TED@Merck KGaA, Darmstadt, Germany
Irina Kareva: Math can help uncover cancer's secrets
Ιρίνα Καρίβα: Τα μαθηματικά μπορούν να βοηθήσουν να αποκαλύψουμε τα μυστικά του καρκίνου
Filmed:
Readability: 5.8
1,223,313 views
Η Ιρίνα Καρίβα μεταφράζει από βιολογία σε μαθηματικά και το αντίθετο. Δημιουργεί μαθηματικά μοντέλα που περιγράφουν τις δυναμικές του καρκίνου, με σκοπό την εξέλιξη νέων φαρμάκων κατά των όγκων. «Η δύναμη και η ομορφιά των μαθηματικών μοντέλων είναι ότι μας επιτρέπει να επισημοποιήσουμε, με έναν ιδιαίτερα σχολαστικό τρόπο, ό,τι πιστεύουμε ότι γνωρίζουμε», λέει η Καρίβα. «Μπορούν να μας δείξουν προς τα που πρέπει να κοιτάξουμε και που μπορεί να υπάρχουν αδιέξοδα». Γιατί όλα εξαρτώνται από την κατάλληλη ερώτηση και τη μετάφρασή της στην κατάλληλη εξίσωση και το αντίθετο.
Irina Kareva - Theoretical biologist
Irina Kareva is looking for answers to biological questions using mathematical modeling. Full bio
Irina Kareva is looking for answers to biological questions using mathematical modeling. Full bio
Double-click the English transcript below to play the video.
00:12
I am a translator.
0
549
1243
Είμαι μεταφράστρια.
00:14
I translate from biology into mathematics
1
2514
3191
Μεταφράζω από βιολογία σε μαθηματικά
00:17
and vice versa.
2
5729
1150
και το αντίθετο.
00:19
I write mathematical models
3
7588
1790
Δημιουργώ μαθηματικά μοντέλα,
που στην περίπτωσή μου αφορούν
σύστημα διαφορετικών εξισώσεων
σύστημα διαφορετικών εξισώσεων
00:21
which, in my case, are systems
of differential equations,
of differential equations,
4
9402
2847
00:24
to describe biological mechanisms,
5
12273
1947
περιγραφής βιολογικών μηχανισμών,
00:26
such as cell growth.
6
14244
1158
όπως η ανάπτυξη των κυττάρων.
00:28
Essentially, it works like this.
7
16122
1848
Ουσιαστικά, λειτουργεί κάπως έτσι:
00:30
First, I identify the key elements
8
18573
2469
Αρχικά, προσδιορίζω τα βασικά στοιχεία
00:33
that I believe may be driving
behavior over time
behavior over time
9
21066
2777
που πιστεύω ότι οδηγούν
σε προοδευτική συμπεριφορά
σε προοδευτική συμπεριφορά
00:35
of a particular mechanism.
10
23867
1539
συγκεκριμένων μηχανισμών.
00:38
Then, I formulate assumptions
11
26230
1891
Κατόπιν, διατυπώνω συμπεράσματα
00:40
about how these elements
interact with each other
interact with each other
12
28145
2886
σχετικά με το πώς αυτά τα στοιχεία
αλληλεπιδρούν μεταξύ τους
αλληλεπιδρούν μεταξύ τους
00:43
and with their environment.
13
31055
1337
και με το περιβάλλον τους.
00:44
It may look something like this.
14
32916
1772
Κάπως έτσι δηλαδή.
00:46
Then, I translate
these assumptions into equations,
these assumptions into equations,
15
34712
3317
Στη συνέχεια, μεταφράζω
τα συμπεράσματα σε εξισώσεις,
τα συμπεράσματα σε εξισώσεις,
00:50
which may look something like this.
16
38610
1824
δηλαδή κάπως έτσι.
00:53
Finally, I analyze my equations
17
41434
1890
Τέλος, αναλύω τις εξισώσεις μου
00:55
and translate the results back
into the language of biology.
into the language of biology.
18
43348
3101
και μεταφράζω τα αποτελέσματα ξανά
στη γλώσσα της βιολογίας.
στη γλώσσα της βιολογίας.
