ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com
TED2016

Riccardo Sabatini: How to read the genome and build a human being

Riccardo Sabatini: Cómo leer el genoma y construir un ser humano

Filmed:
1,834,677 views

Secretos, enfermedades y belleza están escritos en el genoma humano, el conjunto completo de instrucciones genéticas necesarias para construir un ser humano. Ahora, como científico y empresario Riccardo Sabatini nos muestra que tenemos el poder de leer este código complejo, prediciendo cosas como la altura, el color de los ojos, la edad e incluso la estructura facial, todo desde un tubo de sangre. Y pronto, dice Sabatini, nuestra nueva comprensión del genoma nos permitirá personalizar los tratamientos para enfermedades como el cáncer. Tenemos el poder de cambiar la vida tal como la conocemos. ¿Cómo vamos a usarlo?
- Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio

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

00:12
For the nextsiguiente 16 minutesminutos,
I'm going to take you on a journeyviaje
0
612
2762
Durante los siguientes 16 minutos,
voy a hacer un viaje
00:15
that is probablyprobablemente
the biggestmás grande dreamsueño of humanityhumanidad:
1
3398
3086
esto es, probablemente,
el mayor sueño de la humanidad:
00:18
to understandentender the codecódigo of life.
2
6508
2015
entender el código de la vida.
00:21
So for me, everything startedempezado
manymuchos, manymuchos yearsaños agohace
3
9072
2743
Para mí, todo comenzó
hace muchos, muchos años
00:23
when I metreunió the first 3D printerimpresora.
4
11839
2723
cuando me encontré
con la primera impresora 3D.
00:26
The conceptconcepto was fascinatingfascinante.
5
14586
1674
El concepto era fascinante.
Una impresora 3D necesita tres elementos:
00:28
A 3D printerimpresora needsnecesariamente threeTres elementselementos:
6
16284
2022
00:30
a bitpoco of informationinformación, some
rawcrudo materialmaterial, some energyenergía,
7
18330
4134
un bit de información, un poco
de materia prima, algo de energía,
00:34
and it can produceProduce any objectobjeto
that was not there before.
8
22488
3334
y puede producir cualquier objeto
que no estaba allí antes.
00:38
I was doing physicsfísica,
I was comingviniendo back home
9
26517
2137
Estaba haciendo física, regresaba a casa
00:40
and I realizeddio cuenta that I actuallyactualmente
always knewsabía a 3D printerimpresora.
10
28678
3438
y me di cuenta de que en realidad
siempre conocí una impresora 3D.
00:44
And everyonetodo el mundo does.
11
32140
1336
Y todo el mundo.
00:45
It was my mommamá.
12
33500
1158
Fue mi madre.
00:46
(LaughterRisa)
13
34682
1001
(Risas)
00:47
My mommamá takes threeTres elementselementos:
14
35707
2414
Mi mamá toma tres elementos:
00:50
a bitpoco of informationinformación, whichcual is betweenEntre
my fatherpadre and my mommamá in this casecaso,
15
38145
3973
un poco de información, que está entre
mi padre y mi madre, en este caso,
00:54
rawcrudo elementselementos and energyenergía
in the samemismo mediamedios de comunicación, that is foodcomida,
16
42142
4157
materia prima y energía en el
mismo medio, que es la comida,
00:58
and after severalvarios monthsmeses, producesproduce me.
17
46323
2508
y después de varios meses, me produce.
01:00
And I was not existentexistente before.
18
48855
1812
Yo no existía antes.
01:02
So apartaparte from the shockchoque of my mommamá
discoveringdescubriendo that she was a 3D printerimpresora,
19
50691
3762
Aparte de la conmoción de mi madre
al descubrir que era una impresora 3D,
01:06
I immediatelyinmediatamente got mesmerizedhipnotizado
by that piecepieza,
20
54477
4738
inmediatamente me quedé hipnotizado
por esa parte,
01:11
the first one, the informationinformación.
21
59239
1717
la primera, la información.
01:12
What amountcantidad of informationinformación does it take
22
60980
2251
¿Qué cantidad de información se necesita
para construir y ensamblar un ser humano?
01:15
to buildconstruir and assemblearmar a humanhumano?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
¿Es mucha? ¿Es poca?
¿Cuántas memorias USB
se pueden llenar?
01:18
How manymuchos thumbpulgar drivesunidades can you fillllenar?
25
66813
2180
01:21
Well, I was studyingestudiando physicsfísica
at the beginningcomenzando
26
69017
2624
Bueno, yo estaba estudiando
física en el inicio
01:23
and I tooktomó this approximationaproximación of a humanhumano
as a giganticgigantesco LegoLego piecepieza.
