ABOUT THE SPEAKER
Ed Boyden - Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute.

Why you should listen

Ed Boyden leads the Synthetic Neurobiology Group, which develops tools for analyzing and repairing complex biological systems such as the brain. His group applies these tools in a systematic way in order to reveal ground truth scientific understandings of biological systems, which in turn reveal radical new approaches for curing diseases and repairing disabilities. These technologies include expansion microscopy, which enables complex biological systems to be imaged with nanoscale precision, and optogenetic tools, which enable the activation and silencing of neural activity with light (TED Talk: A light switch for neurons). Boyden also co-directs the MIT Center for Neurobiological Engineering, which aims to develop new tools to accelerate neuroscience progress.

Amongst other recognitions, Boyden has received the Breakthrough Prize in Life Sciences (2016), the BBVA Foundation Frontiers of Knowledge Award (2015), the Carnegie Prize in Mind and Brain Sciences (2015), the Jacob Heskel Gabbay Award (2013), the Grete Lundbeck Brain Prize (2013) and the NIH Director's Pioneer Award (2013). He was also named to the World Economic Forum Young Scientist list (2013) and the Technology Review World's "Top 35 Innovators under Age 35" list (2006). His group has hosted hundreds of visitors to learn how to use new biotechnologies and spun out several companies to bring inventions out of his lab and into the world. Boyden received his Ph.D. in neurosciences from Stanford University as a Hertz Fellow, where he discovered that the molecular mechanisms used to store a memory are determined by the content to be learned. Before that, he received three degrees in electrical engineering, computer science and physics from MIT. He has contributed to over 300 peer-reviewed papers, current or pending patents and articles, and he has given over 300 invited talks on his group's work.

More profile about the speaker
Ed Boyden | Speaker | TED.com
TEDSummit

Ed Boyden: A new way to study the brain's invisible secrets

Εντ Μπόιντεν: Μια νέα μέθοδος για τη μελέτη των αόρατων μυστικών του εγκεφάλου

Filmed:
1,501,957 views

Ο νευρομηχανικός Εντ Μπόιντεν θέλει να ανακαλύψει πώς τα μικροσκοπικά βιομόρια στους εγκεφάλους μας δημιουργούν αισθήσεις, σκέψεις και συναισθήματα -- και θέλει να βρει τις μοριακές αλλαγές που οδηγούν σε σύνδρομα όπως η επιληψία και το Αλτσχάιμερ. Αντί να εστιάσει σε αυτά τα αόρατα δίκτυα με ένα μικροσκόπιο, σκέφτηκε: Τι θα γινόταν εάν τα μεγεθύναμε και τα κάναμε πιο ευδιάκριτα; Μάθετε πώς τα πολυμερή που χρησιμοποιούνται στις μωρουδιακές πάνες μπορούν να είναι το κλειδί για την καλύτερη κατανόηση του εγκεφάλου μας.
- Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute. Full bio