01:00
A key aspect of mathematical modeling
19
48156
2420
Ένα βασικό στοιχείο
της μαθηματικής μοντελοποίησης
της μαθηματικής μοντελοποίησης
01:02
is that we, as modelers,
do not think about what things are;
do not think about what things are;
20
50600
3908
είναι ότι εμείς, ως δημιουργοί μοντέλων,
δεν σκεφτόμαστε τι είναι τα πράγματα,
δεν σκεφτόμαστε τι είναι τα πράγματα,
01:06
we think about what they do.
21
54532
1855
αλλά πώς λειτουργούν.
01:08
We think about relationships
between individuals,
between individuals,
22
56411
2489
Σκεφτόμαστε τις σχέσεις
που έχουν μεταξύ τους,
που έχουν μεταξύ τους,
01:10
whether they be cells, animals or people,
23
58924
2886
είτε είναι κύτταρα, ζώα ή άνθρωποι
01:13
and how they interact with each other
and with their environment.
and with their environment.
24
61834
3048
και πώς αλληλεπιδρούν μεταξύ τους
και με το περιβάλλον τους.
και με το περιβάλλον τους.
01:17
Let me give you an example.
25
65639
1340
Να σας δώσω ένα παράδειγμα.
01:19
What do foxes and immune cells
have in common?
have in common?
26
67719
3803
Τι κοινό έχουν οι αλεπούδες
με τα κύτταρα του ανοσοποιητικού;
με τα κύτταρα του ανοσοποιητικού;
01:24
They're both predators,
27
72793
1459
Είναι και τα δύο θηρευτές,
01:26
except foxes feed on rabbits,
28
74744
2723
μόνο που οι αλεπούδες
τρέφονται με κουνέλια,
τρέφονται με κουνέλια,
01:29
and immune cells feed on invaders,
such as cancer cells.
such as cancer cells.
29
77491
3330
ενώ το ανοσοποιητικό με εισβολείς,
όπως τα καρκινικά κύτταρα.
όπως τα καρκινικά κύτταρα.
01:33
But from a mathematical point of view,
30
81273
2345
Αλλά από μαθηματική άποψη,
01:35
a qualitatively same system
of predator-prey type equations
of predator-prey type equations
31
83642
4156
μια υποθετική εξίσωση θηρευτή-θηράματος
01:39
will describe interactions
between foxes and rabbits
between foxes and rabbits
32
87822
3245
θα περιέγραφε την αλληλεπίδραση
αλεπούδων-κουνελιών
αλεπούδων-κουνελιών
01:43
and cancer and immune cells.
33
91091
1774
και καρκίνου-ανοσοποιητικού.
01:45
Predator-prey type systems
have been studied extensively
have been studied extensively
34
93609
2708
Η μεθοδολογία θηρευτή-θηράματος
έχει μελετηθεί αναλυτικά
έχει μελετηθεί αναλυτικά
στην επιστημονική βιβλιογραφία
01:48
in scientific literature,
35
96341
1269
01:49
describing interactions
of two populations,
of two populations,
36
97634
2378
περιγράφοντας αλληλεπιδράσεις
δύο πληθυσμών,
δύο πληθυσμών,
01:52
where survival of one depends
on consuming the other.
on consuming the other.
37
100036
2775
όπου η επιβίωση του ενός εξαρτάται
από την κατανάλωση του άλλου.
από την κατανάλωση του άλλου.
01:55
And these same equations
provide a framework
provide a framework
38
103485
2620
Και αυτές οι ίδιες εξισώσεις
είναι το πλαίσιο
είναι το πλαίσιο
01:58
for understanding
cancer-immune interactions,
cancer-immune interactions,
39
106129
2311
κατανόησης της διάδρασης
καρκίνου-ανοσοποιητικού,
καρκίνου-ανοσοποιητικού,
02:00
where cancer is the prey,
40
108464
1841
όπου ο καρκίνος είναι το θήραμα
02:02
and the immune system is the predator.
41
110329
2372
και το ανοσοποιητικό ο θηρευτής.
02:04
And the prey employs all sorts of tricks
to prevent the predator from killing it,
to prevent the predator from killing it,
42
112725
4032
Και το θήραμα επιστρατεύει διάφορα κόλπα
ώστε να μην το αφανίσει ο θηρευτής,
ώστε να μην το αφανίσει ο θηρευτής,
02:08
ranging from camouflaging itself
43
116781
1820
όπως το να καμουφλάρεται
02:10
to stealing the predator's food.