27
71665
5597
y adopté el enfoque de un ser humano
como una pieza gigantesca de Lego.
01:29
So, imagineimagina that the buildingedificio
blocksbloques are little atomsátomos
28
77286
3785
Imaginen que los bloques de construcción
son pequeños átomos
01:33
and there is a hydrogenhidrógeno here,
a carboncarbón here, a nitrogennitrógeno here.
29
81095
4653
y hay un hidrógeno aquí,
un carbono aquí, un nitrógeno aquí.
01:37
So in the first approximationaproximación,
30
85772
1571
Así, en una primera aproximación,
01:39
if I can listlista the numbernúmero of atomsátomos
that composecomponer a humanhumano beingsiendo,
31
87367
4343
si puedo enumerar el número de átomos
que componen un ser humano,
01:43
I can buildconstruir it.
32
91734
1387
puedo construirlo.
01:45
Now, you can runcorrer some numbersnúmeros
33
93145
2029
Se pueden correr algunos números
01:47
and that happenssucede to be
quitebastante an astonishingasombroso numbernúmero.
34
95198
3277
y resulta que es un número
bastante sorprendente.
01:50
So the numbernúmero of atomsátomos,
35
98499
2757
Así el número de átomos,
01:53
the filearchivo that I will savesalvar in my thumbpulgar
drivemanejar to assemblearmar a little babybebé,
36
101280
4755
el archivo que voy a guardar en mi
memoria USB para montar un pequeño bebé,
01:58
will actuallyactualmente fillllenar an entiretodo TitanicTitánico
of thumbpulgar drivesunidades --
37
106059
4667
en realidad, llena todo un Titanic
de memorias USB...
02:02
multipliedmultiplicado 2,000 timesveces.
38
110750
2718
multiplicado 2000 veces.
02:05
This is the miraclemilagro of life.
39
113957
3401
Este es el milagro de la vida.
02:09
EveryCada time you see from now on
a pregnantembarazada ladydama,
40
117382
2612
Cada vez que vean a partir de ahora
una mujer embarazada,
02:12
she's assemblingmontaje the biggestmás grande
amountcantidad of informationinformación
41
120018
2856
ella ensambla la mayor
cantidad de información
02:14
that you will ever encounterencuentro.
42
122898
1556
que se puedan encontrar.
02:16
ForgetOlvidar biggrande datadatos, forgetolvidar
anything you heardoído of.
43
124478
2950
Olvídense de datos masivos,
olviden todo lo que han oído.
02:19
This is the biggestmás grande amountcantidad
of informationinformación that existsexiste.
44
127452
2881
Esta es la mayor cantidad
de información que existe.
02:22
(ApplauseAplausos)
45
130357
3833
(Aplausos)
02:26
But naturenaturaleza, fortunatelypor suerte, is much smartermás inteligente
than a youngjoven physicistfísico,
46
134214
4644
Pero la naturaleza, afortunadamente, es
mucho más inteligente que un joven físico,
02:30
and in fourlas cuatro billionmil millones yearsaños, managedmanejado
to packpaquete this informationinformación
47
138882
3576
y en cuatro mil millones de años,
logró meter esta información
02:34
in a smallpequeña crystalcristal we call DNAADN.
48
142482
2705
en un pequeño cristal que llamamos ADN.
02:37
We metreunió it for the first time in 1950
when RosalindRosalind FranklinFranklin,
49
145605
4312
Lo encontramos por primera vez en 1950,
cuando Rosalind Franklin,
02:41
an amazingasombroso scientistcientífico, a womanmujer,
50
149941
1556
una científica increíble, una mujer,
02:43
tooktomó a pictureimagen of it.
51
151521
1389
tomó una foto.
02:44
But it tooktomó us more than 40 yearsaños
to finallyfinalmente pokemeter insidedentro a humanhumano cellcelda,
52
152934
5188
Pero nos constó más de 40 años llegar
dentro de una célula humana,
02:50
take out this crystalcristal,
53
158146
1602
sacar este cristal,
02:51
unrolldesenrollar it, and readleer it for the first time.
54
159772
3080
desenrollarlo, y leerlo por primera vez.
02:55
The codecódigo comesproviene out to be
a fairlybastante simplesencillo alphabetalfabeto,
55
163615
3241
El código viene a ser
un alfabeto bastante simple,
02:58
fourlas cuatro lettersletras: A, T, C and G.
56
166880
3772
cuatro letras: A, T, C y G.
03:02
And to buildconstruir a humanhumano,
you need threeTres billionmil millones of them.
