TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Ντάνι Χίλις: Κατανοώντας τον καρκίνο μέσα από την πρωτεωμική (proteomics)
Filmed:
Readability: 3.6
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.
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. Full bio
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 admit that I'm a little bit nervous here
0
0
3000
Παραδέχομαι ότι έχω λίγο άγχος,
00:18
because I'm going to say some radical things,
1
3000
3000
γιατί θα πω κάποια ρηξικέλευθα πράγματα
00:21
about how we should think about cancer differently,
2
6000
3000
για το ότι πρέπει να αντιληφθούμε διαφορετικά τον καρκίνο
00:24
to an audience that contains a lot of people
3
9000
2000
σε ένα κοινό που αποτελείται από πολλούς ανθρώπους
00:26
who know a lot more about cancer than I do.
4
11000
3000
που γνωρίζουν πολύ περισσότερα για τον καρκίνο από μένα.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Αλλά θα πω επίσης ότι δεν έχω τόσο άγχος όσο θα έπρεπε,
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
γιατί είμαι σίγουρος ότι έχω δίκιο.
00:35
(Laughter)
7
20000
2000
(Γέλιο)
00:37
And that this, in fact, will be
8
22000
2000
Αυτός λοιπόν θα είναι ο τρόπος
00:39
the way that we treat cancer in the future.
9
24000
3000
που θα θεραπεύουμε τον καρκίνο στο μέλλον.
00:43
In order to talk about cancer,
10
28000
2000
Για να μιλήσουμε για τον καρκίνο,
00:45
I'm going to actually have to --
11
30000
3000
θα πρέπει πρώτα να --
00:48
let me get the big slide here.
12
33000
3000
ας σας δείξω την πρώτη διαφάνεια.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Πρώτα, θα προσπαθήσω να σας δώσω μία διαφορετική οπτική για τη γενωμική.
00:56
I want to put it in perspective of the bigger picture
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't heard so much about, which is proteomics.
16
46000
3000
και μετά να μιλήσω για κάτι που δεν έχετε ακούσει πολλά, την πρωτεωμική.
01:04
Having explained those,
17
49000
2000
Εξηγώντας τα αυτά,
01:06
that will set up for what I think will be a different idea
18
51000
3000
θα δημιουργηθεί, πιστεύω, μία διαφορετική ιδέα
01:09
about how to go about treating cancer.
19
54000
2000
για το πώς να θεραπεύσουμε τον καρκίνο.
01:11
So let me start with genomics.
20
56000
2000
Ας ξεκινήσω με τη γενωμική.
01:13
It is the hot topic.
21
58000
2000
Είναι το καυτό θέμα.
01:15
It is the place where we're learning the most.
22
60000
2000
Είναι ο τομέας για τον οποίο μαθαίνουμε τα περισσότερα.
01:17
This is the great frontier.
23
62000
2000
Αυτό είναι το μεγάλο σύνορο.
01:19
But it has its limitations.
24
64000
3000
Αλλά έχει περιορισμούς.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Συγκεκριμένα, πιθανότατα όλοι ακούσατε την αναλογία
01:25
that the genome is like the blueprint of your body,
26
70000
3000
ότι το γονιδίωμα είναι σαν το προσχέδιο του σώματός σας.
01:28
and if that were only true, 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 parts list of your body.
29
77000
2000
Στην ουσία είναι η λίστα με τα τμήματα του σώματος.
01:34
It doesn't say how things are connected,
30
79000
2000
Δεν λέει πώς συνδέονται μεταξύ τους,
01:36
what causes what and so on.
31
81000
3000
τι προκαλεί τι, κλπ.
01:39
So if I can make an analogy,
32
84000
2000
Έτσι, αν κάνω μία παρομοίωση,
01:41
let's say that you were trying to tell the difference
33
86000
2000
ας πούμε ότι προσπαθούσατε να βρείτε τη διαφορά
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
μεταξύ ενός καλού, υγιεινού εστιατορίου
01:46
and a sick restaurant,
35
91000
2000
και ενός κακού εστιατορίου,
01:48
and all you had was the list of ingredients
36
93000
2000
και το μόνο που είχατε ήταν η λίστα με τα συστατικά
01:50
that they had in their larder.
37
95000
3000
που είχαν στην αποθήκη τους.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Έτσι, αν πηγαίνατε σε ένα γαλλικό εστιατόριο
01:56
and you looked through it and you found
39
101000
2000
και διαπιστώνατε ότι έχουν
01:58
they only had margarine and they didn't have butter,
40
103000
2000
μόνο μαργαρίνη και όχι βούτυρο,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
θα λέγατε "Α, να το πρόβλημά τους.
02:02
I can make them healthy."
42
107000
2000
Θα τους κάνω υγιείς".
02:04
And there probably are special cases of that.
43
109000
2000
Σίγουρα υπάρχουν τέτοιες εξαιρέσεις.
02:06
You could certainly tell the difference
44
111000
2000
Σίγουρα μπορείτε να βρείτε τις διαφορές
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
ανάμεσα σε ένα κινέζικο και σε ένα γαλλικό εστιατόριο
02:10
by what they had in a larder.
46
115000
2000
κοιτώντας μόνο την αποθήκη τους.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Άρα, η λίστα με τα υλικά μας λέει κάτι,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
και κάποιες φορές λέει ότι κάτι πάει στραβά.
02:19
If they have tons of salt,
49
124000
2000
Αν έχουν τόνους αλάτι,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
μπορεί να σκεφτείτε ότι χρησιμοποιούν πολύ αλάτι, ή κάτι τέτοιο.
02:24
But it's limited,
51
129000
2000
Αλλά αυτό είναι περιορισμένο,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
καθώς για να καταλάβει κανείς αν το εστιατόριο είναι υγιεινό,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
πρέπει να γευτεί το φαγητό, να ξέρει τι συμβαίνει στην κουζίνα,
02:31
you need the product of all of those ingredients.
54
136000
3000
χρειάζεται το προϊόν από τα συστατικά αυτά.
