000
2000
Ας το εφαρμόσουμε αυτό
13:30
to systemsσυστήματα diseasesασθένειες like cancerΚαρκίνος.
325
795000
2000
σε συστεμικές ασθένειες όπως ο καρκίνος.
13:32
The problemπρόβλημα is that, in cancerΚαρκίνος,
326
797000
2000
Το πρόβλημα είναι ότι στον καρκίνο,
13:34
there isn't something elseαλλού
327
799000
2000
δεν είναι κάτι άλλο
13:36
that's insideμέσα of you.
328
801000
2000
που βρίσκεται μέσα σου.
13:38
It's you; you're brokenσπασμένος.
329
803000
2000
Είσαι εσύ, είσαι χαλασμένος.
13:40
That conversationσυνομιλία insideμέσα of you
330
805000
4000
Αυτή η συνομιλία μέσα σου
13:44
got mixedμικτός up in some way.
331
809000
2000
διαταράχθηκε με κάποιον τρόπο.
13:46
So how do we diagnoseδιαγιγνώσκω that conversationσυνομιλία?
332
811000
2000
Πώς κάνουμε διάγνωση για τη συνομιλία αυτή;
13:48
Well, right now what we do is we divideδιαιρέστε it by partμέρος of the bodyσώμα --
333
813000
3000
Αυτό που κάνουμε τώρα είναι να το διαιρέσουμε με βάση το τμήμα του σώματος --
13:51
you know, where did it appearεμφανίζομαι? --
334
816000
3000
το πού εμφανίστηκε --
13:54
and we put you in differentδιαφορετικός categoriesκατηγορίες
335
819000
2000
και σε τοποθετούμε σε διάφορες κατηγορίες
13:56
accordingσύμφωνα με to the partμέρος of the bodyσώμα.
336
821000
2000
με βάση το τμήμα του σώματος.
13:58
And then we do a clinicalκλινικός trialδίκη
337
823000
2000
Στη συνέχεια κάνουμε κλινική δοκιμή
14:00
for a drugφάρμακο for lungπνεύμονας cancerΚαρκίνος
338
825000
2000
για ένα φάρμακο για τον καρκίνο του πνεύμονα
14:02
and one for prostateπροστάτης cancerΚαρκίνος and one for breastστήθος cancerΚαρκίνος,
339
827000
3000
και ένα και τον καρκίνο του προστάτη και ένα για τον καρκίνο του μαστού
14:05
and we treatκέρασμα these as if they're separateξεχωριστός diseasesασθένειες
340
830000
3000
και τα αντιμετωπίζουμε σαν διαφορετικές ασθένειες
14:08
and that this way of dividingδιαιρώντας them
341
833000
2000
και αυτός ο τρόπος διαχωρισμού
14:10
had something to do with what actuallyπράγματι wentπήγε wrongλανθασμένος.
342
835000
2000
λες και έχει να κάνει με το τι πήγε στραβά.
14:12
And of courseσειρά μαθημάτων, it really doesn't have that much to do
343
837000
2000
Φυσικά, δεν έχει καμία σχέση
14:14
with what wentπήγε wrongλανθασμένος
344
839000
2000
με το τι πήγε στραβά.
14:16
because cancerΚαρκίνος is a failureαποτυχία of the systemΣύστημα.
345
841000
3000
Κι αυτό γιατί ο καρκίνος είναι μία βλάβη του συστήματος.
14:19
And in factγεγονός, I think we're even wrongλανθασμένος
346
844000
2000
Μάλιστα, νομίζω ότι κάνουμε λάθος
14:21
when we talk about cancerΚαρκίνος as a thing.
347
846000
3000
να μιλάμε για τον καρκίνο σαν ένα πράγμα.
14:24
I think this is the bigμεγάλο mistakeλάθος.
348
849000
2000
Νομίζω ότι αυτό είναι το μεγάλο λάθος.
14:26
I think cancerΚαρκίνος should not be a nounουσιαστικό.
349
851000
4000
Νομίζω ότι ο καρκίνος δεν πρέπει να είναι ουσιαστικό.