57
170676
3490
Y para construir un ser humano,
necesitan tres mil millones de ellas.
03:06
ThreeTres billionmil millones.
58
174933
1179
Tres mil millones.
03:08
How manymuchos are threeTres billionmil millones?
59
176136
1579
¿Cuánto son tres mil millones?
03:09
It doesn't really make
any sensesentido as a numbernúmero, right?
60
177739
2762
En realidad, no tiene ningún sentido
como número, ¿verdad?
03:12
So I was thinkingpensando how
I could explainexplique myselfmí mismo better
61
180525
4085
Así que estaba pensando cómo podría
explicarme mejor
03:16
about how biggrande and enormousenorme this codecódigo is.
62
184634
3050
acerca de lo grande
y enorme que es este código.
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
Pero hay... quiero decir,
voy a tener un poco de ayuda,
03:22
and the bestmejor personpersona to help me
introduceintroducir the codecódigo
64
190786
3227
y la mejor persona para ayudar
a introducir el código
03:26
is actuallyactualmente the first man
to sequencesecuencia it, DrDr. CraigCraig VenterVenter.
65
194037
3522
en realidad, es el primer hombre
que lo secuenció, el Dr. Craig Venter.
03:29
So welcomeBienvenido onstageen el escenario, DrDr. CraigCraig VenterVenter.
66
197583
3390
Así que demos la bienvenida
en el escenario, el Dr. Craig Venter.
03:32
(ApplauseAplausos)
67
200997
6931
(Aplausos)
03:39
Not the man in the fleshcarne,
68
207952
2256
No es el hombre en carne y hueso,
03:43
but for the first time in historyhistoria,
69
211448
2345
pero por primera vez en la historia,
03:45
this is the genomegenoma of a specificespecífico humanhumano,
70
213817
3462
este es el genoma
de un ser humano específico,
03:49
printedimpreso page-by-pagepágina por página, letter-by-letterletra por letra:
71
217303
3760
impreso página por página,
letra por letra:
03:53
262,000 pagespáginas of informationinformación,
72
221087
3996
262 000 páginas de información,
03:57
450 kilogramskilogramos, shippedEnviado
from the UnitedUnido StatesEstados to CanadaCanadá
73
225107
4364
450 kg enviados desde EE. UU. a Canadá
04:01
thanksGracias to BrunoBruno BowdenBowden,
LuluLulu.comcom, a start-uppuesta en marcha, did everything.
74
229495
4843
gracias a Bruno Bowden,
Lulu.com, un start-up, lo hizo todo.
04:06
It was an amazingasombroso feathazaña.
75
234362
1463
Es una hazaña increíble.
04:07
But this is the visualvisual perceptionpercepción
of what is the codecódigo of life.
76
235849
4297
Pero esta es la percepción visual
de lo que es el código de la vida.
04:12
And now, for the first time,
I can do something fundivertido.
77
240170
2478
Ahora, por primera vez,
puedo hacer algo divertido.
04:14
I can actuallyactualmente pokemeter insidedentro it and readleer.
78
242672
2547
De hecho, me puedo meter
en su interior y leer.
04:17
So let me take an interestinginteresante
booklibro ... like this one.
79
245243
4625
Déjenme tomar un libro interesante...
como éste.
04:25
I have an annotationanotación;
it's a fairlybastante biggrande booklibro.
80
253077
2534
Tengo una anotación;
es un libro bastante grande.
04:27
So just to let you see
what is the codecódigo of life.
81
255635
3727
Solo para que puedan ver
lo que es el código de la vida.
Miles y miles y miles
04:32
ThousandsMiles de personas and thousandsmiles and thousandsmiles
82
260566
3391
04:35
and millionsmillones of lettersletras.
83
263981
2670
y millones de letras.
04:38
And they apparentlyaparentemente make sensesentido.
84
266675
2396
Y al parecer tienen sentido.
04:41
Let's get to a specificespecífico partparte.
85
269095
1757
Vamos a una parte específica.
04:43
Let me readleer it to you:
86
271571
1362
Permítanme leerles:
04:44
(LaughterRisa)
87
272957
1021
(Risas)
04:46
"AAGAAG, AATAAT, ATAATA."
88
274002
4006
"AAG, AAT, ATA".
04:50
To you it soundssonidos like mutemudo lettersletras,
89
278965
2067
Para Uds. suena como letras mudas,
04:53
but this sequencesecuencia givesda
the colorcolor of the eyesojos to CraigCraig.
90
281056
4041
pero esta secuencia
da el color de los ojos a Craig.
04:57
I'll showespectáculo you anotherotro partparte of the booklibro.