02:34
So if I look at a person
55
139000
2000
Έτσι, αν δω ένα άτομο
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
και το γονιδίωμά του, είναι κάτι παρόμοιο.
02:39
The part of the genome that we can read
57
144000
2000
Το τμήμα του γονιδιώματος που μπορούμε να διαβάσουμε
02:41
is the list of ingredients.
58
146000
2000
είναι η λίστα των συστατικών.
02:43
And so indeed,
59
148000
2000
Πράγματι,
02:45
there are times when we can find ingredients
60
150000
2000
κάποιες φορές μπορούμε να βρούμε συστατικά
02:47
that [are] bad.
61
152000
2000
που είναι κακά.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Η κυστική ίνωση είναι παράδειγμα ασθένειας
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
όπου απλά ένα κακό συστατικό προκαλεί την ασθένεια
02:54
and we can actually make a direct correspondence
64
159000
3000
και μπορούμε να κάνουμε άμεση συσχέτιση
02:57
between the ingredient and the disease.
65
162000
3000
μεταξύ συστατικού και ασθένειας.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Αλλά τις περισσότερες φορές, πρέπει να ξέρεις τι συμβαίνει στην κουζίνα,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
καθώς, συνήθως, οι άρρωστοι άνθρωποι ήταν κάποτε υγιείς --
03:05
they have the same genome.
68
170000
2000
έχουν το ίδιο γονιδίωμα.
03:07
So the genome really tells you much more
69
172000
2000
Έτσι, το γονιδίωμα δείχνει κυρίως
03:09
about predisposition.
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 difference between an Asian person and a European person
72
178000
2000
να βρεις είναι για παράδειγμα αυτές μεταξύ ενός Ασιάτη και ενός Ευρωπαίου
03:15
by looking at their ingredients list.
73
180000
2000
κοιτώντας μόνο τη λίστα των συστατικών τους.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Αλλά κατά κύριο λόγο, δεν μπορείς να βρεις τη διαφορά
03:20
between a healthy person and a sick person --
75
185000
3000
μεταξύ ενός υγιούς και ενός άρρωστου ατόμου --
03:23
except in some of these special cases.
76
188000
2000
εκτός από τις ειδικές αυτές περιπτώσεις.
03:25
So why all the big deal
77
190000
2000
Άρα, γιατί τόση φασαρία
03:27
about genetics?
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 read it, which is fantastic.
80
196000
3000
μπορούμε να τη διαβάσουμε, κάτι φανταστικό.
03:34
It is very useful in certain circumstances.
81
199000
3000
Είναι πολύ χρήσιμη σε κάποιες περιπτώσεις.
03:37
It's also the great theoretical triumph
82
202000
3000
Είναι επίσης ο μεγάλος θεωρητικός θρίαμβος
03:40
of biology.
83
205000
2000
της βιολογίας.
03:42
It's the one theory
84
207000
2000
Είναι η μοναδική θεωρία
03:44
that the biologists ever really got right.
85
209000
2000
που κατάφεραν να επαληθεύσουν οι βιολόγοι.
03:46
It's fundamental to Darwin
86
211000
2000
Είναι θεμελιώδης για το Δαρβίνο,
03:48
and Mendel and so on.
87
213000
2000
το Μέντελ, κλπ.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Έτσι, είναι το μοναδικό για το οποίο προέβλεψαν μία θεωρητική δομή.
03:54
So Mendel had this idea of a gene
89
219000
2000
Έτσι, ο Μέντελ είχε την ιδέα του γονιδίου
03:56
as an abstract thing,
90
221000
3000
ως κάτι αφηρημένο.
03:59
and Darwin built a whole theory
91
224000
2000
Και ο Δαρβίνος έχτισε ολόκληρη θεωρία
04:01
that depended on them existing,
92
226000
2000
που βασιζόταν στο ότι τα γονίδια υπήρχαν.
04:03
and then Watson and Crick
93
228000
2000
Και οι Γουότσον και Κρικ
04:05
actually looked and found one.
94
230000
2000
έψαξαν και βρήκαν ένα γονίδιο.
04:07
So this happens in physics all the time.
95
232000
2000
Αυτό συμβαίνει συνέχεια στη φυσική.
04:09
You predict a black hole,
96
234000
2000
Προβλέπεις μία μαύρη τρύπα,
04:11
and you look out the telescope 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 rarely happens in biology.
98
239000
2000
Αυτό σπάνια συμβαίνει στη βιολογία.
04:16
So this great triumph -- it's so good,
99
241000
3000
Αυτός ο μεγάλος θρίαμβος -- τόσο μεγάλος --
04:19
there's almost a religious experience
100
244000
2000
που είναι σχεδόν θρησκευτική εμπειρία
04:21
in biology.
101
246000
2000
στη βιολογία.
04:23
And Darwinian evolution
102
248000
2000
Και η δαρβινική εξέλιξη
04:25
is really the core theory.
103
250000
3000
είναι η θεμελιώδης θεωρία.
04:30
So the other reason it's been very popular
104
255000
2000
Ο άλλος λόγος που είναι τόσο δημοφιλής η γενετική
04:32
is because we can measure it, it's digital.
105
257000
3000
είναι επειδή είναι μετρήσιμη, είναι ψηφιακή.
04:35
And in fact,
106
260000
2000
Μάλιστα,
04:37
thanks to Kary Mullis,
107
262000
2000
χάρη στην Κάρι Μάλις,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
μπορείτε να μετρήσετε το γονιδίωμά σας στην κουζίνα
04:43
with a few extra ingredients.
109
268000
3000
με λίγα επιπλέον υλικά.
04:46
So for instance, by measuring the genome,
110
271000
3000
Για παράδειγμα, μετρώντας το γονιδίωμα,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
μάθαμε πολλά για τη συγγένειά μας με άλλα είδη ζώων
04:53
by the closeness of our genome,
112
278000
3000
με βάση την εγγύτητα του γονιδιώματός μας
04:56
or how we're related to each other -- the family tree,
113
281000
3000
ή τις συγγένειες μεταξύ μας -- το οικογενειακό δέντρο
04:59
or the tree of life.