14:30
We should talk about canceringCancering
350
855000
2000
Πρέπει να μιλάμε για κάποιον που καρκινίζει,
14:32
as something we do, not something we have.
351
857000
3000
σαν κάτι που κάνουμε, όχι κάτι που έχουμε.
14:35
And so those tumorsόγκους,
352
860000
2000
Έτσι, οι όγκοι αυτοί,
14:37
those are symptomsσυμπτώματα of cancerΚαρκίνος.
353
862000
2000
αυτοί είναι συμπτώματα του καρκίνου.
14:39
And so your bodyσώμα is probablyπιθανώς canceringCancering all the time,
354
864000
3000
Το σώμα σου πιθανότατα καρκινίζει όλη την ώρα.
14:42
but there are lots of systemsσυστήματα in your bodyσώμα
355
867000
3000
Αλλά υπάρχουν πολλά συστήματα στο σώμα
14:45
that keep it underκάτω από controlέλεγχος.
356
870000
2000
που το ελέγχουν.
14:47
And so to give you an ideaιδέα
357
872000
2000
Για να σας δώσω μία ιδέα
14:49
of an analogyαναλογία of what I mean
358
874000
2000
του τι εννοώ να σκεφτείτε
14:51
by thinkingσκέψη of canceringCancering as a verbρήμα,
359
876000
3000
το καρκινίζω σαν ρήμα,
14:54
imagineφαντάζομαι we didn't know anything about plumbingυδραυλικά,
360
879000
3000
σκεφτείτε ότι δεν ξέραμε τίποτα για υδραυλικά
14:57
and the way that we talkedμίλησε about it,
361
882000
2000
και ο τρόπος που θα μιλούσαμε ήταν ο εξής,
14:59
we'dνυμφεύω come home and we'dνυμφεύω find a leakδιαρροή in our kitchenκουζίνα
362
884000
3000
θα ερχόμασταν σπίτι και θα είχαμε διαρροή στην κουζίνα
15:02
and we'dνυμφεύω say, "Oh, my houseσπίτι has waterνερό."
363
887000
4000
και θα λέγαμε "Ωχ, το σπίτι μου έχει νερό".
15:06
We mightθα μπορούσε divideδιαιρέστε it -- the plumberεργάτης σωλήνων would say, "Well, where'sπου είναι the waterνερό?"
364
891000
3000
Μπορεί να το χωρίζαμε -- ο υδραυλικός θα έλεγε "Πού είναι το νερό;"
15:09
"Well, it's in the kitchenκουζίνα." "Oh, you mustπρέπει have kitchenκουζίνα waterνερό."
365
894000
3000
"Είναι στην κουζίνα." "Μάλιστα, πρέπει να έπαθες διαρροή κουζίνας".
15:12
That's kindείδος of the levelεπίπεδο at whichοι οποίες it is.
366
897000
3000
Αυτό είναι το επίπεδο που μιλάμε.
15:15
"KitchenΚουζίνα waterνερό,
367
900000
2000
"Διαρροή κουζίνας;
15:17
well, first of all, we'llΚαλά go in there and we'llΚαλά mopσφουγγαρίστρα out a lot of it.
368
902000
2000
Πρώτα από όλα, θα πάμε να σφουγγαρίσουμε όλο το νερό.
15:19
And then we know that if we sprinkleΠασπαλίζουμε DranoΧημικού για ξεβούλωμα σωλήνων around the kitchenκουζίνα,
369
904000
3000
Ξέρουμε μετά ότι αν ρίξουμε τουμποφλό στην κουζίνα,
15:22
that helpsβοηθάει.
370
907000
3000
αυτό θα βοηθήσει.
15:25
WhereasΛαμβάνοντας υπόψη ότι livingζωή roomδωμάτιο waterνερό,
371
910000
2000
Ενώ στη διαρροή σαλονιού,
15:27
it's better to do tarπίσσα on the roofστέγη."
372
912000
2000
καλύτερα να ρίξουμε πίσσα στην στέγη".
15:29
And it soundsήχους sillyανόητος,
373
914000
2000
Ακούγεται χαζό,
15:31
but that's basicallyβασικα what we do.
374
916000
2000
αλλά αυτό κάνουμε.