91
285633
1932
Les voy a mostrar otra parte del libro.
04:59
This is actuallyactualmente a little
more complicatedComplicado.
92
287589
2094
Esta en realidad es
un poco más complicada.
05:02
ChromosomeCromosoma 14, booklibro 132:
93
290983
2647
Cromosoma 14, libro 132:
05:05
(LaughterRisa)
94
293654
2090
(Risas)
05:07
As you mightpodría expectesperar.
95
295768
1277
Como podrían esperar.
05:09
(LaughterRisa)
96
297069
3466
(Risas)
05:14
"ATTATT, CTTCTT, GATTGATT."
97
302857
4507
"ATT, CTT, GATT".
05:20
This humanhumano is luckysuerte,
98
308329
1687
Esto hombre tiene suerte,
05:22
because if you missperder just
two lettersletras in this positionposición --
99
310040
4517
porque si se pierden
solo dos letras en esta posición
--2 letras de nuestros
tres mil millones--
05:26
two lettersletras of our threeTres billionmil millones --
100
314581
1877
estarán condenados
a una terrible enfermedad:
05:28
he will be condemnedcondenado
to a terribleterrible diseaseenfermedad:
101
316482
2019
05:30
cysticcístico fibrosisfibrosis.
102
318525
1440
fibrosis quística.
05:31
We have no curecura for it,
we don't know how to solveresolver it,
103
319989
3413
No tenemos ninguna cura para ella,
no sabemos cómo resolverlo,
05:35
and it's just two lettersletras
of differencediferencia from what we are.
104
323426
3755
y está a solo dos letras de diferencia
con respecto a lo que somos.
05:39
A wonderfulmaravilloso booklibro, a mightypoderoso booklibro,
105
327585
2705
Un libro maravilloso, un libro poderoso,
05:43
a mightypoderoso booklibro that helpedayudado me understandentender
106
331115
1998
un poderoso libro que me ayudó a entender
05:45
and showespectáculo you something quitebastante remarkablenotable.
107
333137
2753
y mostrarles algo bastante notable.
05:48
EveryCada one of you -- what makeshace
me, me and you, you --
108
336480
4435
Cada uno de Uds....
lo que me hace ser yo, y Uds., Uds.
05:52
is just about fivecinco millionmillón of these,
109
340939
2954
es solo cerca de cinco millones de estas,
05:55
halfmitad a booklibro.
110
343917
1228
medio libro.
05:58
For the restdescanso,
111
346015
1663
Para el resto,
05:59
we are all absolutelyabsolutamente identicalidéntico.
112
347702
2562
somos absolutamente idénticos.
06:03
FiveCinco hundredcien pagespáginas
is the miraclemilagro of life that you are.
113
351008
4018
Quinientas páginas es el milagro
de la vida que los hace ser Uds.
06:07
The restdescanso, we all sharecompartir it.
114
355050
2531
El resto, todo lo comparten.
06:09
So think about that again
when we think that we are differentdiferente.
115
357605
2909
Pensar en eso de nuevo cuando
pensamos que somos diferentes.
06:12
This is the amountcantidad that we sharecompartir.
116
360538
2221
Esta es la cantidad que compartimos.
06:15
So now that I have your attentionatención,
117
363441
3429
Así que ahora que tengo su atención,
06:18
the nextsiguiente questionpregunta is:
118
366894
1359
la siguiente pregunta es:
06:20
How do I readleer it?
119
368277
1151
¿Cómo lo leo?
06:21
How do I make sensesentido out of it?
120
369452
1509
¿Cómo puedo darle sentido?
06:23
Well, for howeversin embargo good you can be
at assemblingmontaje Swedishsueco furnituremueble,
121
371409
4240
Por buenos que sean armando muebles suecos
06:27
this instructioninstrucción manualmanual
is nothing you can crackgrieta in your life.
122
375673
3563
este manual de instrucciones es algo que
no podrán descifrar en su vida.
06:31
(LaughterRisa)
123
379260
1603
(Risas)
06:32
And so, in 2014, two famousfamoso TEDstersTEDsters,
124
380887
3112
Y así, en 2014, dos TEDsters famosos,
06:36
PeterPeter DiamandisDiamandis and CraigCraig VenterVenter himselfél mismo,
125
384023
2540
Peter Diamandis y el propio Craig Venter,
06:38
decideddecidido to assemblearmar a newnuevo companyempresa.
126
386587
1927
decidieron crear una nueva empresa.