114
284000
2000
ή το δέντρο της ζωής.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Υπάρχει μεγάλος όγκος πληροφοριών για τη γενετική
05:04
just by comparing the genetic similarity.
116
289000
3000
απλά συγκρίνοντας τη γενετική ομοιότητα.
05:07
Now of course, in medical application,
117
292000
2000
Τώρα, φυσικά, στην ιατρική εφαρμογή,
05:09
that is very useful
118
294000
2000
είναι πολύ χρήσιμη,
05:11
because it's the same kind of information
119
296000
3000
γιατί είναι το ίδιο είδος πληροφορίας
05:14
that the doctor gets from your family medical history --
120
299000
3000
που παίρνει ο γιατρός από το οικογενειακό ιστορικό σας --
05:17
except probably,
121
302000
2000
μόνο που
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
το γονιδίωμά σας γνωρίζει πολλά περισσότερα για το ιατρικό ιστορικό σας από εσάς.
05:22
And so by reading the genome,
123
307000
2000
Διαβάζοντας το γονιδίωμα,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
μπορούμε να βρούμε πολύ περισσότερα για την οικογένειά σας απ' όσα πιθανόν γνωρίζετε.
05:27
And so we can discover things
125
312000
2000
Έτσι, μπορούμε να ανακαλύψουμε πράγματα
05:29
that probably you could have found
126
314000
2000
που πιθανότατα θα βρίσκατε
05:31
by looking at enough of your relatives,
127
316000
2000
αν μελετούσατε αρκετούς συγγενείς σας,
05:33
but they may be surprising.
128
318000
3000
αλλά υπάρχουν και εκπλήξεις.
05:36
I did the 23andMe thing
129
321000
2000
Έκανα το τεστ 23andMe
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
και έκπληκτος διαπίστωσα ότι είμαι χοντρός και φαλακρός.
05:41
(Laughter)
131
326000
7000
(Γέλιο)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Αλλά κάποιες φορές, μαθαίνεις πολύ πιο χρήσιμα πράγματα σχετικά με αυτό.
05:51
But mostly
133
336000
3000
Και κυρίως
05:54
what you need to know, to find out if you're sick,
134
339000
2000
αυτό που πρέπει να ξέρεις για να δεις αν είσαι άρρωστος
05:56
is not your predispositions,
135
341000
2000
δεν είναι οι προδιαθέσεις σου,
05:58
but it's actually what's going on in your body 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 genes are producing
139
350000
2000
που παράγουν τα γονίδια
06:07
and what's happening after the genetics,
140
352000
2000
και το τι συμβαίνει μετά τη γενετική.
06:09
and that's what proteomics is about.
141
354000
2000
Αυτό είναι η πρωτεωμική.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Όπως η γενωμική περιλαμβάνει τη μελέτη των γονιδίων,
06:14
proteomics is the study of all the proteins.
143
359000
3000
η πρωτεωμική είναι η μελέτη των πρωτεϊνών.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Και οι πρωτεΐνες είναι όλα τα μικρά πραγματάκια στο σώμα σας
06:19
that are signaling between the cells --
145
364000
3000
που σηματοδοτούν μεταξύ των κυττάρων --
06:22
actually, the machines that are operating --
146
367000
2000
οι μηχανές που λειτουργούν.
06:24
that's where the action is.
147
369000
2000
Εκεί βρίσκεται η δράση.
06:26
Basically, a human body
148
371000
3000
Βασικά, ένα ανθρώπινο σώμα
06:29
is a conversation going on,
149
374000
3000
είναι μία συνεχής συνομιλία,
06:32
both within the cells and between the cells,
150
377000
3000
τόσο μέσα στα κύτταρα όσο και μεταξύ τους
06:35
and they're telling each other to grow and to die,
151
380000
3000
και αυτό που λένε είναι πώς να μεγαλώσουν και να πεθάνουν.
06:38
and when you're sick,
152
383000
2000
Όταν είσαι άρρωστος,
06:40
something's gone wrong with that conversation.
153
385000
2000
κάτι πάει στραβά στη συνομιλία αυτή.
06:42
And so the trick is --
154
387000
2000
Το κόλπο είναι --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
δυστυχώς, δεν έχουμε εύκολο τρόπο μέτρησης της συνομιλίας
06:47
like we can measure the genome.
156
392000
2000
όπως μπορούμε με το γονιδίωμα.
06:49
So the problem is that measuring --
157
394000
3000
Το πρόβλημα είναι αυτή η μέτρηση --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
αν προσπαθήσεις να μετρήσεις τις πρωτεΐνες, η διαδικασία είναι περίπλοκη.
06:55
It requires hundreds of steps,
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 matters how much of the protein it is.
161
404000
2000
Και έχει σημασία το πόση πρωτεΐνη υπάρχει.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Θα μπορούσε να είναι πολύ σημαντικό ότι μία πρωτεΐνη μεταβλήθηκε κατά 10%.
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
άρα δεν είναι κάτι ψηφιακό όπως το DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Το πρόβλημά μας είναι ότι κάποιος βρίσκεται στο μέσο
07:09
of this very long stage,
165
414000
2000
αυτού του πολύ μεγάλου σταδίου,
07:11
they pause for just a moment,
166
416000
2000
σταματάνε για ένα λεπτό,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
και αφήνουν κάτι μέσα σε ένα ένζυμο για ένα δευτερόλεπτο
07:15
and all of a sudden all the measurements 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 inconsistent results
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 tried very hard to do this.
172
428000
2000
Έγιναν πολλές και σκληρές προσπάθειες.
07:25
I tried this a couple of times
173
430000
2000
Κι εγώ προσπάθησα κάποιες φορές
07:27
and looked at this problem and gave up on it.
174
432000
2000
και τελικά εγκατέλειψα.
07:29
I kept getting this call from this oncologist
175
434000
2000
Δεχόμουν συνεχώς τηλεφωνήματα από έναν ογκολόγο,
07:31
named David Agus.