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

00:12
HelloΓεια σου, everybodyόλοι.
0
904
1405
Καλησπέρα σας.
00:14
I broughtέφερε with me todayσήμερα a babyμωρό diaperπάνα.
1
2333
2643
Έφερα σήμερα μαζί μου
αυτήν την πάνα μωρού.
00:18
You'llΘα σας see why in a secondδεύτερος.
2
6793
1722
Θα καταλάβετε γιατί, αμέσως.
00:20
BabyΜωρό diapersπάνες have interestingενδιαφέρων propertiesιδιότητες.
3
8539
2010
Οι πάνες έχουν ενδιαφέρουσες ιδιότητες.
Μπορούν να φουσκώσουν απίστευτα
εάν τις βάλεις στο νερό,
00:22
They can swellφούσκωμα enormouslyπολύ
when you addπροσθέτω waterνερό to them,
4
10573
2691
00:25
an experimentπείραμα doneΈγινε
by millionsεκατομμύρια of kidsπαιδιά everyκάθε day.
5
13288
2984
ένα πείραμα που κάνουν
εκατομμύρια παιδιά κάθε μέρα.
00:28
(LaughterΤο γέλιο)
6
16296
1150
(Γέλια)
00:29
But the reasonλόγος why
7
17470
1494
Ο λόγος που την έχω φέρει είναι
00:30
is that they're designedσχεδιασμένο
in a very cleverέξυπνος way.
8
18988
2190
επειδή είναι πολύ έξυπνα σχεδιασμένες.
00:33
They're madeέκανε out of a thing
calledπου ονομάζεται a swellableswellable materialυλικό.
9
21202
2635
Είναι φτιαγμένες από διογκωτικό υλικό.
00:35
It's a specialειδικός kindείδος of materialυλικό that,
when you addπροσθέτω waterνερό,
10
23861
2737
Είναι ένα ειδικό υλικό,
στο οποίο όταν προσθέτουμε νερό,
00:38
it will swellφούσκωμα up enormouslyπολύ,
11
26622
1430
διογκώνεται πάρα πολύ,
ίσως και χιλιάδες φορές σε όγκο.
00:40
maybe a thousandχίλια timesφορές in volumeΕνταση ΗΧΟΥ.
12
28076
2166
00:42
And this is a very usefulχρήσιμος,
industrialβιομηχανικός kindείδος of polymerπολυμερές.
13
30266
3236
Είναι ένα πάρα πολύ χρήσιμο,
βιομηχανικού τύπου, πολυμερές.
00:45
But what we're tryingπροσπαθεί to do
in my groupομάδα at MITMIT
14
33819
2526
Με την ομάδα μου στο MIT
θέλουμε να δούμε
αν μπορούμε να κάνουμε
κάτι παρόμοιο στον εγκέφαλο.
00:48
is to figureεικόνα out if we can do
something similarπαρόμοιος to the brainεγκέφαλος.
15
36369
3213
Μπορούμε να τον διογκώσουμε
00:51
Can we make it biggerμεγαλύτερος,
16
39606
1159
00:52
bigμεγάλο enoughαρκετά that you
can peerομότιμων insideμέσα
17
40789
1678
αρκετά ώστε να τον εξερευνήσετε
και να δούμε όλα τα μικροσκοπικά στοιχεία,
τα βιομόρια,
00:54
and see all the tinyμικροσκοπικός buildingΚτίριο blocksμπλοκ,
the biomoleculesβιομορίων,
18
42481
2628
00:57
how they're organizedδιοργάνωσε in threeτρία dimensionsδιαστάσεις,
19
45133
2151
πώς οργανώνονται στις τρεις διαστάσεις,
τη δομή, την πραγματική αλήθεια
της δομής του εγκεφάλου, αν θέλετε;
00:59
the structureδομή, the groundέδαφος truthαλήθεια
structureδομή of the brainεγκέφαλος, if you will?
20
47308
3485
Αν το καταφέρναμε αυτό
01:02
If we could get that,
21
50817
1158
ίσως μπορούσαμε να κατανοήσουμε καλύτερα
το πώς οργανώνεται ο εγκέφαλος
01:03
maybe we could have a better understandingκατανόηση
of how the brainεγκέφαλος is organizedδιοργάνωσε
22
51999
3509
ώστε να παράξει σκέψεις και συναισθήματα,
01:07
to yieldαπόδοση παραγωγής thoughtsσκέψεις and emotionsσυναισθήματα
23
55532
1659
01:09
and actionsΕνέργειες and sensationsαισθήσεις.
24
57215
1719
κινήσεις και αισθήσεις.
01:10
Maybe we could try to pinpointαιχμή
the exactακριβής changesαλλαγές in the brainεγκέφαλος
25
58958
3415
Ίσως μπορέσουμε να εντοπίσουμε
τις ακριβείς αλλαγές στον εγκέφαλο
01:14
that resultαποτέλεσμα in diseasesασθένειες,
26
62397
1776
που οδηγούν σε ασθένειες,
01:16
diseasesασθένειες like Alzheimer'sΤης νόσου του Alzheimer
and epilepsyεπιληψία and Parkinson'sΗ νόσος του Πάρκινσον,
27
64197
3212
ασθένειες όπως το Αλτσχάιμερ,
η επιληψία και το Πάρκινσον,
για τις οποίες υπάρχουν λίγες αγωγές,
λιγότερες θεραπείες,
01:19
for whichοι οποίες there are fewλίγοι
treatmentsθεραπείες, much lessπιο λιγο curesθεραπεύει,
28
67433
2578
01:22
and for whichοι οποίες, very oftenσυχνά,
we don't know the causeαιτία or the originsπροέλευση
29
70035
3617
και που, πολύ συχνά, δεν γνωρίζουμε
τα αίτια ή την προέλευσή τους
01:25
and what's really causingπροκαλώντας them to occurσυμβούν.
30
73676
2135
και τι πραγματικά τις προκαλεί.
01:28
Now, our groupομάδα at MITMIT
31
76613
1740
Η ομάδα μας στο MIT
01:30
is tryingπροσπαθεί to take
a differentδιαφορετικός pointσημείο of viewθέα
32
78377
2686
προσπαθεί να εξετάσει το ζήτημα
από διαφορετική οπτική γωνία
01:33
from the way neuroscienceνευροεπιστήμη has
been doneΈγινε over the last hundredεκατό yearsχρόνια.
33
81087
3230
από αυτή της νευροεπιστήμης
τους τελευταίους αιώνες.
01:36
We're designersσχεδιαστές. We're inventorsεφευρέτες.
34
84341
1579
Είμαστε σχεδιαστές. Εφευρέτες.
Προσπαθούμε ανακαλύψουμε
πώς να φτιάξουμε τεχνολογίες
01:37
We're tryingπροσπαθεί to figureεικόνα out
how to buildχτίζω technologiesτεχνολογίες
35
85944
2544
που θα επιτρέπουν να δούμε
και να επιδιορθώσουμε τον εγκέφαλο.
01:40
that let us look at and repairεπισκευή the brainεγκέφαλος.
36
88512
2456
01:42
And the reasonλόγος is,
37
90992
1151
Και αυτό γιατί,
01:44
the brainεγκέφαλος is incrediblyαπίστευτα,
incrediblyαπίστευτα complicatedπερίπλοκος.
38
92167
2801
ο εγκέφαλος είναι εξαιρετικά,
εξαιρετικά πολύπλοκος.
Αυτό που έχουμε μάθει
κατά τον πρώτο αιώνα της νευροεπιστήμης
01:47
So what we'veέχουμε learnedέμαθα
over the first centuryαιώνας of neuroscienceνευροεπιστήμη
39
95484
2887
είναι ότι ο εγκέφαλος
είναι ένα πολύ περίπλοκο δίκτυο
01:50
is that the brainεγκέφαλος is a very
complicatedπερίπλοκος networkδίκτυο,
40
98395
2303
01:52
madeέκανε out of very specializedειδικευμένος
cellsκυττάρων calledπου ονομάζεται neuronsνευρώνες
41
100722
2480
φτιαγμένο από εξειδικευμένα κύτταρα,
τους νευρώνες,
01:55
with very complexσυγκρότημα geometriesγεωμετρίες,
42
103226
1667
με πολύ πολύπλοκες γεωμετρίες,
01:56
and electricalηλεκτρικός currentsρεύματα will flowροή
throughδιά μέσου these complexlycomplexly shapedσχηματισμένος neuronsνευρώνες.
43
104917
4237
και ηλεκτρικά ρεύματα θα περάσουν
μέσω αυτών των πολυπλόκως
δομημένων νευρώνων.
02:01
FurthermoreΕπιπλέον, neuronsνευρώνες
are connectedσυνδεδεμένος in networksδικτύων.
44
109653
2784
Ακόμη, τα νεύρα
είναι συνδεδεμένα σε δίκτυα.
Συνδέονται μέσω μικρών κόμβων
που λέγονται συνάψεις
02:04
They're connectedσυνδεδεμένος by little junctionsδιασταυρώσεις
calledπου ονομάζεται synapsesσυνάψεις that exchangeανταλλαγή chemicalsχημικές ουσίες
45
112461
3835
και ανταλλάσουν χημικές ουσίες
02:08
and allowεπιτρέπω the neuronsνευρώνες
to talk to eachκαθε other.
46
116320
2218
και επιτρέπουν στους νευρώνες
να επικοινωνούν.
Η πυκνότητα του εγκεφάλου είναι απίστευτη.
02:10
The densityπυκνότητα of the brainεγκέφαλος is incredibleαπίστευτος.
47
118562
1940
02:12
In a cubicΚυβικά millimeterχιλιοστόμετρο of your brainεγκέφαλος,
48
120526
2307
Σε ένα κυβικό χιλιοστό του εγκεφάλου σας,
02:14
there are about 100,000 of these neuronsνευρώνες
49
122857
2457
υπάρχουν περίπου 100.000 τέτοιοι νευρώνες
02:17
and maybe a billionδισεκατομμύριο of those connectionsσυνδέσεις.
50
125338
2517
και ίσως ένα δισεκατομμύριο
από αυτές τις ενώσεις.
02:20
But it's worseχειρότερος.