15:33
And I'm not sayingρητό you shouldn'tδεν θα έπρεπε mopσφουγγαρίστρα up your waterνερό if you have cancerΚαρκίνος,
375
918000
3000
Δε λέω ότι δεν πρέπει να σφουγγαρίσεις τα νερά αν έχεις καρκίνο.
15:36
but I'm sayingρητό that's not really the problemπρόβλημα;
376
921000
3000
Λέω ότι δεν είναι αυτό το πρόβλημα.
15:39
that's the symptomτο σύμπτωμα of the problemπρόβλημα.
377
924000
2000
Αυτό είναι το σύμπτωμα του προβλήματος.
15:41
What we really need to get at
378
926000
2000
Αυτό που πρέπει να δούμε
15:43
is the processεπεξεργάζομαι, διαδικασία that's going on,
379
928000
2000
είναι η διαδικασία που συμβαίνει
15:45
and that's happeningσυμβαίνει at the levelεπίπεδο
380
930000
2000
και αυτή συμβαίνει στο επίπεδο
15:47
of the proteonomicproteonomic actionsΕνέργειες,
381
932000
2000
των πρωτεωμικών δράσεων,
15:49
happeningσυμβαίνει at the levelεπίπεδο of why is your bodyσώμα not healingφαρμακευτικός itselfεαυτό
382
934000
3000
στο επίπεδο του γιατί το σώμα σου δεν αυτοθεραπεύεται
15:52
in the way that it normallyκανονικά does?
383
937000
2000
έτσι όπως κάνει συνήθως;
15:54
Because normallyκανονικά, your bodyσώμα is dealingμοιρασιά with this problemπρόβλημα all the time.
384
939000
3000
Κανονικά, το σώμα σου ασχολείται με το πρόβλημα αυτό συνέχεια.
15:57
So your houseσπίτι is dealingμοιρασιά with leaksδιαρροές all the time,
385
942000
3000
Έτσι, το σπίτι σου ασχολείται συνεχώς με τις διαρροές.
16:00
but it's fixingδιόρθωση them. It's drainingαποστράγγιση them out and so on.
386
945000
4000
Τις επιδιορθώνει. Και πάει λέγοντας.
16:04
So what we need
387
949000
3000
Αυτό που θέλουμε
16:07
is to have a causativeαιτιολογικοί modelμοντέλο
388
952000
4000
είναι ένα αιτιολογικό μοντέλο
16:11
of what's actuallyπράγματι going on,
389
956000
2000
του τι συμβαίνει πραγματικά.
16:13
and proteomicsproteomics actuallyπράγματι givesδίνει us
390
958000
3000
Η πρωτεωμική μας δίνει
16:16
the abilityικανότητα to buildχτίζω a modelμοντέλο like that.
391
961000
3000
την ικανότητα να φτιάξουμε ένα τέτοιο μοντέλο.
16:19
DavidΔαβίδ got me invitedκαλεσμένος
392
964000
2000
Χάρη στο Ντέιβιντ, πήρα πρόσκληση
16:21
to give a talk at NationalΕθνική CancerΤον καρκίνο InstituteΙνστιτούτο
393
966000
2000
ως ομιλητής στο Εθνικό Ινστιτούτο Καρκίνου
16:23
and AnnaΆννα BarkerΜπάρκερ was there.
394
968000
3000
και ήταν εκεί η Άννα Μπάρκερ.
16:27
And so I gaveέδωσε this talk
395
972000
2000
Έκανα την ομιλία αυτή
16:29
and said, "Why don't you guys do this?"
396
974000
3000
και είπα "Γιατί δεν το κάνετε αυτό;"
16:32
And AnnaΆννα said,
397
977000
2000
Η Άννα είπε,
16:34
"Because nobodyκανείς withinστα πλαίσια cancerΚαρκίνος
398
979000
3000
"Επειδή κανείς δεν το βλέπει έτσι
16:37
would look at it this way.
399
982000
2000
από αυτούς που μελετούν τον καρκίνο.