176
436000
2000
τον Ντέιβιντ Άγκους.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Και η Applied Minds δέχεται πολλά τηλεφωνήματα
07:36
from people who want help with their problems,
178
441000
2000
από ανθρώπους που θέλουν βοήθεια για τα προβλήματά τους,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
και δεν περίμενα ότι θα ξανάπαιρνε κι άλλη φορά,
07:41
so I kept on giving him to the delay list.
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 John Doerr, Bill Berkman
182
451000
2000
δέχομαι τηλεφώνημα από τον Τζον Ντορ, τον Μπιλ Μπέρκμαν
07:48
and Al Gore on the same day
183
453000
2000
και τον Αλ Γκορ, την ίδια μέρα,
07:50
saying return David Agus's phone call.
184
455000
2000
λέγοντάς μου να μιλήσω με τον Ντέιβιντ Άγκους.
07:52
(Laughter)
185
457000
2000
(Γέλιο)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Και σκέφτηκα "Εντάξει. Αυτός ο τύπος είναι τουλάχιστον έξυπνος".
07:56
(Laughter)
187
461000
4000
(Γέλιο)
08:00
So we started talking,
188
465000
2000
Αρχίσαμε να μιλάμε
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
και είπε "Χρειάζομαι έναν καλύτερο τρόπο μέτρησης των πρωτεϊνών".
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Του είπα "Το προσπάθησα. Ήμουν στη θέση σου.
08:07
Not going to be easy."
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 patients dying every day
193
476000
4000
Εννοώ, βλέπω καθημερινά ασθενείς να πεθαίνουν,
08:15
because we don't know what's going on inside of them.
194
480000
3000
επειδή δεν ξέρουμε τι συμβαίνει μέσα τους.
08:18
We have to have a window into this."
195
483000
2000
Πρέπει να ανοίξουμε ένα παράθυρο".
08:20
And he took me through
196
485000
2000
Και με οδήγησε
08:22
specific examples of when he really needed it.
197
487000
3000
με συγκεκριμένα παραδείγματα στο τι χρειαζόταν.
08:25
And I realized, wow, this would really make a big difference,
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
Applied Minds has enough play money
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
without getting anybody's funding or permission or anything.
203
500000
3000
χωρίς να χρειαζόμαστε εξωτερικές χρηματοδοτήσεις και άδειες.
08:38
So we started playing around with this.
204
503000
2000
Έτσι αρχίσαμε τη δουλειά αυτή.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Καθώς περνούσε ο καιρός, διαπιστώσαμε το βασικό πρόβλημα --
08:43
that taking the sip of coffee --
206
508000
2000
πίνοντας μια γουλιά καφέ --
08:45
that there were humans doing this complicated process
207
510000
2000
ότι η περίπλοκη αυτή διαδικασία γινόταν από ανθρώπους
08:47
and that what really needed to be done
208
512000
2000
και ότι αυτό που έπρεπε να γίνει
08:49
was to automate this process like an assembly line
209
514000
3000
ήταν η αυτοματοποίηση της διαδικασίας σαν σε εργοστάσιο
08:52
and build robots
210
517000
2000
και η δημιουργία ρομπότ
08:54
that would measure proteomics.
211
519000
2000
που θα μετρούσαν την πρωτεωμική.
08:56
And so we did that,
212
521000
2000
Αυτό και κάναμε.
08:58
and working with David,
213
523000
2000
Στη συνεργασία με τον Ντέιβιντ,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
ιδρύσαμε μία μικρή εταιρεία τελικά με το όνομα Applied Proteomics,
09:03
which makes this robotic assembly line,
215
528000
3000
που δημιουργεί αυτή τη ρομποτική γραμμή παραγωγής,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
που με μεγάλη σταθερότητα, μετράει την πρωτεΐνη.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Θα σας δείξω πώς φαίνεται αυτή η μέτρηση πρωτεΐνης.
09:13
Basically, what we do
218
538000
2000
Βασικά, αυτό που κάνουμε
09:15
is we take a drop of blood
219
540000
2000
είναι να πάρουμε μία σταγόνα αίμα
09:17
out of a patient,
220
542000
2000
από έναν ασθενή
09:19
and we sort out the proteins
221
544000
2000
και κατηγοριοποιούμε τις πρωτεΐνες
09:21
in the drop of blood
222
546000
2000
από τη σταγόνα αυτή
09:23
according to how much they weigh,
223
548000
2000
με βάση το βάρος τους,
09:25
how slippery they are,
224
550000
2000
και το πόσο γλιστράνε
09:27
and we arrange them in an image.
225
552000
3000
και τις τοποθετούμε σε μία εικόνα.
09:30
And so we can look at literally
226
555000
2000
Έτσι, μπορούμε να δούμε ουσιαστικά
09:32
hundreds of thousands of features at once
227
557000
2000
εκατοντάδες χιλιάδες χαρακτηριστικά με τη μία,
09:34
out of that drop of blood.
228
559000
2000
με βάση τη σταγόνα αίμα που πήραμε.
09:36
And we can take a different one tomorrow,
229
561000
2000
Και μπορούμε να πάρουμε μία άλλη σταγόνα την επόμενη μέρα
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
και βλέπουμε ότι οι πρωτεΐνες της επομένης θα είναι διαφορετικές --
09:40
they'll be different after you eat or after you sleep.
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 picture,
233
571000
2000
Έτσι, η εικόνα αυτή,
09:48
which looks like a big smudge to you,
234
573000
2000
που μοιάζει με μουτζούρα σε εσάς,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
είναι αυτό που με ενθουσίασε με το θέμα αυτό
09:54
and made me feel like we were on the right track.
236
579000
2000
και με έκανε να αισθανθώ ότι είμαστε στο σωστό δρόμο.
09:56
So if I zoom into that picture,
237
581000
2000
Αν κάνω ζουμ στην εικόνα αυτή,
09:58
I can just show you what it means.