51
128887
1382
Γίνεται όμως ακόμα χειρότερο.
Εάν βλέπατε έναν νευρώνα από πολύ κοντά,
02:22
So, if you could zoomανίπταμαι διαγωνίως in to a neuronνευρώνας,
52
130293
2305
-εδώ βλέπετε μόνον
την καλλιτεχνική αναπαράσταση του-
02:24
and, of courseσειρά μαθημάτων, this is just
our artist'sτου καλλιτέχνη renditionαπόδοση of it.
53
132622
2750
θα βλέπατε χιλιάδες
και χιλιάδες είδη βιομορίων,
02:27
What you would see are thousandsχιλιάδες
and thousandsχιλιάδες of kindsείδη of biomoleculesβιομορίων,
54
135396
4207
02:31
little nanoscaleνανοκλίμακα machinesμηχανές
organizedδιοργάνωσε in complexσυγκρότημα, 3D patternsσχέδια,
55
139627
4400
μικρές νανοειδείς μηχανές,
οργανωμένες σε περίπλοκα,
τρισδιάστατα μοτίβα,
02:36
and togetherμαζί they mediateμεσολαβήσει
those electricalηλεκτρικός pulsesόσπρια,
56
144051
2628
που μαζί δημιουργούν
αυτούς τους ηλεκτρικούς παλμούς,
02:38
those chemicalχημική ουσία exchangesανταλλαγές
that allowεπιτρέπω neuronsνευρώνες to work togetherμαζί
57
146703
3937
αυτές τις χημικές ανταλλαγές
που επιτρέπουν στους νευρώνες
να συνεργαστούν
02:42
to generateπαράγω things like thoughtsσκέψεις
and feelingsσυναισθήματα and so forthΕμπρός.
58
150664
3669
ώστε να παράξουν σκέψεις,
συναισθήματα και οτιδήποτε άλλο.
02:46
Now, we don't know how
the neuronsνευρώνες in the brainεγκέφαλος are organizedδιοργάνωσε
59
154357
3764
Δεν γνωρίζουμε ακόμα
πώς οργανώνονται οι νευρώνες στον εγκέφαλο
02:50
to formμορφή networksδικτύων,
60
158145
1174
ώστε να δημιουργήσουν δίκτυα
02:51
and we don't know how
the biomoleculesβιομορίων are organizedδιοργάνωσε
61
159343
2500
και δεν γνωρίζουμε
πώς οργανώνονται τα βιομόρια
02:53
withinστα πλαίσια neuronsνευρώνες
62
161867
1174
μέσα στους νευρώνες
02:55
to formμορφή these complexσυγκρότημα, organizedδιοργάνωσε machinesμηχανές.
63
163065
2405
ώστε να φτιάξουν αυτές τις περίπλοκες,
οργανωμένες μηχανές.
Εάν θέλουμε όντως να το καταλάβουμε,
02:57
If we really want to understandκαταλαβαίνουν this,
64
165918
1820
02:59
we're going to need newνέος technologiesτεχνολογίες.
65
167762
1817
θα χρειαστούμε καινούργιες τεχνολογίες.
03:01
But if we could get suchτέτοιος mapsχάρτες,
66
169603
1784
Εάν είχαμε όμως τέτοιους χάρτες,
αν μπορούσαμε να δούμε την οργάνωση
των κυττάρων και των νευρώνων,
03:03
if we could look at the organizationοργάνωση
of moleculesμόρια and neuronsνευρώνες
67
171411
2943
03:06
and neuronsνευρώνες and networksδικτύων,
68
174378
1566
των νευρώνων και των δικτύων,
03:07
maybe we could really understandκαταλαβαίνουν
how the brainεγκέφαλος conductsδιεξάγει informationπληροφορίες
69
175968
3437
ίσως καταλαβαίναμε πραγματικά
πώς μεταφέρεται η πληροφορία στον εγκέφαλο
από τα αισθητήρια όργανα,
03:11
from sensoryαισθητήριος regionsπεριοχές,
70
179429
1167
03:12
mixesαναμιγνύει it with emotionσυναισθημα and feelingσυναισθημα,
71
180620
1736
την αναμειγνύει με συναισθήματα,
03:14
and generatesδημιουργεί our decisionsαποφάσεων and actionsΕνέργειες.
72
182380
2394
και παράγει τις αποφάσεις
και τις δράσεις μας.
03:17
Maybe we could pinpointαιχμή the exactακριβής setσειρά
of molecularμοριακός changesαλλαγές that occurσυμβούν
73
185131
3789
Ίσως εντοπίζαμε τις ακριβείς
μοριακές μεταβολές που εμφανίζονται
στις διαταραχές του εγκεφάλου.
03:20
in a brainεγκέφαλος disorderδιαταραχή.
74
188944
1202
03:22
And onceμια φορά we know how
those moleculesμόρια have changedάλλαξε,
75
190170
2822
Αν γνωρίζαμε τις μεταβολές στα κύτταρα,
εάν είχε αυξηθεί ο αριθμός τους
ή είχε αλλάξει η σύνθεσή τους,
03:25
whetherκατά πόσο they'veέχουν increasedαυξήθηκε in numberαριθμός
or changedάλλαξε in patternπρότυπο,
76
193016
2780
03:27
we could use those
as targetsστόχους for newνέος drugsφάρμακα,
77
195820
2939
ίσως τις χρησιμοποιήσαμε
ως στόχους για νέα φάρμακα,
03:30
for newνέος waysτρόπους of deliveringπαράδοση
energyενέργεια into the brainεγκέφαλος
78
198783
2271
για νέους τρόπους μεταφοράς
ενέργειας στον εγκέφαλο
03:33
in orderΣειρά to repairεπισκευή the brainεγκέφαλος
computationsυπολογισμών that are afflictedθρησκεία
79
201078
3880
για την επισκευή εγκεφαλικών
λειτουργιών που έχουν πληγεί
03:36
in patientsασθενείς who sufferυποφέρω
from brainεγκέφαλος disordersδιαταραχές.
80
204982
2299
σε ασθενείς που υποφέρουν
από εγκεφαλικές διαταραχές.
03:39
We'veΈχουμε all seenείδα lots of differentδιαφορετικός
technologiesτεχνολογίες over the last centuryαιώνας
81
207793
3243
Έχουμε δει πολλές διαφορετικές
τεχνολογίες τον τελευταίο αιώνα
που επιχειρούν το ίδιο.
03:43
to try to confrontαντιμετωπίζω this.
82
211060
1166
03:44
I think we'veέχουμε all seenείδα brainεγκέφαλος scansσαρώνει
83
212250
1880
Όλοι έχουμε δει εγκεφαλογραφήματα
03:46
takenληφθεί usingχρησιμοποιώντας MRIΜΑΓΝΗΤΙΚΉ ΤΟΜΟΓΡΑΦΊΑ machinesμηχανές.
84
214154
2034
από μαγνητικούς τομογράφους.
03:48
These, of courseσειρά μαθημάτων, have the great powerεξουσία
that they are noninvasiveμη επεμβατική,
85
216212
3347
Αυτές έχουν το προφανές προνόμιο
να είναι μη-παρεμβατικές,
03:51
they can be used on livingζωή humanο άνθρωπος subjectsμαθήματα.
86
219583
2355
μπορούν να χρησιμοποιηθούν σε ανθρώπους.
03:54
But alsoεπίσης, they're spatiallyχωρικά crudeακατέργαστος.
87
222407
2231
Αλλά είναι, εξαιρετικά άξεστες.
03:56
EachΚάθε of these blobsκηλίδες that you see,
or voxelsvoxels, as they're calledπου ονομάζεται,
88
224662
2990
Κάθε μία από αυτές τις κηλίδες,
ογκοστοιχεία, όπως λέγονται,
03:59
can containπεριέχω millionsεκατομμύρια
and millionsεκατομμύρια of neuronsνευρώνες.
89
227676
2689
μπορεί να περιέχει εκατομμύρια
και εκατομμύρια νευρώνων.
Δεν έχει δηλαδή την ευκρίνεια
04:02
So it's not at the levelεπίπεδο of resolutionανάλυση
90
230389
1850
04:04
where it can pinpointαιχμή
the molecularμοριακός changesαλλαγές that occurσυμβούν
91
232263
2538
ώστε να εντοπίσουμε
τις μοριακές μεταβολές
04:06
or the changesαλλαγές in the wiringκαλωδίωση
of these networksδικτύων
92
234825
2286
ή τις αλλαγές στις συνδέσεις
αυτών των δικτύων
04:09
that contributesσυμβάλλει to our abilityικανότητα
to be consciousσυνειδητός and powerfulισχυρός beingsόντα.
93
237135
3946
που ενισχύουν στην ικανότητά μας
να είμαστε συνειδητά και δυνατά όντα.
04:13
At the other extremeάκρο,
you have microscopesμικροσκόπια.
94
241797
3181
Στο άλλο άκρο, υπάρχουν τα μικροσκόπια.
04:17
MicroscopesΜικροσκόπια, of courseσειρά μαθημάτων, will use lightφως
to look at little tinyμικροσκοπικός things.
95
245002
3295
Τα μικροσκόπια χρησιμοποιούν φως
για να δουν μικροσκοπικά πράγματα.
04:20
For centuriesαιώνες, they'veέχουν been used
to look at things like bacteriaβακτήρια.
96
248321
3075
Τα χρησιμοποιούμε αιώνες τώρα
για την παρατήρηση βακτηρίων.
04:23
For neuroscienceνευροεπιστήμη,
97
251420
1151
Στη νευροεπιστήμη,
04:24
microscopesμικροσκόπια are actuallyπράγματι how neuronsνευρώνες
were discoveredανακαλύφθηκε in the first placeθέση,
98
252595
3412
τα μικροσκόπια ευθύνονται
για την ανακάλυψη των νευρώνων,
πριν περίπου 130 χρόνια.
04:28
about 130 yearsχρόνια agoπριν.
99
256031
1292
04:29