06:40
HumanHumano LongevityLongevidad was bornnacido,
127
388538
1412
Human Longevity nació,
06:41
with one missionmisión:
128
389974
1370
con una misión:
06:43
tryingmolesto everything we can try
129
391368
1861
Intentar todo lo que se puede intentar
06:45
and learningaprendizaje everything
we can learnaprender from these bookslibros,
130
393253
2759
y aprender todo lo que se puede aprender
de estos libros,
06:48
with one targetobjetivo --
131
396036
1705
con un objetivo...
06:50
makingfabricación realreal the dreamsueño
of personalizedpersonalizado medicinemedicina,
132
398862
2801
hacer realidad el sueño
de la medicina personalizada,
06:53
understandingcomprensión what things
should be donehecho to have better healthsalud
133
401687
3767
comprender que cosas deben hacerse
para tener una mejor salud
06:57
and what are the secretsmisterios in these bookslibros.
134
405478
2283
y cuáles son los secretos de estos libros.
07:00
An amazingasombroso teamequipo, 40 datadatos scientistscientíficos
and manymuchos, manymuchos more people,
135
408329
4250
Un equipo increíble, 40 científicos
de datos y muchas, muchas más personas,
07:04
a pleasurePlacer to work with.
136
412603
1350
un placer trabajar con ellos.
07:05
The conceptconcepto is actuallyactualmente very simplesencillo.
137
413977
2253
El concepto es muy simple.
07:08
We're going to use a technologytecnología
calledllamado machinemáquina learningaprendizaje.
138
416254
3158
Vamos a utilizar una tecnología
llamada de aprendizaje automático.
07:11
On one sidelado, we have genomesgenomas --
thousandsmiles of them.
139
419436
4539
Por un lado, tenemos genomas...
miles de ellos.
07:15
On the other sidelado, we collectedrecogido
the biggestmás grande databasebase de datos of humanhumano beingsseres:
140
423999
3997
Por otro lado, hemos recogido la mayor
base de datos de seres humanos:
07:20
phenotypesfenotipos, 3D scanescanear, NMRNMR --
everything you can think of.
141
428020
4296
fenotipos, escaneo 3D, RMN...
todo lo que se puedan imaginar.
07:24
InsideDentro there, on these two oppositeopuesto sideslados,
142
432340
2899
En el interior está,
en estos dos lados opuestos,
07:27
there is the secretsecreto of translationtraducción.
143
435263
2442
está el secreto de la traducción.
07:29
And in the middlemedio, we buildconstruir a machinemáquina.
144
437729
2472
Y en el medio, construimos una máquina.
Construimos una máquina
y entrenamos a una máquina
07:32
We buildconstruir a machinemáquina
and we traintren a machinemáquina --
145
440801
2385
07:35
well, not exactlyexactamente one machinemáquina,
manymuchos, manymuchos machinesmáquinas --
146
443210
3210
--bueno, no exactamente una máquina,
muchas, muchas máquinas---
07:38
to try to understandentender and translatetraducir
the genomegenoma in a phenotypefenotipo.
147
446444
4544
para tratar de comprender y traducir
el genoma en un fenotipo.
07:43
What are those lettersletras,
and what do they do?
148
451362
3340
¿Qué son esas letras,
y qué es lo que hacen?
07:46
It's an approachenfoque that can
be used for everything,
149
454726
2747
Es un enfoque que puede
ser utilizado para todo,
07:49
but usingutilizando it in genomicsgenómica
is particularlyparticularmente complicatedComplicado.
150
457497
2993
pero usarlo en genómica
es particularmente complicado.
07:52
Little by little we grewcreció and we wanted
to buildconstruir differentdiferente challengesdesafíos.
151
460514
3276
Poco a poco fuimos creciendo
y queríamos construir diferentes retos.
07:55
We startedempezado from the beginningcomenzando,
from commoncomún traitsrasgos.
152
463814
2732
Empezamos por el principio,
desde los rasgos comunes.
07:58
CommonComún traitsrasgos are comfortablecómodo
because they are commoncomún,
153
466570
2603
Los rasgos comunes son cómodos
porque son comunes,
08:01
everyonetodo el mundo has them.
154
469197
1184
todo el mundo los tiene.
08:02
So we startedempezado to askpedir our questionspreguntas:
155
470405
2494
Así que empezamos a hacer
nuestras preguntas:
08:04
Can we predictpredecir heightaltura?
156
472923
1380
¿Podemos predecir la altura?
08:06
Can we readleer the bookslibros
and predictpredecir your heightaltura?
157
474985
2177
Podemos leer los libros
y predecir su altura?
Bueno, en realidad se puede,
08:09
Well, we actuallyactualmente can,
158
477186
1151
08:10
with fivecinco centimeterscentímetros of precisionprecisión.