16:39
But what we're going to do, is we're going to createδημιουργώ a programπρόγραμμα
400
984000
3000
Αυτό που θα κάνουμε είναι να δημιουργήσουμε ένα πρόγραμμα
16:42
for people outsideεξω απο the fieldπεδίο of cancerΚαρκίνος
401
987000
2000
για τους ανθρώπους έξω από το πεδίο του καρκίνου
16:44
to get togetherμαζί with doctorsτους γιατρούς
402
989000
2000
να συναντηθούν με γιατρούς
16:46
who really know about cancerΚαρκίνος
403
991000
3000
που πραγματικά γνωρίζουν για τον καρκίνο
16:49
and work out differentδιαφορετικός programsπρογράμματα of researchέρευνα."
404
994000
4000
και να δοκιμάσουν διαφορετικά ερευνητικά προγράμματα".
16:53
So DavidΔαβίδ and I appliedεφαρμοσμένος to this programπρόγραμμα
405
998000
2000
Ο Ντέιβιντ κι εγώ κάναμε αίτηση για το πρόγραμμα
16:55
and createdδημιουργήθηκε a consortiumκοινοπραξία
406
1000000
2000
και δημιουργήσαμε μία κοινοπραξία
16:57
at USCUSC
407
1002000
2000
στο πανεπιστήμιο USC
16:59
where we'veέχουμε got some of the bestκαλύτερος oncologistsΟγκολόγοι in the worldκόσμος
408
1004000
3000
όπου έχουμε από τους καλύτερους ογκολόγους του κόσμου
17:02
and some of the bestκαλύτερος biologistsβιολόγους in the worldκόσμος,
409
1007000
3000
και από τους καλύτερους βιολόγους του κόσμου,
17:05
from ColdΚρύο SpringΆνοιξη HarborΛιμάνι,
410
1010000
2000
από το Κολντ Σπριγκ Χάρμπορ,
17:07
StanfordΠανεπιστήμιο του Στάνφορντ, AustinΏστιν --
411
1012000
2000
το Στάνφορντ, το Όστιν --
17:09
I won'tσυνηθισμένος even go throughδιά μέσου and nameόνομα all the placesθέσεις --
412
1014000
3000
δεν θα αναφερθώ σε όλα τα μέρη --
17:12
to have a researchέρευνα projectέργο
413
1017000
3000
για να γίνει ένα ερευνητικό πρόγραμμα
17:15
that will last for fiveπέντε yearsχρόνια
414
1020000
2000
διάρκειας πέντε ετών
17:17
where we're really going to try to buildχτίζω a modelμοντέλο of cancerΚαρκίνος like this.
415
1022000
3000
όπου θα προσπαθήσουμε να δημιουργήσουμε ένα τέτοιο μοντέλο καρκίνου.
17:20
We're doing it in miceποντίκια first,
416
1025000
2000
Ξεκινάμε στα ποντίκια πρώτα.
17:22
and we will killσκοτώνω a lot of miceποντίκια
417
1027000
2000
Και θα σκοτώσουμε πολλά ποντίκια
17:24
in the processεπεξεργάζομαι, διαδικασία of doing this,
418
1029000
2000
στη διαδικασία αυτή,
17:26
but they will dieκαλούπι for a good causeαιτία.
419
1031000
2000
αλλά θα πεθάνουν για καλό σκοπό.
17:28
And we will actuallyπράγματι try to get to the pointσημείο
420
1033000
3000
Και θα προσπαθήσουμε να φτάσουμε στο στόχο
17:31
where we have a predictiveπρογνωστική modelμοντέλο
421
1036000
2000
όπου θα έχουμε ένα προγνωστικό μοντέλο
17:33
where we can understandκαταλαβαίνουν,
422
1038000
2000
όπου μπορούμε να καταλάβουμε,
17:35
when cancerΚαρκίνος happensσυμβαίνει,
423
1040000
2000
πότε εμφανίζεται ο καρκίνος,
17:37
what's actuallyπράγματι happeningσυμβαίνει in there
424
1042000
2000
τι συμβαίνει τότε
17:39
and whichοι οποίες treatmentθεραπεία will treatκέρασμα that cancerΚαρκίνος.