44
118625
1839
ή το να κλέβει την τροφή του θηρευτή.
02:13
This can have some very
interesting implications.
interesting implications.
45
121352
2562
Αυτό έχει κάποιες ενδιαφέρουσες συνέπειες.
02:15
For example, despite enormous successes
in the field of immunotherapy,
in the field of immunotherapy,
46
123938
4822
Για παράδειγμα, παρά την τεράστια εξέλιξη
στον τομέα της ανοσοθεραπείας,
στον τομέα της ανοσοθεραπείας,
02:20
there still remains
somewhat limited efficacy
somewhat limited efficacy
47
128784
2461
υπάρχει ακόμη περιορισμένη
αποτελεσματικότητα
αποτελεσματικότητα
02:23
when it comes solid tumors.
48
131269
1542
στους συμπαγείς όγκους.
02:25
But if you think about it ecologically,
49
133423
2559
Όμως, αν το σκεφτείς οικολογικά
02:28
both cancer and immune cells --
50
136006
2090
και ο καρκίνος και το ανοσοποιητικό,
02:30
the prey and the predator --
51
138120
1600
το θήραμα και ο θηρευτής,
02:31
require nutrients
such as glucose to survive.
such as glucose to survive.
52
139744
3031
θέλουν θρεπτικά συστατικά,
όπως η γλυκόζη, για να επιβιώσουν.
όπως η γλυκόζη, για να επιβιώσουν.
02:35
If cancer cells outcompete
the immune cells for shared nutrients
the immune cells for shared nutrients
53
143358
4789
Αν τα καρκινικά κύτταρα υπερτερούν
του ανοσοποιητικού στους κοινούς πόρους
του ανοσοποιητικού στους κοινούς πόρους
02:40
in the tumor microenvironment,
54
148171
1793
στο μικροπεριβάλλον του όγκου,
02:41
then the immune cells will physically
not be able to do their job.
not be able to do their job.
55
149988
3414
τότε το ανοσοποιητικό
δεν θα μπορέσει να κάνει τη δουλειά του.
δεν θα μπορέσει να κάνει τη δουλειά του.
02:46
This predator-prey-shared
resource type model
resource type model
56
154291
2868
Αυτό το μοντέλο κοινών πόρων
μεταξύ θηρευτή-θηράματος
μεταξύ θηρευτή-θηράματος
02:49
is something I've worked on
in my own research.
in my own research.
57
157183
2297
το έχω μελετήσει και στη δική μου έρευνα
02:51
And it was recently shown experimentally
58
159504
2724
και τα πειράματα έδειξαν πρόσφατα
02:54
that restoring the metabolic balance
in the tumor microenvironment --
in the tumor microenvironment --
59
162252
4054
ότι αν επανέλθει η μεταβολική ισορροπία
στο μικροπεριβάλλον του όγκου --
στο μικροπεριβάλλον του όγκου --
02:58
that is, making sure
immune cells get their food --
immune cells get their food --
60
166330
3531
δηλαδή, αν τα κύτταρα του ανοσοποιητικού
λαμβάνουν την τροφή τους --
λαμβάνουν την τροφή τους --
03:01
can give them, the predators, back
their edge in fighting cancer, the prey.
their edge in fighting cancer, the prey.
61
169885
5245
έχουν το πλεονέκτημα, ο θηρευτής δηλαδή,
να πολεμήσει τον καρκίνο, το θήραμα.
να πολεμήσει τον καρκίνο, το θήραμα.