238
583000
2000
μπορώ να σας δείξω τι σημαίνει.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Διαχωρίζουμε τις πρωτεΐνες -- από αριστερά προς τα δεξιά
10:03
is the weight of the fragments that we're getting,
240
588000
3000
είναι το βάρος των τμημάτων που παίρνουμε.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
Από πάνω προς τα κάτω είναι το πόσο γλιστράνε.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Έτσι, εστιάζουμε εδώ για να σας δείξω ένα μικρό τμήμα μόνο.
10:12
And so each of these lines
243
597000
2000
Καθεμιά από τις γραμμές αυτές
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
δείχνει κάποιο σήμα που προέρχεται από ένα τμήμα πρωτεΐνης.
10:17
And you can see how the lines occur
245
602000
2000
Δείτε πώς δημιουργούνται οι γραμμές
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
μεταξύ αυτών των μικρών ομάδων.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Αυτό συμβαίνει επειδή μετράμε με τόση ακρίβεια το βάρος που --
10:26
carbon comes in different isotopes,
248
611000
2000
ο άνθρακας έχει διάφορα ισότοπα,
10:28
so if it has an extra neutron on it,
249
613000
3000
έτσι αν έχει ένα επιπλέον νετρόνιο,
10:31
we actually measure it as a different chemical.
250
616000
4000
φαίνεται σαν διαφορετικό χημικό στοιχείο.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Έτσι, μετράμε ουσιαστικά κάθε ισότοπο ως διαφορετικό στοιχείο.
10:38
And so that gives you an idea
252
623000
3000
Αυτό σας δίνει μία ιδέα για το
10:41
of how exquisitely sensitive this is.
253
626000
2000
πόσο ευαίσθητη είναι η διαδικασία αυτή.
10:43
So seeing this picture
254
628000
2000
Έτσι βλέποντας την εικόνα αυτή
10:45
is sort of like getting to be Galileo
255
630000
2000
είναι σαν να είσαι ο Γαλιλαίος
10:47
and looking at the stars
256
632000
2000
και κοιτάζεις τα άστρα
10:49
and looking through the telescope for the first time,
257
634000
2000
μέσα από το τηλεσκόπιο για πρώτη φορά,
10:51
and suddenly you say, "Wow, it's way more complicated 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 stuff out there
259
639000
2000
Αλλά μπορούμε να τα δούμε αυτά
10:56
and actually see features of it.
260
641000
2000
και τα χαρακτηριστικά τους.
10:58
So this is the signature out of which we're trying to get patterns.
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 example, we can look at two patients,
263
648000
2000
για παράδειγμα, είναι ότι κοιτάμε δύο ασθενείς,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
έναν που αποκρίθηκε σε ένα φάρμακο και έναν που δεν αποκρίθηκε,
11:08
and ask, "What's going on differently
265
653000
2000
και ρωτάμε "Τι συμβαίνει διαφορετικά
11:10
inside of them?"
266
655000
2000
μέσα τους;"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Έτσι κάνουμε αυτές τις μετρήσεις με αρκετή ακρίβεια
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
ώστε να συγκρίνουμε άμεσα δύο ασθενείς και να δούμε τις διαφορές.
11:18
So here we have Alice in green
269
663000
2000
Εδώ έχουμε την Άλις με πράσινο
11:20
and Bob in red.
270
665000
2000
και τον Μπομπ με κόκκινο.
11:22
We overlay them. This is actual data.
271
667000
3000
Συγκρίνουμε τα στοιχεία. Είναι αληθινά στοιχεία.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Βλέπετε ότι εκεί που συμπίπτουν φαίνονται κίτρινα,
11:28
but there's some things that just Alice has
273
673000
2000
αλλά υπάρχουν κάποια πράγματα μόνο στην Άλις
11:30
and some things that just Bob has.
274
675000
2000
και κάποια μόνο στον Μπομπ.
11:32
And if we find a pattern of things
275
677000
3000
Αν βρούμε ένα μοτίβο
11:35
of the responders to the drug,
276
680000
3000
των αποκρίσεων στο φάρμακο,
11:38
we see that in the blood,
277
683000
2000
το βλέπουμε στο αίμα,
11:40
they have the condition
278
685000
2000
έχουν εκείνη τη συνθήκη
11:42
that allows them to respond to this drug.
279
687000
2000
που τους επιτρέπει να αποκριθούν στο φάρμακο.
11:44
We might not even know what this protein is,
280
689000
2000
Μπορεί να μην ξέρουμε καν ποια πρωτεΐνη είναι,
11:46
but we can see it's a marker
281
691000
2000
αλλά βλέπουμε το δείκτη
11:48
for the response to the disease.
282
693000
2000
για την απόκριση στην ασθένεια.
11:53
So this already, I think,
283
698000
2000
Έτσι, ήδη πιστεύω,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
αυτό είναι πολύ χρήσιμο σε κάθε είδους φάρμακο.
11:58
But I think this is actually
285
703000
2000
Αλλά νομίζω ότι είμαστε
12:00
just the beginning
286
705000
2000
μόνο στην αρχή
12:02
of how we're going to treat cancer.
287
707000
2000
για το πώς θα θεραπεύσουμε τον καρκίνο.
12:04
So let me move to cancer.
288
709000
2000
Ας πάμε στον καρκίνο λοιπόν.
12:06
The thing about cancer --
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 knew nothing about it,
291
715000
2000
δεν γνώριζα τίποτα,
12:12
but working with David Agus,
292
717000
2000
αλλά δουλεύοντας με τον Ντέιβιντ Άγκους,
12:14
I started watching how cancer was actually being treated
293
719000
3000
άρχισα να βλέπω πώς θεραπευόταν ο καρκίνος
12:17
and went to operations where it was being cut out.
294
722000
3000
με εγχειρήσεις όπου τον αφαιρούσαν.
12:20
And as I looked at it,
295
725000
2000
Καθώς το έβλεπα αυτό,
12:22
to me it didn't make sense
296
727000
2000
δε μου φαινόταν λογικός
12:24
how we were approaching cancer,
297
729000
2000
αυτός ο τρόπος προσέγγισης.