425
1044000
3000
και ποια θεραπεία θα τον καταπολεμήσει.
17:42
So let me just endτέλος with givingδίνοντας you a little pictureεικόνα
426
1047000
3000
Ας τελειώσω δίνοντάς σας μία μικρή εικόνα
17:45
of what I think cancerΚαρκίνος treatmentθεραπεία will be like in the futureμελλοντικός.
427
1050000
3000
του πώς πιστεύω ότι θα είναι στο μέλλον η θεραπεία καρκίνου.
17:48
So I think eventuallyτελικά,
428
1053000
2000
Νομίζω τελικά,
17:50
onceμια φορά we have one of these modelsμοντέλα for people,
429
1055000
2000
αφού αποκτήσουμε ένα τέτοιο μοντέλο για ανθρώπους,
17:52
whichοι οποίες we'llΚαλά get eventuallyτελικά --
430
1057000
2000
που θα το αποκτήσουμε κάποτε --
17:54
I mean, our groupομάδα won'tσυνηθισμένος get all the way there --
431
1059000
2000
δε λέω ότι η ομάδα μας θα το ολοκληρώσει απαραίτητα --
17:56
but eventuallyτελικά we'llΚαλά have a very good computerυπολογιστή modelμοντέλο --
432
1061000
3000
αλλά στο τέλος, θα έχουμε ένα πολύ καλό μοντέλο υπολογιστή --
17:59
sortείδος of like a globalπαγκόσμια climateκλίμα modelμοντέλο for weatherκαιρός.
433
1064000
3000
κάτι σαν το παγκόσμιο κλιματικό μοντέλο.
18:02
It has lots of differentδιαφορετικός informationπληροφορίες
434
1067000
3000
Έχει πολλές διαφορετικές πληροφορίες
18:05
about what's the processεπεξεργάζομαι, διαδικασία going on in this proteomicproteomic conversationσυνομιλία
435
1070000
3000
για το ποιες διαδικασίες συμβαίνουν στην πρωτεωμική συζήτηση
18:08
on manyΠολλά differentδιαφορετικός scalesΖυγός.
436
1073000
2000
σε πολλά διαφορετικά επίπεδα.
18:10
And so we will simulateπροσποιούμαι
437
1075000
2000
Και θα προσομοιώσουμε
18:12
in that modelμοντέλο
438
1077000
2000
στο μοντέλο αυτό
18:14
for your particularιδιαιτερος cancerΚαρκίνος --
439
1079000
3000
τον εκάστοτε συγκεκριμένο καρκίνο --
18:17
and this alsoεπίσης will be for ALSALS,
440
1082000
2000
και αυτό θα ισχύει και για την αμυοτροφική σκλήρυνση
18:19
or any kindείδος of systemΣύστημα neurodegenerativeνευροεκφυλιστικές diseasesασθένειες,
441
1084000
3000
και κάθε είδος νευροεκφυλιστικής ασθένειας,
18:22
things like that --
442
1087000
2000
τέτοια πράγματα --
18:24
we will simulateπροσποιούμαι
443
1089000
2000
θα προσομοιώσουμε
18:26
specificallyειδικά you,
444
1091000
2000
συγκεκριμένα εσένα,
18:28
not just a genericγενικός personπρόσωπο,
445
1093000
2000
όχι έναν γενικό άνθρωπο,
18:30
but what's actuallyπράγματι going on insideμέσα you.
446
1095000
2000
αλλά αυτό που συμβαίνει μέσα σε εσένα.
18:32
And in that simulationπροσομοίωση, what we could do
447
1097000
2000
Και στην προσομοίωση, αυτό που θα μπορούσαμε να κάνουμε
18:34
is designσχέδιο for you specificallyειδικά
448
1099000
2000
είναι να σχεδιάσουμε για σένα ειδικά
18:36
a sequenceαλληλουχία of treatmentsθεραπείες,
449
1101000
2000
μία σειρά θεραπειών
18:38
and it mightθα μπορούσε be very gentleευγενής treatmentsθεραπείες, very smallμικρό amountsποσά of drugsφάρμακα.
450
1103000
3000
που μπορεί να είναι πολύ ήπιες, ελάχιστες δόσεις φαρμάκων.