03:08
This means that if you abstract a bit,
62
176440
2339
Αυτό αν το συνοψίσουμε κάπως,
03:10
you can think about cancer itself
as an ecosystem,
as an ecosystem,
63
178803
2955
μπορούμε να φανταστούμε
τον καρκίνο σαν ένα οικοσύστημα,
τον καρκίνο σαν ένα οικοσύστημα,
03:13
where heterogeneous populations of cells
compete and cooperate
compete and cooperate
64
181782
4287
όπου ετερογενείς πληθυσμοί κυττάρων
ανταγωνίζονται και συνεργάζονται
ανταγωνίζονται και συνεργάζονται
03:18
for space and nutrients,
65
186093
2017
για χώρο και τροφή,
03:20
interact with predators --
the immune system --
the immune system --
66
188134
2672
αλληλεπιδρούν με τον θηρευτή --
το ανοσοποιητικό σύστημα --
το ανοσοποιητικό σύστημα --
03:22
migrate -- metastases --
67
190830
2241
μετακινούνται -- κάνουν μετάσταση --
03:25
all within the ecosystem
of the human body.
of the human body.
68
193095
2467
όλα μέσα στο οικοσύστημα
του ανθρώπινου σώματος.
του ανθρώπινου σώματος.
03:28
And what do we know about most
ecosystems from conservation biology?
ecosystems from conservation biology?
69
196221
3869
Και τι γνωρίζουμε για τα οικοσυστήματα
από τη βιολογία της διατήρησης;
από τη βιολογία της διατήρησης;
03:32
That one of the best ways
to extinguish species
to extinguish species
70
200643
2852
Ότι ο καλύτερος τρόπος
για την εξάλειψη ενός είδους
για την εξάλειψη ενός είδους
03:35
is not to target them directly
71
203519
1952
δεν είναι να το στοχεύσεις απ' ευθείας,
03:37
but to target their environment.
72
205495
2439
αλλά να στοχεύσεις το περιβάλλον του.
03:40
And so, once we have identified
the key components
the key components
73
208880
3070
Έτσι, εφόσον καταλάβουμε τη βασική δομή
03:43
of the tumor environment,
74
211974
1644
του περιβάλλοντος του όγκου,
03:45
we can propose hypotheses
75
213642
1948
μπορούμε να σχηματίσουμε μια υπόθεση
03:47
and simulate scenarios
and therapeutic interventions
and therapeutic interventions
76
215614
3294
και να προσομοιώσουμε σενάρια
και θεραπευτικές παρεμβάσεις
και θεραπευτικές παρεμβάσεις
03:50
all in a completely safe
and affordable way
and affordable way
77
218932
3425
με απόλυτα ασφαλή και οικονομικό τρόπο,
03:54
and target different components
of the microenvironment
of the microenvironment
78
222381
3369
στοχεύοντας διαφορετικές δομές
του μικροπεριβάλλοντος
του μικροπεριβάλλοντος
03:57
in such a way as to kill the cancer
without harming the host,
without harming the host,
79
225774
3996
με τρόπο που θα εξαλείψει τον καρκίνο
χωρίς να βλάψει τον ξενιστή,
χωρίς να βλάψει τον ξενιστή,
04:01
such as me or you.
80
229794
1570
δηλαδή εμένα ή εσάς.
04:05
And so while the immediate
goal of my research
goal of my research
81
233029
3002
Και ενώ ο άμεσος στόχος της έρευνάς μου
04:08
is to advance research and innovation
82
236055
2266
είναι η προώθηση της έρευνας
και της καινοτομίας
και της καινοτομίας
04:10
and to reduce its cost,
83
238345
1896
και η μείωση του κόστους,
04:12
the real intent, of course,
is to save lives.
is to save lives.
84
240265
2517
ο πραγματικός στόχος φυσικά,
είναι να σώσει ζωές.
είναι να σώσει ζωές.
04:15
And that's what I try to do
85
243278
1771
Και αυτό προσπαθώ να κάνω
04:17
through mathematical modeling
applied to biology,
applied to biology,
86
245073
2747
εφαρμόζοντας μαθηματικά
μοντέλα στη βιολογία,
μοντέλα στη βιολογία,
04:19
and in particular,
to the development of drugs.
to the development of drugs.
87
247844
2471
και συγκεκριμένα,
στην εξέλιξη των φαρμάκων.
στην εξέλιξη των φαρμάκων.
04:22
It's a field that until relatively
recently has remained somewhat marginal,
recently has remained somewhat marginal,
88
250895
4056
Ένα πεδίο που μέχρι πρόσφατα
παρέμενε στο περιθώριο,
παρέμενε στο περιθώριο,
04:26
but it has matured.
89
254975
1452
τώρα όμως έχει ωριμάσει.