159
478361
1793
con cinco cm de precisión.
08:12
BMIBMI is fairlybastante connectedconectado to your lifestyleestilo de vida,
160
480178
3135
IMC está bastante conectado
a su estilo de vida,
pero todavía podemos, podemos conseguir
un estimado, 8 kg de precisión.
08:15
but we still can, we get in the ballparkestadio de béisbol,
eightocho kilogramskilogramos of precisionprecisión.
161
483337
3864
¿Podemos predecir el color de ojos?
08:19
Can we predictpredecir eyeojo colorcolor?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Sí, podemos.
08:21
EightyOchenta percentpor ciento accuracyexactitud.
164
489662
1324
80 % de precisión.
08:23
Can we predictpredecir skinpiel colorcolor?
165
491466
1858
¿Podemos predecir el color de la piel?
08:25
Yeah we can, 80 percentpor ciento accuracyexactitud.
166
493348
2441
Sí podemos, 80 % de exactitud.
08:27
Can we predictpredecir ageaños?
167
495813
1340
¿Podemos predecir la edad?
08:30
We can, because apparentlyaparentemente,
the codecódigo changescambios duringdurante your life.
168
498121
3739
Podemos, pues al parecer,
el código cambia durante a vida.
08:33
It getsse pone shortercorta, you loseperder piecespiezas,
it getsse pone insertionsinserciones.
169
501884
3282
Se vuelve más corto,
se pierden piezas, se agregan.
08:37
We readleer the signalsseñales, and we make a modelmodelo.
170
505190
2555
Leemos las señales,
y hacemos un modelo.
08:40
Now, an interestinginteresante challengereto:
171
508438
1475
Ahora, un reto interesante:
08:41
Can we predictpredecir a humanhumano facecara?
172
509937
1729
¿Podemos predecir un rostro humano?
08:45
It's a little complicatedComplicado,
173
513014
1278
Es un poco complicado,
08:46
because a humanhumano facecara is scattereddispersado
amongentre millionsmillones of these lettersletras.
174
514316
3191
porque un rostro se encuentra
disperso entre millones de letras.
Y una cara humana no es
un objeto muy bien definido.
08:49
And a humanhumano facecara is not
a very well-definedbien definido objectobjeto.
175
517531
2629
Tuvimos que construir
todo un nivel de esto
08:52
So, we had to buildconstruir an entiretodo tiernivel of it
176
520184
2051
08:54
to learnaprender and teachenseñar
a machinemáquina what a facecara is,
177
522259
2710
para aprender y enseñar
a una máquina lo que es una cara,
08:56
and embedempotrar and compresscomprimir it.
178
524993
2037
e incrustar y comprimirlo.
08:59
And if you're comfortablecómodo
with machinemáquina learningaprendizaje,
179
527054
2248
Si se sienten cómodo
con el aprendizaje de máquina,
09:01
you understandentender what the challengereto is here.
180
529326
2284
entenderán el desafío aquí.
09:04
Now, after 15 yearsaños -- 15 yearsaños after
we readleer the first sequencesecuencia --
181
532108
5991
Hoy, tras 15 años , 15 años después
de haber leído la primera secuencia,
09:10
this Octoberoctubre, we startedempezado
to see some signalsseñales.
182
538123
2902
este mes de octubre,
empezamos a ver algunas señales.
09:13
And it was a very emotionalemocional momentmomento.
183
541049
2455
Y fue un momento muy emotivo.
09:15
What you see here is a subjecttema
comingviniendo in our lablaboratorio.
184
543528
3745
Lo que se ve aquí es un sujeto
que entró a nuestro laboratorio.
09:19
This is a facecara for us.
185
547619
1928
Esta es una cara para nosotros.
09:21
So we take the realreal facecara of a subjecttema,
we reducereducir the complexitycomplejidad,
186
549571
3631
Así que tomamos la verdadera cara de
un sujeto, redujimos la complejidad,
09:25
because not everything is in your facecara --
187
553226
1970
porque no todo está en su cara,
09:27
lots of featurescaracteristicas and defectsdefectos
and asymmetriesasimetrías come from your life.
188
555220
3786
un montón de características y defectos
y asimetrías provienen de su vida.
09:31
We symmetrizesimetrizar the facecara,
and we runcorrer our algorithmalgoritmo.
189
559030
3469
Hicimos simétrica la cara,
y corrimos nuestro algoritmo.
09:35
The resultsresultados that I showespectáculo you right now,
190
563245
1898
Los resultados que les muestro ahora,
09:37
this is the predictionpredicción we have
from the bloodsangre.