18:41
It mightθα μπορούσε be things like, don't eatτρώω that day,
451
1106000
3000
Μπορεί να είναι του στυλ, μην τρως εκείνη την ημέρα,
18:44
or give them a little chemotherapyχημειοθεραπεία,
452
1109000
2000
ή κάνε μία μικρή χημειοθεραπεία,
18:46
maybe a little radiationακτινοβολία.
453
1111000
2000
ίσως λίγη ακτινοβόληση.
18:48
Of courseσειρά μαθημάτων, we'llΚαλά do surgeryχειρουργική επέμβαση sometimesωρες ωρες and so on.
454
1113000
3000
Φυσικά, θα κάνουμε εγχειρήσεις.
18:51
But designσχέδιο a programπρόγραμμα of treatmentsθεραπείες specificallyειδικά for you
455
1116000
3000
Αλλά θα σχεδιαστεί ένα πρόγραμμα θεραπειών ειδικά για σένα
18:54
and help your bodyσώμα
456
1119000
3000
και θα βοηθάει το σώμα σου
18:57
guideοδηγός back to healthυγεία --
457
1122000
3000
να ξαναγίνει υγιές --
19:00
guideοδηγός your bodyσώμα back to healthυγεία.
458
1125000
2000
θα οδηγεί το σώμα σου στην υγεία.
19:02
Because your bodyσώμα will do mostπλέον of the work of fixingδιόρθωση it
459
1127000
4000
Επειδή το σώμα σου θα κάνει την περισσότερη δουλειά αυτοθεραπείας,
19:06
if we just sortείδος of propστήριγμα it up in the waysτρόπους that are wrongλανθασμένος.
460
1131000
3000
διορθώνουμε μόνο αυτά που πηγαίνουν στραβά.
19:09
We put it in the equivalentισοδύναμος of splintsνάρθηκες.
461
1134000
2000
Είναι κάτι αντίστοιχο με το νάρθηκα.
19:11
And so your bodyσώμα basicallyβασικα has lots and lots of mechanismsμηχανισμούς
462
1136000
2000
Το σώμα σου έχει πάρα πολλούς μηχανισμούς
19:13
for fixingδιόρθωση cancerΚαρκίνος,
463
1138000
2000
επιδιόρθωσης του καρκίνου,
19:15
and we just have to propστήριγμα those up in the right way
464
1140000
3000
απλώς πρέπει να τους επιστρατεύσουμε κατάλληλα
19:18
and get them to do the jobδουλειά.
465
1143000
2000
ώστε να κάνουν τη δουλειά.
19:20
And so I believe that this will be the way
466
1145000
2000
Πιστεύω ότι αυτός θα είναι ο τρόπος
19:22
that cancerΚαρκίνος will be treatedαντιμετωπίζεται in the futureμελλοντικός.
467
1147000
2000
που θα θεραπεύεται ο καρκίνος στο μέλλον.
19:24
It's going to requireαπαιτώ a lot of work,
468
1149000
2000
Απαιτεί πολλή δουλειά,
19:26
a lot of researchέρευνα.
469
1151000
2000
πολλή έρευνα.
19:28
There will be manyΠολλά teamsτης ομάδας like our teamομάδα
470
1153000
3000
Θα υπάρχουν πολλές ομάδες σαν τη δική μας
19:31
that work on this.
471
1156000
2000
πάνω σε αυτό.
19:33
But I think eventuallyτελικά,
472
1158000
2000
Νομίζω τελικά,
19:35
we will designσχέδιο for everybodyόλοι
473
1160000
2000
θα σχεδιάσουμε για όλους
19:37
a customπροσαρμοσμένη treatmentθεραπεία for cancerΚαρκίνος.
474
1162000
4000
μία εξειδικευμένη θεραπεία για τον καρκίνο.
19:41
So thank you very much.
475
1166000
2000
Σας ευχαριστώ πολύ.
19:43
(ApplauseΧειροκροτήματα)
476
1168000
6000
(Χειροκρότημα)
Translated by Charilaos Megas
Reviewed by Fotini Sotiropoulou

▲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