04:28
And there are now very well-developed
mathematical methods,
mathematical methods,
90
256451
3149
Και σήμερα υπάρχουν πολύ ανεπτυγμένες
μαθηματικές μέθοδοι,
μαθηματικές μέθοδοι,
04:31
a lot of preprogrammed tools,
91
259624
1899
πολλά εργαλεία προγραμματισμού,
04:33
including free ones,
92
261547
1496
κάποια ακόμη και δωρεάν,
04:35
and an ever-increasing amount
of computational power available to us.
of computational power available to us.
93
263067
4047
και η συνεχώς αυξανόμενη δύναμη
των υπολογιστών, όλα στη διάθεσή μας.
των υπολογιστών, όλα στη διάθεσή μας.
04:40
The power and beauty
of mathematical modeling
of mathematical modeling
94
268718
3399
Η δύναμη και η ομορφιά
των μαθηματικών μοντέλων
των μαθηματικών μοντέλων
είναι ότι μας επιτρέπουν
να επισημοποιήσουμε,
να επισημοποιήσουμε,
04:44
lies in the fact
that it makes you formalize,
that it makes you formalize,
95
272141
2641
04:46
in a very rigorous way,
96
274806
2087
με έναν ιδιαίτερα σχολαστικό τρόπο,
04:48
what we think we know.
97
276917
1465
ό,τι πιστεύουμε ότι γνωρίζουμε.
04:50
We make assumptions,
98
278904
1444
Κάνουμε υποθέσεις,
04:52
translate them into equations,
99
280372
1568
τις μεταφράζουμε σε εξισώσεις,
04:53
run simulations,
100
281964
1311
διεξάγουμε προσομιώσεις,
04:55
all to answer the question:
101
283299
1773
όλα για να απαντήσουμε στην ερώτηση:
04:57
In a world where my assumptions are true,
102
285096
2246
Σε έναν κόσμο όπου
οι υποθέσεις μου αληθεύουν,
οι υποθέσεις μου αληθεύουν,
04:59
what do I expect to see?
103
287366
1570
τι περιμένω να δω;
05:01
It's a pretty simple conceptual framework.
104
289890
2086
Είναι ένα απλό, εννοιολογικό πλαίσιο.
05:04
It's all about asking the right questions.
105
292000
2226
Πρέπει μόνο να κάνετε
τις σωστές ερωτήσεις.
τις σωστές ερωτήσεις.
05:06
But it can unleash numerous opportunities
for testing biological hypotheses.
for testing biological hypotheses.
106
294603
4095
Μπορεί όμως να παρέχει άπειρες ευκαιρίες
για πειραματισμό υποθέσεων.
για πειραματισμό υποθέσεων.
05:11
If our predictions match our observations,
107
299696
2600
Αν οι προβλέψεις μας
ταιριάζουν με τις παρατηρήσεις μας
ταιριάζουν με τις παρατηρήσεις μας
05:14
great! -- we got it right,
so we can make further predictions
so we can make further predictions
108
302320
3027
τέλεια -- το πετύχαμε,
οπότε κάνουμε κι άλλες υποθέσεις
οπότε κάνουμε κι άλλες υποθέσεις
05:17
by changing this or that
aspect of the model.
aspect of the model.
109
305371
2560
αλλάζοντας τα χαρακτηριστικά του μοντέλου.
05:20
If, however, our predictions
do not match our observations,
do not match our observations,
110
308733
3700
Αν, όμως, οι προβλέψεις μας
δεν ταιριάζουν με τις παρατηρήσεις μας,
δεν ταιριάζουν με τις παρατηρήσεις μας,
05:24
that means that some
of our assumptions are wrong,
of our assumptions are wrong,
111
312457
2585
αυτό σημαίνει ότι κάποιες υποθέσεις
είναι λανθασμένες
είναι λανθασμένες
05:27
and so our understanding
of the key mechanisms
of the key mechanisms
112
315066
2433
και η κατανόηση του βασικού μηχανισμού
05:29
of underlying biology
113
317523
1439
της θεμελιώδους βιολογίας
05:30
is still incomplete.
114
318986
1270
είναι ακόμα ελλιπής.