12:26
and in order to make sense of it,
298
731000
3000
Για να μου φανεί πιο λογικό,
12:29
I had to learn where did this come from.
299
734000
3000
έπρεπε να μάθω από πού προέκυψε.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Αντιμετωπίζουμε τον καρκίνο σχεδόν σαν μολυσματική ασθένεια.
12:36
We're treating it as something that got inside of you
301
741000
2000
Τον αντιμετωπίζουμε σαν κάτι που μπήκε μέσα μας
12:38
that we have to kill.
302
743000
2000
και πρέπει να σκοτώσουμε.
12:40
So this is the great paradigm.
303
745000
2000
Αυτό είναι το μεγάλο παράδειγμα.
12:42
This is another case
304
747000
2000
Αυτό είναι άλλη μία περίπτωση
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
όπου λειτούργησε ένα θεωρητικό παράδειγμα στη βιολογία --
12:46
was the germ theory of disease.
306
751000
3000
ήταν η θεωρία των μικροβίων που προκαλούν ασθένειες.
12:49
So what doctors are mostly trained to do
307
754000
2000
Αυτό που μαθαίνουν να κάνουν οι γιατροί
12:51
is diagnose --
308
756000
2000
είναι η διάγνωση --
12:53
that is, put you into a category
309
758000
2000
δηλαδή να σε βάλουν σε μία κατηγορία --
12:55
and apply a scientifically proven treatment
310
760000
2000
και να εφαρμόσουν μία επιστημονικά αποδεδειγμένη θεραπεία
12:57
for that diagnosis --
311
762000
2000
για τη διάγνωση αυτή.
12:59
and that works great for infectious diseases.
312
764000
3000
Αυτό λειτουργεί τέλεια για τις μολυσματικές ασθένειες.
13:02
So if we put you in the category
313
767000
2000
Αν έμπαινες στην κατηγορία αυτή
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
όπου έχεις σύφιλη, θα σου δίναμε πενικιλλίνη.
13:07
We know that that works.
315
772000
2000
Ξέρουμε ότι αυτό λειτουργεί.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Αν είχες ελονοσία, θα δίναμε κινίνη,
13:11
or some derivative of it.
317
776000
2000
ή κάτι παρόμοιο.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Αυτό είναι το βασικό πράγμα που κάνουν οι γιατροί.
13:16
and it's miraculous
319
781000
2000
Είναι θαυμαστό
13:18
in the case of infectious disease --
320
783000
3000
στην περίπτωση της μολυσματικής ασθένειας --
13:21
how well it works.
321
786000
2000
το πόσο καλά λειτουργεί.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Πολλοί στο κοινό εδώ δεν θα ήταν πιθανότατα ζωντανοί
13:26
if doctors didn't do this.
323
791000
2000
αν οι γιατροί δεν ήξεραν να το κάνουν αυτό.
13:28
But now let's apply that
324
793000
2000
Ας το εφαρμόσουμε αυτό
13:30
to systems diseases like cancer.
325
795000
2000
σε συστεμικές ασθένειες όπως ο καρκίνος.
13:32
The problem is that, in cancer,
326
797000
2000
Το πρόβλημα είναι ότι στον καρκίνο,
13:34
there isn't something else
327
799000
2000
δεν είναι κάτι άλλο
13:36
that's inside of you.
328
801000
2000
που βρίσκεται μέσα σου.
13:38
It's you; you're broken.
329
803000
2000
Είσαι εσύ, είσαι χαλασμένος.
13:40
That conversation inside of you
330
805000
4000
Αυτή η συνομιλία μέσα σου
13:44
got mixed up in some way.
331
809000
2000
διαταράχθηκε με κάποιον τρόπο.
13:46
So how do we diagnose that conversation?
332
811000
2000
Πώς κάνουμε διάγνωση για τη συνομιλία αυτή;
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Αυτό που κάνουμε τώρα είναι να το διαιρέσουμε με βάση το τμήμα του σώματος --
13:51
you know, where did it appear? --
334
816000
3000
το πού εμφανίστηκε --
13:54
and we put you in different categories
335
819000
2000
και σε τοποθετούμε σε διάφορες κατηγορίες
13:56
according to the part of the body.
336
821000
2000
με βάση το τμήμα του σώματος.
13:58
And then we do a clinical trial
337
823000
2000
Στη συνέχεια κάνουμε κλινική δοκιμή
14:00
for a drug for lung cancer
338
825000
2000
για ένα φάρμακο για τον καρκίνο του πνεύμονα
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
και ένα και τον καρκίνο του προστάτη και ένα για τον καρκίνο του μαστού
14:05
and we treat these as if they're separate diseases
340
830000
3000
και τα αντιμετωπίζουμε σαν διαφορετικές ασθένειες
14:08
and that this way of dividing them
341
833000
2000
και αυτός ο τρόπος διαχωρισμού
14:10
had something to do with what actually went wrong.
342
835000
2000
λες και έχει να κάνει με το τι πήγε στραβά.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Φυσικά, δεν έχει καμία σχέση
14:14
with what went wrong
344
839000
2000
με το τι πήγε στραβά.
14:16
because cancer is a failure of the system.
345
841000
3000
Κι αυτό γιατί ο καρκίνος είναι μία βλάβη του συστήματος.
14:19
And in fact, I think we're even wrong
346
844000
2000
Μάλιστα, νομίζω ότι κάνουμε λάθος
14:21
when we talk about cancer as a thing.
347
846000
3000
να μιλάμε για τον καρκίνο σαν ένα πράγμα.
14:24
I think this is the big mistake.
348
849000
2000
Νομίζω ότι αυτό είναι το μεγάλο λάθος.
14:26
I think cancer should not be a noun.
349
851000
4000
Νομίζω ότι ο καρκίνος δεν πρέπει να είναι ουσιαστικό.
14:30
We should talk about cancering
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 tumors,
352
860000
2000
Έτσι, οι όγκοι αυτοί,
14:37
those are symptoms of cancer.