191
565167
3372
son la predicción
que tenemos de la sangre.
09:41
(ApplauseAplausos)
192
569596
1524
(Aplausos)
09:43
Wait a secondsegundo.
193
571144
1435
Esperen un segundo.
09:44
In these secondssegundos, your eyesojos are watchingacecho,
left and right, left and right,
194
572603
4692
En estos segundos, sus ojos están viendo,
izquierda y derecha, izquierda y derecha,
09:49
and your braincerebro wants
those picturesimágenes to be identicalidéntico.
195
577319
3930
y su cerebro quiere que esas imágenes
sean idénticas.
09:53
So I askpedir you to do
anotherotro exerciseejercicio, to be honesthonesto.
196
581273
2446
Les pido que hacer otro ejercicio.
Para ser honestos,
09:55
Please searchbuscar for the differencesdiferencias,
197
583743
2287
por favor, busquen las diferencias,
09:58
whichcual are manymuchos.
198
586054
1361
que son muchas.
09:59
The biggestmás grande amountcantidad of signalseñal
comesproviene from gendergénero,
199
587439
2603
La mayor cantidad
de señales vienen del género,
10:02
then there is ageaños, BMIBMI,
the ethnicityetnicidad componentcomponente of a humanhumano.
200
590066
5201
luego la edad, el IMC,
el componente étnico de un ser humano.
10:07
And scalingescalada up over that signalseñal
is much more complicatedComplicado.
201
595291
3711
Y la ampliación de más de esa señal
es mucho más complicado.
10:11
But what you see here,
even in the differencesdiferencias,
202
599026
3250
Pero lo que se ve aquí,
incluso en las diferencias,
10:14
letsdeja you understandentender
that we are in the right ballparkestadio de béisbol,
203
602300
3595
les permite entender que estamos
en el camino correcto,
10:17
that we are gettingconsiguiendo closercerca.
204
605919
1348
que nos estamos acercando.
10:19
And it's alreadyya givingdando you some emotionsemociones.
205
607291
2349
Y ya les están dando algunas emociones.
10:21
This is anotherotro subjecttema
that comesproviene in placelugar,
206
609664
2703
Este es otro tema que viene,
10:24
and this is a predictionpredicción.
207
612391
1409
y esto es una predicción.
10:25
A little smallermenor facecara, we didn't get
the completecompletar cranialcraneal structureestructura,
208
613824
4596
Una pequeña cara más pequeña,
no tuvo la estructura craneal completa,
10:30
but still, it's in the ballparkestadio de béisbol.
209
618444
2651
pero aun así, es una aproximación.
10:33
This is a subjecttema that comesproviene in our lablaboratorio,
210
621634
2224
Este es un sujeto que llega
a nuestro laboratorio,
10:35
and this is the predictionpredicción.
211
623882
1443
y esta es la predicción.
10:38
So these people have never been seenvisto
in the trainingformación of the machinemáquina.
212
626056
4676
Estas personas nunca se han visto
en el entrenamiento de la máquina.
10:42
These are the so-calledasí llamado "held-outtendió" setconjunto.
213
630756
2837
Son los llamados grupo "externos".
10:45
But these are people that you will
probablyprobablemente never believe.
214
633617
3740
Pero son personas que Uds.
probable nunca creerían que existieran.
10:49
We're publishingpublicación everything
in a scientificcientífico publicationpublicación,
215
637381
2676
Estamos publicando todo
en una revista científica,
10:52
you can readleer it.
216
640081
1151
que pueden leer.
10:53
But sinceya que we are onstageen el escenario,
ChrisChris challengedDesafiado me.
217
641256
2344
Pero ya que estamos aquí,
Chris me desafió.
10:55
I probablyprobablemente exposedexpuesto myselfmí mismo
and triedintentó to predictpredecir
218
643624
3626
Probablemente me expongo
y trata de predecir
10:59
someonealguien that you mightpodría recognizereconocer.
219
647274
2831
alguien que puedan reconocer.
11:02
So, in this vialfrasco of bloodsangre --
and believe me, you have no ideaidea
220
650470
4425
Por lo tanto, en este frasco de sangre
--y créanme, no tienen ni idea
lo que tuvimos que hacer para tener
esta sangre aquí, ahora--
11:06
what we had to do to have
this bloodsangre now, here --
221
654919
2880
11:09
in this vialfrasco of bloodsangre is the amountcantidad
of biologicalbiológico informationinformación
222
657823
3901
en este vial de sangre está la cantidad
de información biológica
que necesitamos para hacer
una secuencia completa del genoma.
11:13
that we need to do a fullcompleto genomegenoma sequencesecuencia.