But lightφως is fundamentallyθεμελιωδώς limitedπεριωρισμένος.
100
257347
2318
Αλλά το φως είναι εξ ορισμού περιορισμένο.
04:31
You can't see individualάτομο moleculesμόρια
with a regularτακτικός oldπαλαιός microscopeμικροσκόπιο.
101
259689
3298
Δεν μπορείς να δεις τα μικρότερα
μόρια με οποιοδήποτε μικροσκόπιο.
Δεν μπορείς να δεις αυτές
τις μικρές συνδέσεις.
04:35
You can't look at these tinyμικροσκοπικός connectionsσυνδέσεις.
102
263011
2152
04:37
So if we want to make our abilityικανότητα
to see the brainεγκέφαλος more powerfulισχυρός,
103
265187
3942
Αν θέλουμε να βελτιωθεί η δυνατότητα μας
να εξετάζουμε τον εγκέφαλο,
04:41
to get down to the groundέδαφος truthαλήθεια structureδομή,
104
269153
2168
να ανακαλύψουμε την πραγματική αλήθεια,
04:43
we're going to need to have
even better technologiesτεχνολογίες.
105
271345
3280
θα χρειαστούμε ακόμα
καλύτερες τεχνολογίες.
04:47
My groupομάδα, a coupleζευγάρι yearsχρόνια agoπριν,
startedξεκίνησε thinkingσκέψη:
106
275611
2224
Πριν μερικά χρόνια,
ξεκινήσαμε να σκεφτόμαστε:
Γιατί δεν κάνουμε το αντίθετο;
04:49
Why don't we do the oppositeαπεναντι απο?
107
277859
1412
04:51
If it's so darnκαταριέται complicatedπερίπλοκος
to zoomανίπταμαι διαγωνίως in to the brainεγκέφαλος,
108
279295
2461
Αν είναι τόσο περίπλοκο
να ζουμάρουμε στον εγκέφαλο,
04:53
why can't we make the brainεγκέφαλος biggerμεγαλύτερος?
109
281780
1943
γιατί να μην μεγαλώσουμε τον εγκέφαλο;
04:56
It initiallyαρχικά startedξεκίνησε
110
284166
1155
Αρχικά ξεκίνησε
με δύο μεταπτυχιακούς φοιτητές,
τους Φέι Τσεν και Πολ Τίλμπεργκ.
04:57
with two gradGrad studentsΦοιτητές in my groupομάδα,
FeiFei ChenΤσεν and PaulΟ Παύλος TillbergTillberg.
111
285345
2996
Πλέον πολλοί άλλοι στην ομάδα μου
βοηθούν στην έρευνα.
05:00
Now manyΠολλά othersοι υπολοιποι in my groupομάδα
are helpingβοήθεια with this processεπεξεργάζομαι, διαδικασία.
112
288365
2720
Αποφασίσαμε να δούμε αν μπορούμε
να πάρουμε πολυμερή,
05:03
We decidedαποφασισμένος to try to figureεικόνα out
if we could take polymersπολυμερή,
113
291109
2762
όπως αυτά στις πάνες των μωρών,
05:05
like the stuffυλικό in the babyμωρό diaperπάνα,
114
293895
1629
και να τα τοποθετήσουμε στον εγκέφαλο.
05:07
and installεγκαθιστώ it physicallyφυσικώς
withinστα πλαίσια the brainεγκέφαλος.
115
295548
2006
Αν το κάναμε σωστά και προσθέταμε νερό,
05:09
If we could do it just right,
and you addπροσθέτω waterνερό,
116
297578
2241
θα μπορούσαμε να διογκώσουμε τον εγκέφαλο
05:11
you can potentiallyενδεχομένως blowπλήγμα the brainεγκέφαλος up
117
299843
1835
05:13
to where you could distinguishδιακρίνω
those tinyμικροσκοπικός biomoleculesβιομορίων from eachκαθε other.
118
301702
3377
τόσο που θα διακρίνονται τα μικροσκοπικά
βιομόρια το ένα από το άλλο.
05:17
You would see those connectionsσυνδέσεις
and get mapsχάρτες of the brainεγκέφαλος.
119
305103
2870
Θα βλέπαμε τις συνδέσεις
και θα είχαμε εγκεφαλικούς χάρτες.
05:19
This could potentiallyενδεχομένως be quiteαρκετά dramaticδραματικός.
120
307997
1988
Αυτό μπορεί να είναι σχετικά σοκαριστικό.
05:22
We broughtέφερε a little demodemo here.
121
310009
3008
Σας έχουμε φέρει μια παρουσίαση.
05:25
We got some purifiedκαθαρισμένο babyμωρό diaperπάνα materialυλικό.
122
313538
2575
Έχουμε απολυσμάμενο υλικό πάνων μωρού.
05:28
It's much easierευκολότερη
just to buyαγορά it off the InternetΣτο διαδίκτυο
123
316137
2274
Είναι πολύ πιο εύκολο
να το αγοράσεις στο Ίντερνετ
05:30
than to extractεκχύλισμα the fewλίγοι grainsGrains (Κόκκοι)
that actuallyπράγματι occurσυμβούν in these diapersπάνες.
124
318435
3475
από το να διαχωρίσεις τις μικροσκοπικές
ποσότητες που υπάρχουν στις πάνες.
05:33
I'm going to put just one teaspoonκ.γ. here
125
321934
2225
Θα βάλω μόνο ένα κουταλάκι του γλυκού
05:36
of this purifiedκαθαρισμένο polymerπολυμερές.
126
324706
1794
από αυτό το καθαρισμένο πολυμερές.
05:39
And here we have some waterνερό.
127
327270
2152
Εδώ έχουμε λίγο νερό,
05:41
What we're going to do
128
329446
1162
Αυτό που θα κάνουμε
05:42
is see if this teaspoonκ.γ.
of the babyμωρό diaperπάνα materialυλικό
129
330632
3011
είναι να δούμε αν αυτή η κουταλιά
του υλικού της πάνας
05:45
can increaseαυξάνουν in sizeμέγεθος.
130
333667
1709
μπορεί να μεγαλώσει σε μέγεθος.
05:48
You're going to see it increaseαυξάνουν in volumeΕνταση ΗΧΟΥ
by about a thousandfoldχίλιες φορές
131
336687
3696
Θα δείτε να αυξάνεται σε όγκο
κατά περίπου χίλιες φορές
05:52
before your very eyesμάτια.
132
340407
1286
μπροστά στα μάτια σας.
06:01
I could pourχύνω much more of this in there,
133
349597
1972
Θα μπορούσα να προσθέσω πολύ περισσότερο
06:03
but I think you've got the ideaιδέα
134
351593
1558
αλλά νομίζω πως πιάσατε το νόημα
06:05
that this is a very,
very interestingενδιαφέρων moleculeμόριο,
135
353175
2502
πως αυτό είναι ένα πάρα
πολύ ενδιαφέρον υλικό,
06:07
and if can use it in the right way,
136
355701
1912
και εάν χρησιμοποιηθεί σωστά,
ίσως μπορούμε να μεγενθύνουμε τον εγκέφαλο
06:09
we mightθα μπορούσε be ableικανός
to really zoomανίπταμαι διαγωνίως in on the brainεγκέφαλος
137
357637
2321
με τρόπο που δεν μπορούσαμε
με τις προηγούμενες τεχνολογίες.
06:11
in a way that you can't do
with pastτο παρελθόν technologiesτεχνολογίες.
138
359982
2594
06:15
OK. So a little bitκομμάτι of chemistryχημεία now.
139
363227
2054
Εντάξει. Ώρα για λίγη χημεία τώρα.
06:17
What's going on
in the babyμωρό diaperπάνα polymerπολυμερές?
140
365305
2442
Τι συμβαίνει στο πολυμερές της πάνας;
06:19
If you could zoomανίπταμαι διαγωνίως in,
141
367771
1676
Αν μπορούσαμε να το δούμε από κοντά
06:21
it mightθα μπορούσε look something like
what you see on the screenοθόνη.
142
369471
2673
ίσως βλέπαμε κάτι
σαν αυτό που βλέπετε στην οθόνη.
06:24
PolymersΠολυμερή are chainsαλυσίδες of atomsάτομα
arrangedδιατεταγμένα in long, thinλεπτός linesγραμμές.
143
372168
4492
Τα πολυμερή είναι αλυσίδες ατόμων
τοποθετημένα σε μακριές, λεπτές γραμμές.
Οι αλυσίδες είναι πολύ μικρές,
06:28
The chainsαλυσίδες are very tinyμικροσκοπικός,
144
376684
1367
06:30
about the widthπλάτος of a biomoleculeβιομορίου,
145
378075
1864
έχουν σχεδόν το πλάτος ενός βιομορίου,
και αυτά τα πολυμερή είναι πολύ πυκνά.
06:31
and these polymersπολυμερή are really denseπυκνός.
146
379963
1747
06:33
They're separatedσε διασταση by distancesαποστάσεις
147
381734
1500
Χωρίζονται από αποστάσεις
περίπου στο μέγεθος ενός βιομορίου.
06:35
that are around the sizeμέγεθος of a biomoleculeβιομορίου.
148
383258
2252
06:37
This is very good
149
385534
1165
Αυτό είναι πολύ καλό
06:38
because we could potentiallyενδεχομένως
moveκίνηση everything apartχώρια in the brainεγκέφαλος.
150
386723
3041
επειδή ίσως μπορούμε
να ξεχωρίσουμε το εσωτερικό του εγκεφάλου.
06:41
If we addπροσθέτω waterνερό, what will happenσυμβεί is,
151
389788
1848
Αν προσθέσουμε νερό
αυτό που θα συμβεί είναι
06:43
this swellableswellable materialυλικό
is going to absorbαπορροφώ the waterνερό,
152
391660
2515
το διογκωτικό υλικό
θα απορροφήσει το νερό
και οι πολυμερικές αλυσίδες θα χαλαρώσουν
06:46