05:32
Luckily, since this is a model,
115
320829
2362
Για καλή μας τύχη,
αφού μιλάμε για μοντέλα,
αφού μιλάμε για μοντέλα,
05:35
we control all the assumptions.
116
323215
1889
έχουμε τον έλεγχο όλων των υποθέσεων.
05:37
So we can go through them, one by one,
117
325128
2140
Οπότε, μπορούμε να τις ξαναδούμε, μία-μία
05:39
identifying which one or ones
are causing the discrepancy.
are causing the discrepancy.
118
327292
3829
και να καταλάβουμε ποια, ή ποιες
ευθύνονται για την απόκλιση.
ευθύνονται για την απόκλιση.
05:43
And then we can fill this newly
identified gap in knowledge
identified gap in knowledge
119
331637
3356
Και έπειτα να γεμίσουμε
το κενό με νέα γνώση
το κενό με νέα γνώση
05:47
using both experimental
and theoretical approaches.
and theoretical approaches.
120
335017
2715
με πειραματική και θεωρητική προσέγγιση.
05:50
Of course, any ecosystem
is extremely complex,
is extremely complex,
121
338699
2821
Φυσικά, κάθε οικοσύστημα
είναι ιδιαίτερα περίπλοκο
είναι ιδιαίτερα περίπλοκο
και η περιγραφή όλων των μερών
δεν είναι μόνο δύσκολη,
δεν είναι μόνο δύσκολη,
05:53
and trying to describe all the moving
parts is not only very difficult,
parts is not only very difficult,
122
341544
3843
αλλά ούτε και τόσο κατατοπιστική.
05:57
but also not very informative.
123
345411
1662
05:59
There's also the issue of timescales,
124
347518
2066
Υπάρχουν και τα χρονοδιαγράμματα,
καθώς οι διαδικασίες ολοκληρώνονται
σε δευτερόλεπτα, ή σε λεπτά,
σε δευτερόλεπτα, ή σε λεπτά,
06:01
because some processes take place
on a scale of seconds, some minutes,
on a scale of seconds, some minutes,
125
349608
3668
σε μέρες, μήνες ή χρόνια.
06:05
some days, months and years.
126
353300
1948
06:07
It may not always be possible
to separate those out experimentally.
to separate those out experimentally.
127
355272
3199
Δεν είναι πάντα εφικτό
να τα ξεχωρίσεις πειραματικά.
να τα ξεχωρίσεις πειραματικά.
06:11
And some things happen
so quickly or so slowly
so quickly or so slowly
128
359143
3384
Και κάποια πράγματα
γίνονται τόσο γρήγορα ή τόσο αργά,
γίνονται τόσο γρήγορα ή τόσο αργά,
06:14
that you may physically
never be able to measure them.
never be able to measure them.
129
362551
2720
που ίσως να μην μπορείς να τα μετρήσεις.
06:17
But as mathematicians,
130
365295
2288
Αλλά, ως μαθηματικοί,
06:19
we have the power to zoom in
on any subsystem in any timescale
on any subsystem in any timescale
131
367607
5645
μπορούμε να ζουμάρουμε
σε οποιοδήποτε υποσύστημα, ανά πάσα στιγμή
σε οποιοδήποτε υποσύστημα, ανά πάσα στιγμή
και να προσομοιώσουμε
τα αποτελέσματα των παρεμβάσεων
τα αποτελέσματα των παρεμβάσεων
06:25
and simulate effects of interventions
132
373276
2124
06:27
that take place in any timescale.
133
375424
2701
που συνέβησαν σε οποιονδήποτε χρόνο.
Φυσικά, ο δημιουργός μοντέλων
δεν τα κάνει όλα μόνος του.
δεν τα κάνει όλα μόνος του.
06:31
Of course, this isn't the work
of a modeler alone.
of a modeler alone.
134
379942
2934
Συνεργάζεται στενά με βιολόγους.
06:34
It has to happen in close
collaboration with biologists.
collaboration with biologists.
135
382900
3289
Και απαιτείται
κάποια δυνατότητα μετάφρασης
κάποια δυνατότητα μετάφρασης
06:38
And it does demand
some capacity of translation
some capacity of translation
136
386213
3004
και από τις δύο πλευρές.