353
862000
2000
αυτοί είναι συμπτώματα του καρκίνου.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Το σώμα σου πιθανότατα καρκινίζει όλη την ώρα.
14:42
but there are lots of systems in your body
355
867000
3000
Αλλά υπάρχουν πολλά συστήματα στο σώμα
14:45
that keep it under control.
356
870000
2000
που το ελέγχουν.
14:47
And so to give you an idea
357
872000
2000
Για να σας δώσω μία ιδέα
14:49
of an analogy of what I mean
358
874000
2000
του τι εννοώ να σκεφτείτε
14:51
by thinking of cancering as a verb,
359
876000
3000
το καρκινίζω σαν ρήμα,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
σκεφτείτε ότι δεν ξέραμε τίποτα για υδραυλικά
14:57
and the way that we talked about it,
361
882000
2000
και ο τρόπος που θα μιλούσαμε ήταν ο εξής,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
θα ερχόμασταν σπίτι και θα είχαμε διαρροή στην κουζίνα
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
και θα λέγαμε "Ωχ, το σπίτι μου έχει νερό".
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Μπορεί να το χωρίζαμε -- ο υδραυλικός θα έλεγε "Πού είναι το νερό;"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"Είναι στην κουζίνα." "Μάλιστα, πρέπει να έπαθες διαρροή κουζίνας".
15:12
That's kind of the level at which it is.
366
897000
3000
Αυτό είναι το επίπεδο που μιλάμε.
15:15
"Kitchen water,
367
900000
2000
"Διαρροή κουζίνας;
15:17
well, first of all, we'll go in there and we'll mop 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 sprinkle Drano around the kitchen,
369
904000
3000
Ξέρουμε μετά ότι αν ρίξουμε τουμποφλό στην κουζίνα,
15:22
that helps.
370
907000
3000
αυτό θα βοηθήσει.
15:25
Whereas living room water,
371
910000
2000
Ενώ στη διαρροή σαλονιού,
15:27
it's better to do tar on the roof."
372
912000
2000
καλύτερα να ρίξουμε πίσσα στην στέγη".
15:29
And it sounds silly,
373
914000
2000
Ακούγεται χαζό,
15:31
but that's basically what we do.
374
916000
2000
αλλά αυτό κάνουμε.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Δε λέω ότι δεν πρέπει να σφουγγαρίσεις τα νερά αν έχεις καρκίνο.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Λέω ότι δεν είναι αυτό το πρόβλημα.
15:39
that's the symptom of the problem.
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 process that's going on,
379
928000
2000
είναι η διαδικασία που συμβαίνει
15:45
and that's happening at the level
380
930000
2000
και αυτή συμβαίνει στο επίπεδο
15:47
of the proteonomic actions,
381
932000
2000
των πρωτεωμικών δράσεων,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
στο επίπεδο του γιατί το σώμα σου δεν αυτοθεραπεύεται
15:52
in the way that it normally does?
383
937000
2000
έτσι όπως κάνει συνήθως;
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Κανονικά, το σώμα σου ασχολείται με το πρόβλημα αυτό συνέχεια.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Έτσι, το σπίτι σου ασχολείται συνεχώς με τις διαρροές.
16:00
but it's fixing them. It's draining 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 causative model
388
952000
4000
είναι ένα αιτιολογικό μοντέλο
16:11
of what's actually going on,
389
956000
2000
του τι συμβαίνει πραγματικά.
16:13
and proteomics actually gives us
390
958000
3000
Η πρωτεωμική μας δίνει
16:16
the ability to build a model like that.
391
961000
3000
την ικανότητα να φτιάξουμε ένα τέτοιο μοντέλο.
16:19
David got me invited
392
964000
2000
Χάρη στο Ντέιβιντ, πήρα πρόσκληση
16:21
to give a talk at National Cancer Institute
393
966000
2000
ως ομιλητής στο Εθνικό Ινστιτούτο Καρκίνου
16:23
and Anna Barker was there.
394
968000
3000
και ήταν εκεί η Άννα Μπάρκερ.
16:27
And so I gave 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 Anna said,
397
977000
2000
Η Άννα είπε,
16:34
"Because nobody within cancer
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 create a program
400
984000
3000
Αυτό που θα κάνουμε είναι να δημιουργήσουμε ένα πρόγραμμα
16:42
for people outside the field of cancer
401
987000
2000
για τους ανθρώπους έξω από το πεδίο του καρκίνου
16:44
to get together with doctors
402
989000
2000
να συναντηθούν με γιατρούς
16:46
who really know about cancer
403
991000
3000
που πραγματικά γνωρίζουν για τον καρκίνο
16:49
and work out different programs of research."
404
994000
4000
και να δοκιμάσουν διαφορετικά ερευνητικά προγράμματα".
16:53
So David and I applied to this program
405
998000
2000
Ο Ντέιβιντ κι εγώ κάναμε αίτηση για το πρόγραμμα
16:55
and created a consortium
406
1000000
2000
και δημιουργήσαμε μία κοινοπραξία
16:57
at USC
407
1002000
2000
στο πανεπιστήμιο USC
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
όπου έχουμε από τους καλύτερους ογκολόγους του κόσμου
17:02
and some of the best biologists in the world,
409
1007000
3000
και από τους καλύτερους βιολόγους του κόσμου,
17:05
from Cold Spring Harbor,
410
1010000
2000
από το Κολντ Σπριγκ Χάρμπορ,
17:07
Stanford, Austin --
411
1012000
2000
το Στάνφορντ, το Όστιν --
17:09
I won't even go through and name all the places --
412
1014000
3000
δεν θα αναφερθώ σε όλα τα μέρη --
17:12
to have a research project
413
1017000
3000
για να γίνει ένα ερευνητικό πρόγραμμα
17:15
that will last for five years
414
1020000
2000
διάρκειας πέντε ετών
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
όπου θα προσπαθήσουμε να δημιουργήσουμε ένα τέτοιο μοντέλο καρκίνου.