the polymerπολυμερές chainsαλυσίδες will moveκίνηση
apartχώρια from eachκαθε other,
153
394199
2400
06:48
and the entireολόκληρος materialυλικό
is going to becomeγίνομαι biggerμεγαλύτερος.
154
396623
2634
και ολόκληρο το υλικό θα φουσκώσει.
06:51
And because these chainsαλυσίδες are so tinyμικροσκοπικός
155
399615
1814
Επειδή οι αλυσίδες είναι μικροσκοπικές
και χωρίζονται μόνο από μερικά βιομόρια,
06:53
and spacedαποστάσεις by biomolecularΒιομοριακών distancesαποστάσεις,
156
401453
2205
μπορούμε εν δυνάμει
να μεγενθύνουμε τον εγκέφαλο
06:55
we could potentiallyενδεχομένως blowπλήγμα up the brainεγκέφαλος
157
403682
2039
06:57
and make it bigμεγάλο enoughαρκετά to see.
158
405745
1633
αρκετά ώστε να τον εξετάσουμε.
07:00
Here'sΕδώ είναι the mysteryμυστήριο, then:
159
408020
1240
Ιδού το μυστήριο λοιπόν:
Πώς τοποθετούμε αυτές
τις αλυσίδες πολυμερούς στον εγκέφαλο
07:01
How do we actuallyπράγματι make
these polymerπολυμερές chainsαλυσίδες insideμέσα the brainεγκέφαλος
160
409284
3610
ώστε να δημιουργήσουμε απόσταση
ανάμεσα στα βιομόρια;
07:04
so we can moveκίνηση all the biomoleculesβιομορίων apartχώρια?
161
412918
2239
07:07
If we could do that,
162
415181
1151
Αν το καταφέρναμε,
07:08
maybe we could get
groundέδαφος truthαλήθεια mapsχάρτες of the brainεγκέφαλος.
163
416356
2397
ίσως είχαμε πραγματικούς
εγκεφαλικούς χάρτες.
Θα εξετάζαμε τις συνδέσεις.
07:10
We could look at the wiringκαλωδίωση.
164
418777
1389
Θα βλέπαμε το εσωτερικό του εγκεφάλου
και τα διαφορετικά βιομόρια.
07:12
We can peerομότιμων insideμέσα
and see the moleculesμόρια withinστα πλαίσια.
165
420190
3157
07:15
To explainεξηγώ this, we madeέκανε some animationsκινούμενα σχέδια
166
423925
2481
Για να το εξηγήσουμε,
φτιάξαμε κάποιες αναπαραστάσεις
07:18
where we actuallyπράγματι look
at, in these artistκαλλιτέχνης renderingsεπιδόσεις,
167
426430
2603
όπου βλέπουμε,
σε καλλιτεχνική αναπαράσταση,
07:21
what biomoleculesβιομορίων mightθα μπορούσε look
like and how we mightθα μπορούσε separateξεχωριστός them.
168
429057
3541
πώς ίσως να έμοιαζαν τα βιομόρια
και πώς θα τα διαχωρίζαμε.
07:24
StepΒήμα one: what we'dνυμφεύω have
to do, first of all,
169
432622
2549
Βήμα πρώτο: το πρώτο
που θα χρειαζόταν να κάνουμε
07:27
is attachσυνδέω everyκάθε biomoleculeβιομορίου,
shownαπεικονίζεται in brownκαφέ here,
170
435195
3389
είναι να συνδέσουμε το κάθε βιομόριο,
που εδώ φαίνεται καφέ,
07:30
to a little anchorάγκυρα, a little handleλαβή.
171
438608
2159
σε μια μικρή άγκυρα, έναν μικρό συνδετήρα.
07:32
We need to pullΤραβήξτε the moleculesμόρια
of the brainεγκέφαλος apartχώρια from eachκαθε other,
172
440791
3095
Πρέπει να απομακρύνουμε
τα βιομόρια του εγκεφάλου,
για να γίνει αυτό
χρειάζεται ένα συνδετικό υλικό
07:35
and to do that, we need
to have a little handleλαβή
173
443910
2326
07:38
that allowsεπιτρέπει those polymersπολυμερή to bindδένω to them
174
446260
2285
που θα επιτρέψει στα πολυμερή
να προσκολληθούν
07:40
and to exertασκήσουν theirδικα τους forceδύναμη.
175
448569
1542
και να δράσουν.
07:43
Now, if you just take babyμωρό diaperπάνα
polymerπολυμερές and dumpεγκαταλείπω it on the brainεγκέφαλος,
176
451278
3161
Εάν όμως απλά βάλεις
το πολυμερές της πάνας στον εγκέφαλο,
προφανώς, θα μείνει στην επιφάνεια.
07:46
obviouslyπροφανώς, it's going to sitκαθίζω there on topμπλουζα.
177
454463
2037
07:48
So we need to find a way
to make the polymersπολυμερή insideμέσα.
178
456524
2528
Οπότε πρέπει κάπως
να βάλουμε το πολυμερές μέσα.
07:51
And this is where we're really luckyτυχερός.
179
459076
1788
Εδώ ήμασταν τυχεροί.
Αποδείχθηκε πως μπορείς
να πάρεις τις δομικές μονάδες
07:52
It turnsστροφές out, you can
get the buildingΚτίριο blocksμπλοκ,
180
460888
2188
07:55
monomersμονομερή, as they're calledπου ονομάζεται,
181
463100
1372
-που λέγονται μονομερή-
και αν τα βάλεις στον εγκέφαλο
07:56
and if you let them go into the brainεγκέφαλος
182
464496
1784
και προκαλέσεις χημικές αντιδράσεις
07:58
and then triggerδώσει το έναυσμα για the chemicalχημική ουσία reactionsαντιδράσεις,
183
466304
2036
08:00
you can get them to formμορφή
those long chainsαλυσίδες,
184
468364
2702
θα δημιουργήσουν
αυτές τις μακριές αλυσίδες,
08:03
right there insideμέσα the brainεγκέφαλος tissueιστός.
185
471090
1798
ακριβώς μέσα στον εγκεφαλικό ιστό.
08:05
They're going to windάνεμος theirδικα τους way
around biomoleculesβιομορίων
186
473325
2397
Θα πλεχτούν γύρω από τα βιομόρια
και ανάμεσα σε αυτά,
08:07
and betweenμεταξύ biomoleculesβιομορίων,
187
475746
1221
08:08
formingσχηματίζοντας those complexσυγκρότημα websεπίπεδες επιφάνειες
188
476991
1625
δημιουργώντας πολύπλοκους ιστούς
08:10
that will allowεπιτρέπω you, eventuallyτελικά,
to pullΤραβήξτε apartχώρια the moleculesμόρια
189
478640
2862
που τελικά θα επιτρέψουν τον διαχωρισμό
του ενός βιομορίου από το άλλο.
08:13
from eachκαθε other.
190
481526
1175
Κάθε φορά που κάποιος από αυτούς
τους συνδετήρες βρίσκεται κοντά,
08:14
And everyκάθε time one
of those little handlesλαβές is around,
191
482725
3054
08:17
the polymerπολυμερές will bindδένω to the handleλαβή,
and that's exactlyακριβώς what we need
192
485803
3350
το πολυμερές θα συνδέεται,
όπως ακριβώς χρειαζόμαστε
08:21
in orderΣειρά to pullΤραβήξτε the moleculesμόρια
apartχώρια from eachκαθε other.
193
489177
2531
ώστε να απομακρύνουμε
το ένα βιομόριο από το άλλο.
08:23
All right, the momentστιγμή of truthαλήθεια.
194
491732
1693
Εντάξει, ήρθε η στιγμή της αλήθειας.
08:25
We have to treatκέρασμα this specimenδείγμα
195
493449
2148
Πρέπει να επεξεργαστούμε αυτό το υλικό
08:27
with a chemicalχημική ουσία to kindείδος of loosenχαλαρώσει up
all the moleculesμόρια from eachκαθε other,
196
495621
3446
με ένα χημικό ώστε να χαλαρώσουμε
τους δεσμούς βιομορίων,
08:31
and then, when we addπροσθέτω waterνερό,
197
499091
1836
και τότε, όταν προσθέσουμε νερό
08:32
that swellableswellable materialυλικό is going
to startαρχή absorbingαπορρόφηση the waterνερό,
198
500951
2953
το διογκωτικό υλικό
θα αρχίσει να απορροφά το νερό,
οι πολυμερικές αλυσίδες θα χαλαρώσουν,
08:35
the polymerπολυμερές chainsαλυσίδες will moveκίνηση apartχώρια,
199
503928
1703
08:37
but now, the biomoleculesβιομορίων
will come alongκατά μήκος for the rideβόλτα.
200
505655
2722
αλλά, αυτή τη φορά,
τα βιομόρια θα ακολουθήσουν.
08:40
And much like drawingσχέδιο
a pictureεικόνα on a balloonμπαλόνι,
201
508401
2164
Όπως μια ζωγραφιά πάνω σε μπαλόνι,
08:42
and then you blowπλήγμα up the balloonμπαλόνι,
202
510589
1587
που όταν σκας το μπαλόνι,
08:44
the imageεικόνα is the sameίδιο,
203
512200
1290
παραμένει ίδια,
08:45
but the inkμελάνι particlesσωματίδια have movedμετακινήθηκε
away from eachκαθε other.
204
513514
2548
αλλά τα σωματίδια του μελανιού
έχουν διαχωριστεί.
08:48
And that's what we'veέχουμε been ableικανός
to do now, but in threeτρία dimensionsδιαστάσεις.
205
516086
3467
Αυτό έχουμε καταφέρει,
αλλά σε τρεις διαστάσεις.
Υπάρχει ένα τελευταίο κόλπο.
08:51
There's one last trickτέχνασμα.
206
519577
1999
08:53
As you can see here,
207