06:41
on both sides.
137
389241
1204
Αλλά ξεκινώντας με τη θεωρητική ανάπτυξη
ενός προβλήματος
ενός προβλήματος
06:43
But starting with a theoretical
formulation of a problem
formulation of a problem
138
391550
3788
06:47
can unleash numerous opportunities
for testing hypotheses
for testing hypotheses
139
395362
3497
παρέχονται άπειρες ευκαιρίες
για πειραματισμό υποθέσεων
για πειραματισμό υποθέσεων
06:50
and simulating scenarios
and therapeutic interventions,
and therapeutic interventions,
140
398883
3239
και προσομοίωση σεναρίων
και θεραπευτικών παρεμβάσεων,
και θεραπευτικών παρεμβάσεων,
με έναν απόλυτα ασφαλή τρόπο.
06:54
all in a completely safe way.
141
402146
2070
Μπορεί να βρεθούν κενά γνώσης
και λογικές ασυνέπειες
και λογικές ασυνέπειες
06:56
It can identify gaps in knowledge
and logical inconsistencies
and logical inconsistencies
142
404977
5175
και μπορούν να μας δείξουν
προς τα που πρέπει να κοιτάξουμε
προς τα που πρέπει να κοιτάξουμε
07:02
and can help guide us
as to where we should keep looking
as to where we should keep looking
143
410176
2839
07:05
and where there may be a dead end.
144
413039
1895
και που μπορεί να υπάρχουν αδιέξοδα.
Με άλλα λόγια:
07:07
In other words:
145
415632
1247
07:08
mathematical modeling
can help us answer questions
can help us answer questions
146
416903
3494
Τα μαθηματικά μοντέλα
μας βοηθούν να απαντήσουμε ερωτήματα
μας βοηθούν να απαντήσουμε ερωτήματα
που επηρεάζουν την υγεία των ανθρώπων --
07:12
that directly affect people's health --
147
420421
2388
07:15
that affect each
person's health, actually --
person's health, actually --
148
423942
2704
που επηρρεάζουν την υγεία του καθένα μας--
07:18
because mathematical modeling will be key
149
426670
2676
γιατί τα μαθηματικά μοντέλα
θα αποτελέσουν το κλειδί
θα αποτελέσουν το κλειδί
07:21
to propelling personalized medicine.
150
429370
1834
της πρωώθησης εξατομικευμένων φαρμάκων.
07:24
And it all comes down
to asking the right question
to asking the right question
151
432112
3067
Και όλα εξαρτώνται
από την κατάλληλη ερώτηση
από την κατάλληλη ερώτηση
07:27
and translating it
to the right equation ...
to the right equation ...
152
435711
2075
και τη μετάφρασή της
στην κατάλληλη εξίσωση...
στην κατάλληλη εξίσωση...
07:30
and back.
153
438670
1150
και το αντίθετο.
07:32
Thank you.
154
440533
1151
Σας ευχαριστώ.
07:33
(Applause)
155
441708
3299
(Χειροκρότημα).
ABOUT THE SPEAKER
Irina Kareva - Theoretical biologistIrina Kareva is looking for answers to biological questions using mathematical modeling.
Why you should listen
Dr. Irina Kareva studies cancer as an evolving ecosystem, bringing in insights from various disciplines -- from evolutionary biology to paleontology to ergodic theory -- to understand how we can manage, if not cure, cancer like a chronic disease. She has authored more than 25 publications, including several papers with her parents, who are also mathematicians. The Kareva clan was featured in a Nature article entitled "Relationships: Scions of Science."
Kareva is a research scientist at EMD Serono Research Center near Boston Massachusetts, US. Her book, Understanding Cancer from a Systems Biology Point of View: From Observation to Theory and Back, was recently published by Elsevier, and a second book on mathematical modeling of the evolution of heterogeneous populations will be released in mid-2019.
In addition to her scientific studies and endeavors, Kareva also holds a degree in music and works actively as a professional opera singer. She is a member of the Boston Symphony Orchestra’s Tanglewood Festival Chorus, has performed solo roles in local productions, religious music performances, and can even occasionally be heard in pieces as varied as video game soundtracks and heavy metal recordings.
Irina Kareva | Speaker | TED.com