17:20
We're doing it in mice first,
416
1025000
2000
Ξεκινάμε στα ποντίκια πρώτα.
17:22
and we will kill a lot of mice
417
1027000
2000
Και θα σκοτώσουμε πολλά ποντίκια
17:24
in the process of doing this,
418
1029000
2000
στη διαδικασία αυτή,
17:26
but they will die for a good cause.
419
1031000
2000
αλλά θα πεθάνουν για καλό σκοπό.
17:28
And we will actually try to get to the point
420
1033000
3000
Και θα προσπαθήσουμε να φτάσουμε στο στόχο
17:31
where we have a predictive model
421
1036000
2000
όπου θα έχουμε ένα προγνωστικό μοντέλο
17:33
where we can understand,
422
1038000
2000
όπου μπορούμε να καταλάβουμε,
17:35
when cancer happens,
423
1040000
2000
πότε εμφανίζεται ο καρκίνος,
17:37
what's actually happening in there
424
1042000
2000
τι συμβαίνει τότε
17:39
and which treatment will treat that cancer.
425
1044000
3000
και ποια θεραπεία θα τον καταπολεμήσει.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Ας τελειώσω δίνοντάς σας μία μικρή εικόνα
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
του πώς πιστεύω ότι θα είναι στο μέλλον η θεραπεία καρκίνου.
17:48
So I think eventually,
428
1053000
2000
Νομίζω τελικά,
17:50
once we have one of these models for people,
429
1055000
2000
αφού αποκτήσουμε ένα τέτοιο μοντέλο για ανθρώπους,
17:52
which we'll get eventually --
430
1057000
2000
που θα το αποκτήσουμε κάποτε --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
δε λέω ότι η ομάδα μας θα το ολοκληρώσει απαραίτητα --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
αλλά στο τέλος, θα έχουμε ένα πολύ καλό μοντέλο υπολογιστή --
17:59
sort of like a global climate model for weather.
433
1064000
3000
κάτι σαν το παγκόσμιο κλιματικό μοντέλο.
18:02
It has lots of different information
434
1067000
3000
Έχει πολλές διαφορετικές πληροφορίες
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
για το ποιες διαδικασίες συμβαίνουν στην πρωτεωμική συζήτηση
18:08
on many different scales.
436
1073000
2000
σε πολλά διαφορετικά επίπεδα.
18:10
And so we will simulate
437
1075000
2000
Και θα προσομοιώσουμε
18:12
in that model
438
1077000
2000
στο μοντέλο αυτό
18:14
for your particular cancer --
439
1079000
3000
τον εκάστοτε συγκεκριμένο καρκίνο --
18:17
and this also will be for ALS,
440
1082000
2000
και αυτό θα ισχύει και για την αμυοτροφική σκλήρυνση
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
και κάθε είδος νευροεκφυλιστικής ασθένειας,
18:22
things like that --
442
1087000
2000
τέτοια πράγματα --
18:24
we will simulate
443
1089000
2000
θα προσομοιώσουμε
18:26
specifically you,
444
1091000
2000
συγκεκριμένα εσένα,
18:28
not just a generic person,
445
1093000
2000
όχι έναν γενικό άνθρωπο,
18:30
but what's actually going on inside you.
446
1095000
2000
αλλά αυτό που συμβαίνει μέσα σε εσένα.
18:32
And in that simulation, what we could do
447
1097000
2000
Και στην προσομοίωση, αυτό που θα μπορούσαμε να κάνουμε
18:34
is design for you specifically
448
1099000
2000
είναι να σχεδιάσουμε για σένα ειδικά
18:36
a sequence of treatments,
449
1101000
2000
μία σειρά θεραπειών
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
που μπορεί να είναι πολύ ήπιες, ελάχιστες δόσεις φαρμάκων.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Μπορεί να είναι του στυλ, μην τρως εκείνη την ημέρα,
18:44
or give them a little chemotherapy,
452
1109000
2000
ή κάνε μία μικρή χημειοθεραπεία,
18:46
maybe a little radiation.
453
1111000
2000
ίσως λίγη ακτινοβόληση.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Φυσικά, θα κάνουμε εγχειρήσεις.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Αλλά θα σχεδιαστεί ένα πρόγραμμα θεραπειών ειδικά για σένα
18:54
and help your body
456
1119000
3000
και θα βοηθάει το σώμα σου
18:57
guide back to health --
457
1122000
3000
να ξαναγίνει υγιές --
19:00
guide your body back to health.
458
1125000
2000
θα οδηγεί το σώμα σου στην υγεία.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Επειδή το σώμα σου θα κάνει την περισσότερη δουλειά αυτοθεραπείας,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
διορθώνουμε μόνο αυτά που πηγαίνουν στραβά.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Είναι κάτι αντίστοιχο με το νάρθηκα.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Το σώμα σου έχει πάρα πολλούς μηχανισμούς
19:13
for fixing cancer,
463
1138000
2000
επιδιόρθωσης του καρκίνου,
19:15
and we just have to prop those up in the right way
464
1140000
3000
απλώς πρέπει να τους επιστρατεύσουμε κατάλληλα
19:18
and get them to do the job.
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 cancer will be treated in the future.
467
1147000
2000
που θα θεραπεύεται ο καρκίνος στο μέλλον.
19:24
It's going to require a lot of work,
468
1149000
2000
Απαιτεί πολλή δουλειά,
19:26
a lot of research.
469
1151000
2000
πολλή έρευνα.
19:28
There will be many teams like our team
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 eventually,
472
1158000
2000
Νομίζω τελικά,
19:35
we will design for everybody
473
1160000
2000
θα σχεδιάσουμε για όλους
19:37
a custom treatment for cancer.
474
1162000
4000
μία εξειδικευμένη θεραπεία για τον καρκίνο.
19:41
So thank you very much.
475
1166000
2000
Σας ευχαριστώ πολύ.
19:43
(Applause)
476
1168000
6000
(Χειροκρότημα)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, 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.
Danny Hillis | Speaker | TED.com