521600
1218
Όπως μπορείτε να δείτε,
08:54
we'veέχουμε color-codedέγχρωμο
all the biomoleculesβιομορίων brownκαφέ.
208
522842
2109
Έχουμε χρωματίσει όλα τα βιομόρια καφέ.
08:56
That's because they all
kindείδος of look the sameίδιο.
209
524975
2170
Αυτό γιατί μοιάζουν πολύ μεταξύ τους.
08:59
BiomoleculesΒιομορίων are madeέκανε
out of the sameίδιο atomsάτομα,
210
527169
2105
Τα βιομόρια αποτελούνται
από το ίδιο άτομο,
09:01
but just in differentδιαφορετικός ordersπαραγγελίες.
211
529298
2240
απλώς σε διαφορετικές σειρές.
09:03
So we need one last thing
212
531562
1500
Οπότε χρειαζόμαστε κάτι ακόμα
09:05
in orderΣειρά to make them visibleορατός.
213
533086
1695
ώστε να τα κάνουμε διακριτά.
09:06
We have to bringνα φερεις in little tagsΕτικέτες,
214
534805
1579
Πρέπει να βάλουμε ταμπελίτσες
09:08
with glowingλαμπερό dyesβαφές
that will distinguishδιακρίνω them.
215
536408
3019
με φωσφορίζοντα χρώματα
που θα τα ξεχωρίζουν.
09:11
So one kindείδος of biomoleculeβιομορίου
mightθα μπορούσε get a blueμπλε colorχρώμα.
216
539451
2673
Οπότε ένα είδος μορίου θα είναι μπλε.
09:14
AnotherΈνα άλλο kindείδος of biomoleculeβιομορίου
mightθα μπορούσε get a redτο κόκκινο colorχρώμα.
217
542148
2351
Ένα άλλο είδος θα είναι κόκκινο.
09:16
And so forthΕμπρός.
218
544523
1276
και ούτω καθεξής.
09:17
And that's the finalτελικός stepβήμα.
219
545823
1552
Αυτό είναι το τελευταίο βήμα.
09:19
Now we can look at something like a brainεγκέφαλος
220
547399
2278
Τώρα μπορούμε να κοιτάξουμε
κάτι όπως ο εγκέφαλος
09:21
and look at the individualάτομο moleculesμόρια,
221
549701
1796
και να δούμε τα διαφορετικά μόρια
επειδή τα έχουμε απομακρύνει αρκετά
το ένα από το άλλο
09:23
because we'veέχουμε movedμετακινήθηκε them
farμακριά apartχώρια enoughαρκετά from eachκαθε other
222
551521
2707
ώστε μπορούμε να τα διαχωρίσουμε.
09:26
that we can tell them apartχώρια.
223
554252
1698
09:27
So the hopeελπίδα here is that
we can make the invisibleαόρατος visibleορατός.
224
555974
2834
Ελπίζουμε λοιπόν, πως μπορούμε
να κάνουμε το αόρατο, ορατό.
09:30
We can turnστροφή things that mightθα μπορούσε seemφαίνομαι
smallμικρό and obscureσκοτεινές
225
558832
2566
Πως μπορούμε να πάρουμε
κάτι μικρό και δυσδιάκριτο
09:33
and blowπλήγμα them up
226
561422
1151
και να το μεγεθύνουμε
09:34
untilμέχρις ότου they're like constellationsΑστερισμοί
of informationπληροφορίες about life.
227
562597
3177
μέχρι να είναι σαν αστερισμός
πληροφοριών για τη ζωή.
Τώρα θα δείτε ένα βίντεο
του πώς μπορεί να μοιάζει.
09:37
Here'sΕδώ είναι an actualπραγματικός videoβίντεο
of what it mightθα μπορούσε look like.
228
565798
2375
09:40
We have here a little brainεγκέφαλος in a dishπιάτο --
229
568197
2371
Έχουμε έναν μικρό εγκέφαλο
σε ένα τρυβλίο -
ένα μικρό κομμάτι εγκεφάλου.
09:42
a little pieceκομμάτι of a brainεγκέφαλος, actuallyπράγματι.
230
570592
1747
Τοποθετήσαμε το πολυμερές,
09:44
We'veΈχουμε infusedαρωματισμένο the polymerπολυμερές in,
231
572363
1596
09:45
and now we're addingπροσθέτωντας waterνερό.
232
573983
1467
και τώρα προσθέτουμε νερό.
09:47
What you'llθα το κάνετε see is that,
right before your eyesμάτια --
233
575474
2358
Αυτό που θα δείτε μπροστά στα μάτια σας
-το βίντεο έχει επιταχυνθεί εξήντα φορές -
09:49
this videoβίντεο is spedεπιτάχυνε up about sixtyfoldsixtyfold --
234
577856
1923
09:51
this little pieceκομμάτι of brainεγκέφαλος tissueιστός
is going to growκαλλιεργώ.
235
579803
2725
αυτό το μικρό κομμάτι εγκεφάλου
θα μεγαλώσει.
09:54
It can increaseαυξάνουν by a hundredfoldεκατονταπλάσιο
or even more in volumeΕνταση ΗΧΟΥ.
236
582552
3180
Μπορεί να μεγαλώσει εκατοντάδες φορές
ή ακόμη περισσότερο σε όγκο.
09:57
And the coolδροσερός partμέρος is, because
those polymersπολυμερή are so tinyμικροσκοπικός,
237
585756
2949
Το φοβερό είναι, πως επειδή τα βιομόρια
είναι τόσο μικρά,
10:00
we're separatingδιαχωρίζοντας biomoleculesβιομορίων
evenlyομοιόμορφα from eachκαθε other.
238
588729
2559
τα διαχωρίζουμε σε ίσες αποστάσεις
μεταξύ τους.
10:03
It's a smoothλείος expansionεπέκταση.
239
591312
1658
Είναι μια ομαλή επέκταση.
10:04
We're not losingχάνοντας the configurationρύθμιση παραμέτρων
of the informationπληροφορίες.
240
592994
2687
Δεν χαλάμε την οργάνωση της πληροφορίας.
Την κάνουμε απλώς πιο ευδιάκριτη.
10:07
We're just makingκατασκευή it easierευκολότερη to see.
241
595705
2700
Τώρα μπορούμε να δούμε ένα
πραγματικό εγκεφαλικό κύκλωμα
10:11
So now we can take
actualπραγματικός brainεγκέφαλος circuitryκυκλώματα --
242
599333
2176
10:13
here'sεδώ είναι a pieceκομμάτι of the brainεγκέφαλος
involvedεμπλεγμένος with, for exampleπαράδειγμα, memoryμνήμη --
243
601533
3134
-αυτό είναι ένα μέρος του εγκεφάλου
που ασχολείται με τη μνήμη -
10:16
and we can zoomανίπταμαι διαγωνίως in.
244
604691
1263
μπορούμε να το μεγεθύνουμε.
10:17
We can startαρχή to actuallyπράγματι look at
how circuitsκυκλώματα are configuredέχει ρυθμιστεί.
245
605978
2890
Μπορούμε να εξετάσουμε
πώς είναι οργανωμένα τα κυκλώματα.
Ίσως κάποια στιγμή
διαβάσουμε μια ανάμνηση,
10:20
Maybe somedayκάποια μέρα we could readανάγνωση out a memoryμνήμη.
246
608892
1968
10:22
Maybe we could actuallyπράγματι look
at how circuitsκυκλώματα are configuredέχει ρυθμιστεί
247
610884
2779
ή να δούμε πώς είναι
οργανωμένα τα κυκλώματα
ώστε να επεξεργαστούν συναισθήματα,
10:25
to processεπεξεργάζομαι, διαδικασία emotionsσυναισθήματα,
248
613687
1152
10:26
how the actualπραγματικός wiringκαλωδίωση
of our brainεγκέφαλος is organizedδιοργάνωσε
249
614863
2922
ποια είναι η πραγματική δομή
των εγκεφαλικών ενώσεων
10:29
in orderΣειρά to make us who we are.
250
617809
2567
ώστε να μας κάνουν αυτούς που είμαστε.
10:32
And of courseσειρά μαθημάτων, we can pinpointαιχμή, hopefullyελπίζω,
251
620400
2047
Φυσικά, ελπίζουμε πως θα εντοπίσουμε
10:34
the actualπραγματικός problemsπροβλήματα in the brainεγκέφαλος
at a molecularμοριακός levelεπίπεδο.
252
622471
3159
πραγματικά εγκεφαλικά προβλήματα
σε μοριακό επίπεδο.
10:37
What if we could actuallyπράγματι
look into cellsκυττάρων in the brainεγκέφαλος
253
625654
2569
Τι θα γινόταν αν μπορούσαμε
να εξετάσουμε τα κύτταρα και να βρούμε,
10:40
and figureεικόνα out, wowΟυάου, here are the 17
moleculesμόρια that have alteredμεταβληθεί
254
628247
3083
παραδείγματος χάριν,
ότι 17 μόρια έχουν αλλοιωθεί
10:43
in this brainεγκέφαλος tissueιστός that has been
undergoingπου υποβάλλονται σε epilepsyεπιληψία
255
631354
3455
σε αυτόν τον εγκεφαλικό ιστό
που περνάει επιληπτική κρίση
10:46
or changingαλλάζοντας in Parkinson'sΗ νόσος του Πάρκινσον diseaseασθένεια
256
634833
1650
ή σύνδρομο Πάρκινσον
10:48
or otherwiseσε διαφορετική περίπτωση beingνα εισαι alteredμεταβληθεί?
257
636507
1517
ή με οποιοδήποτε άλλο τρόπο;
10:50
If we get that systematicσυστηματική listλίστα
of things that are going wrongλανθασμένος,
258
638048
3043
Εάν φτιάξουμε μια λίστα
με όλα τα προβλήματα,
10:53
those becomeγίνομαι our therapeuticθεραπευτικός targetsστόχους.
259
641115
2199
αυτά γίνονται στόχοι για θεραπείες.
10:55
We can buildχτίζω drugsφάρμακα that bindδένω those.
260
643338
1677
Ίσως φτιάξουμε φάρμακα γι' αυτά.
10:57
We can maybe aimσκοπός energyενέργεια
at differentδιαφορετικός partsεξαρτήματα of the brainεγκέφαλος
261
645039
2627
Ίσως στοχεύσουμε ενέργεια
σε διαφορετικά σημεία
10:59
in orderΣειρά to help people
with Parkinson'sΗ νόσος του Πάρκινσον or epilepsyεπιληψία
262
647690
2687
ώστε να βοηθήσουμε ανθρώπους
με Πάρκινσον ή επιληψία
ή άλλες ασθένειες που πλήττουν
δισεκατομμύρια ανθρώπους
11:02
or other conditionsσυνθήκες that affectεπηρεάζουν
over a billionδισεκατομμύριο people
263
650401
2551
σε όλο τον κόσμο.
11:04
around the worldκόσμος.
264
652976
1213
11:07
Now, something interestingενδιαφέρων
has been happeningσυμβαίνει.
265
655246
2206
Τον τελευταίο καιρό
συμβαίνει κάτι ενδιαφέρον.
11:09
It turnsστροφές out that throughoutκαθόλη τη διάρκεια biomedicineΒιοϊατρική,
266
657476
2705
Αποδεικνύεται πως στη βιοϊατρική
υπάρχουν αρκετά προβλήματα
που μπορούν να λυθούν με την επέκταση.
11:12
there are other problemsπροβλήματα
that expansionεπέκταση mightθα μπορούσε help with.
267
660205
2666
11:14
This is an actualπραγματικός biopsyβιοψία
from a humanο άνθρωπος breastστήθος cancerΚαρκίνος patientυπομονετικος.
268
662895
3234
Αυτή είναι μια πραγματική βιοψία ασθενούς
με καρκίνο του μαστού.
11:18
It turnsστροφές out that if you look at cancersκαρκίνους,
269
666505
2188
Αν εξετάσεις τα καρκινώματα,
11:20
if you look at the immuneαπρόσβλητος systemΣύστημα,
270
668717
1611
το ανοσοποιητικό σύστημα,
11:22
if you look at agingγηράσκων,
if you look at developmentανάπτυξη --
271
670352
2513
τη γήρανση, την ανάπτυξη,
11:24
all these processesδιαδικασίες are involvingμε τη συμμετοχή
large-scaleμεγάλης κλίμακας biologicalβιολογικός systemsσυστήματα.
272
672889
4497
όλες αυτές οι λειτουργίες περιλαμβάνουν
αχανή βιολογικά συστήματα.
11:29
But of courseσειρά μαθημάτων, the problemsπροβλήματα beginαρχίζουν
with those little nanoscaleνανοκλίμακα moleculesμόρια,
273
677410
4024
Αλλά φυσικά, τα προβλήματα ξεκινούν
από τα μικρά νανοειδή μόρια,
11:33
the machinesμηχανές that make the cellsκυττάρων
and the organsόργανα in our bodyσώμα tickτσιμπούρι.
274
681458
3869
τις μηχανές που κάνουν τα κύτταρα
και τα όργανα του σώματος να λειτουργούν.
11:37
So what we're tryingπροσπαθεί
to do now is to figureεικόνα out
275
685351
2222
Προσπαθούμε λοιπόν να καταλάβουμε
εάν με τη χρήση αυτής της τεχνολογίας
11:39
if we can actuallyπράγματι use this technologyτεχνολογία
to mapχάρτης the buildingΚτίριο blocksμπλοκ of life
276
687597
3466
μπορούμε να χαρτογραφήσουμε
τα δομικά στοιχεία της ζωής
11:43
in a wideευρύς varietyποικιλία of diseasesασθένειες.
277
691087
1745
σε ευρεία γκάμα ασθενειών.
11:44
Can we actuallyπράγματι pinpointαιχμή
the molecularμοριακός changesαλλαγές in a tumorόγκος
278
692856
2896
Μπορούμε να εντοπίσουμε
τις μοριακές αλλαγές σε έναν όγκο
11:47
so that we can actuallyπράγματι
go after it in a smartέξυπνος way
279
695776
2369
ώστε να τον κυνηγήσουμε έξυπνα
11:50
and deliverπαραδίδω drugsφάρμακα that mightθα μπορούσε wipeσκουπίζω out
exactlyακριβώς the cellsκυττάρων that we want to?
280
698169
3944
και να χορηγήσουμε φάρμακα που μπορούν
να καταστρέψουν τα κύτταρα που θέλουμε;
11:54
You know, a lot of medicineφάρμακο
is very highυψηλός riskκίνδυνος.
281
702137
2335
Ξέρετε, η ιατρική πολλές φορές
είναι ριψοκίνδυνη.
11:56
SometimesΜερικές φορές, it's even guessworkεικασία.
282
704496
1782
Μερικές φορές, απλά μαντεύουμε.
11:58
My hopeελπίδα is we can actuallyπράγματι turnστροφή
what mightθα μπορούσε be a high-riskυψηλού κινδύνου moonφεγγάρι shotβολή
283
706626
3875
Εγώ ελπίζω ότι μπορούμε να μετατρέψουμε
μια ριψοκίνδυνη αποστολή
12:02
into something that's more reliableαξιόπιστος.
284
710525
1769
σε κάτι πιο έμπιστο.
12:04
If you think about the originalπρωτότυπο moonφεγγάρι shotβολή,
285
712318
2055
Αν σκεφτείτε την πρώτη αποστολή
στο φεγγάρι,
όταν προσεδαφίστηκαν στη Σελήνη,
12:06
where they actuallyπράγματι landedπροσγειώθηκε on the moonφεγγάρι,
286
714397
1898
βασίστηκαν στην επιστήμη.
12:08
it was basedμε βάση on solidστερεός scienceεπιστήμη.
287
716319
1444
12:09
We understoodκατανοητή gravityβαρύτητα;
288
717787
1603
Κατανοήσαμε την βαρύτητα,
την αεροδυναμική,
12:11
we understoodκατανοητή aerodynamicsαεροδυναμική.
289
719414
1341
12:12
We knewήξερε how to buildχτίζω rocketsρουκέτες.
290
720779
1395
πώς να φτιάξουμε πυραύλους.
12:14
The scienceεπιστήμη riskκίνδυνος was underκάτω από controlέλεγχος.
291
722198
2468
Ο επιστημονικός κίνδυνος ήταν υπό έλεγχο.
12:16
It was still a great, great
featfeat of engineeringμηχανική.
292
724690
2753
Ήταν, φυσικά, ένα απίστευτο επίτευγμα
της μηχανικής.
12:19
But in medicineφάρμακο, we don't
necessarilyαναγκαίως have all the lawsτου νόμου.
293
727467
2645
Στην ιατρική όμως, δεν έχουμε ακόμα
όλους τους νόμους.
12:22
Do we have all the lawsτου νόμου
that are analogousανάλογη to gravityβαρύτητα,
294
730136
3109
Έχουμε νόμους που είναι ανάλογοι
προς την βαρύτητα,
12:25
that are analogousανάλογη to aerodynamicsαεροδυναμική?
295
733269
2344
ανάλογοι της αεροδυναμικής;
Πιστεύω πως με αυτές τις τεχνολογίες
12:27
I would argueλογομαχώ that with technologiesτεχνολογίες
296
735637
1730
12:29
like the kindsείδη I'm talkingομιλία about todayσήμερα,
297
737391
1872
όπως αυτή για την οποία σας μιλώ σήμερα,
12:31
maybe we can actuallyπράγματι deriveαντλώ those.
298
739287
1693
ίσως να τους ανακαλύψουμε.
Μπορούμε να χαρτογραφήσουμε τα μοτίβα
των ζωντανών οργανισμών
12:33
We can mapχάρτης the patternsσχέδια
that occurσυμβούν in livingζωή systemsσυστήματα,
299
741004
2857
12:35
and figureεικόνα out how to overcomeκαταβάλλω
the diseasesασθένειες that plagueπανούκλα us.
300
743885
4558
και να βρούμε πώς να ξεπεράσουμε
ασθένειες που μας πλήττουν.
Η γυναίκα μου και εγώ,
έχουμε δύο νέα παιδιά,
12:41
You know, my wifeγυναίκα and I
have two youngνεαρός kidsπαιδιά,
301
749499
2079
12:43
and one of my hopesελπίδες as a bioengineerbioengineer
is to make life better for them
302
751602
3234
και ελπίζω, ως εμβιομηχανικός,
να κάνω τη ζωή καλύτερη για αυτά
12:46
than it currentlyεπί του παρόντος is for us.
303
754860
1729
από ό,τι είναι για εμάς.
12:48
And my hopeελπίδα is, if we can
turnστροφή biologyβιολογία and medicineφάρμακο
304
756613
3730
Ελπίζω πως εάν μετατρέψουμε
τη βιολογία και την ιατρική
από ριψοκίνδυνες ενασχολήσεις
12:52
from these high-riskυψηλού κινδύνου endeavorsπροσπάθειες
that are governedκυβερνήθηκε by chanceευκαιρία and luckτυχη,
305
760367
4357
που καθορίζονται
από τις πιθανότητες και την τύχη,
12:56
and make them things
that we winνίκη by skillεπιδεξιότητα and hardσκληρά work,
306
764748
3927
σε κάτι που κερδίζεται με την ικανότητα
και τη σκληρή δουλειά,
αυτό θα ήταν μια εξαιρετική πρόοδος.
13:00
then that would be a great advanceπροκαταβολή.
307
768699
1898
13:02
Thank you very much.
308
770621
1206
Σας ευχαριστώ πολύ.
(Χειροκρότημα)
13:03
(ApplauseΧειροκροτήματα)
309
771851
10383
Translated by Greg Kavvadias
Reviewed by Stefanos Reppas

▲Back to top

ABOUT THE SPEAKER
Ed Boyden - Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute.

Why you should listen

Ed Boyden leads the Synthetic Neurobiology Group, which develops tools for analyzing and repairing complex biological systems such as the brain. His group applies these tools in a systematic way in order to reveal ground truth scientific understandings of biological systems, which in turn reveal radical new approaches for curing diseases and repairing disabilities. These technologies include expansion microscopy, which enables complex biological systems to be imaged with nanoscale precision, and optogenetic tools, which enable the activation and silencing of neural activity with light (TED Talk: A light switch for neurons). Boyden also co-directs the MIT Center for Neurobiological Engineering, which aims to develop new tools to accelerate neuroscience progress.

Amongst other recognitions, Boyden has received the Breakthrough Prize in Life Sciences (2016), the BBVA Foundation Frontiers of Knowledge Award (2015), the Carnegie Prize in Mind and Brain Sciences (2015), the Jacob Heskel Gabbay Award (2013), the Grete Lundbeck Brain Prize (2013) and the NIH Director's Pioneer Award (2013). He was also named to the World Economic Forum Young Scientist list (2013) and the Technology Review World's "Top 35 Innovators under Age 35" list (2006). His group has hosted hundreds of visitors to learn how to use new biotechnologies and spun out several companies to bring inventions out of his lab and into the world. Boyden received his Ph.D. in neurosciences from Stanford University as a Hertz Fellow, where he discovered that the molecular mechanisms used to store a memory are determined by the content to be learned. Before that, he received three degrees in electrical engineering, computer science and physics from MIT. He has contributed to over 300 peer-reviewed papers, current or pending patents and articles, and he has given over 300 invited talks on his group's work.

More profile about the speaker
Ed Boyden | Speaker | TED.com