223
661748
2277
11:16
We just need this amountcantidad.
224
664049
2070
Solo necesitamos esta cantidad.
11:18
We rancorrió this sequencesecuencia,
and I'm going to do it with you.
225
666528
3205
Nos encontramos con esta secuencia,
y voy a hacerlo con Uds.
11:21
And we startcomienzo to layercapa up
all the understandingcomprensión we have.
226
669757
3979
Y empezamos a exponer
toda la comprensión que tenemos.
11:25
In the vialfrasco of bloodsangre,
we predictedpredicho he's a malemasculino.
227
673760
3350
En el frasco de sangre,
predijimos que es masculino.
11:29
And the subjecttema is a malemasculino.
228
677134
1364
Y el sujeto es un varón.
11:30
We predictpredecir that he's a metermetro and 76 cmcm.
229
678996
2438
Nuestra predicción
es que él es de 1 m y 76 cm.
11:33
The subjecttema is a metermetro and 77 cmcm.
230
681458
2392
El sujeto es de 1 m y 77 cm.
11:35
So, we predictedpredicho that he's 76;
the subjecttema is 82.
231
683874
4110
Predijimos que él es 76;
el sujeto es de 82.
11:40
We predictpredecir his ageaños, 38.
232
688701
2632
Predecimos su edad, 38 años.
11:43
The subjecttema is 35.
233
691357
1904
El sujeto es de 35.
11:45
We predictpredecir his eyeojo colorcolor.
234
693851
2124
Predecimos su color de ojos.
11:48
Too darkoscuro.
235
696824
1211
Demasiado oscuro.
11:50
We predictpredecir his skinpiel colorcolor.
236
698059
1555
Predecimos su color de piel.
11:52
We are almostcasi there.
237
700026
1410
Estamos casi allí.
11:53
That's his facecara.
238
701899
1373
Esa es la cara.
11:57
Now, the revealrevelar momentmomento:
239
705172
3269
Ahora, el momento de revelación:
12:00
the subjecttema is this personpersona.
240
708465
1770
el sujeto es esta persona.
12:02
(LaughterRisa)
241
710259
1935
(Risas)
12:04
And I did it intentionallyintencionalmente.
242
712218
2058
Lo hice intencionalmente.
12:06
I am a very particularespecial
and peculiarpeculiar ethnicityetnicidad.
243
714300
3692
Soy de una etnia
muy particular y peculiar.
12:10
SouthernDel Sur Europeaneuropeo, ItaliansItalianos --
they never fitajuste in modelsmodelos.
244
718016
2950
Sur de Europa, italianos,
que nunca encajan en los modelos.
12:12
And it's particularespecial -- that ethnicityetnicidad
is a complexcomplejo corneresquina casecaso for our modelmodelo.
245
720990
5130
Este en particular, que la etnicidad es
un caso complejo para nuestro modelo.
12:18
But there is anotherotro pointpunto.
246
726144
1509
Pero hay otro punto.
12:19
So, one of the things that we use
a lot to recognizereconocer people
247
727677
3477
Una de las cosas que usamos mucho
para reconocer a las personas
12:23
will never be writtenescrito in the genomegenoma.
248
731178
1722
nunca será escrita en el genoma.
12:24
It's our freegratis will, it's how I look.
249
732924
2317
Es nuestro libre albedrío,
que es como luzco.
12:27
Not my haircutCorte de pelo in this casecaso,
but my beardbarba cutcortar.
250
735265
3229
No es mi corte de pelo en este caso,
sino mi corte de barba.
12:30
So I'm going to showespectáculo you, I'm going to,
in this casecaso, transfertransferir it --
251
738518
3553
Voy a mostrarles,
en este caso, transfiero
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingmodelado --
252
742095
2765
--no es más que Photoshop, no modelado--
12:36
the beardbarba on the subjecttema.
253
744884
1713
la barba sobre el sujeto.
12:38
And immediatelyinmediatamente, we get
much, much better in the feelingsensación.
254
746621
3472
Y de inmediato, tenemos mucha,
mucha mejor sensación.
12:42
So, why do we do this?
255
750955
2709
¿Por qué hacemos esto?
12:47
We certainlyciertamente don't do it
for predictingprediciendo heightaltura
256
755938
5140
Desde luego, no lo hacemos
para predecir la altura
12:53
or takingtomando a beautifulhermosa pictureimagen
out of your bloodsangre.
257
761102
2372
o tomar una foto hermosa de su sangre.
12:56
We do it because the samemismo technologytecnología
and the samemismo approachenfoque,
258
764390
4018
Lo hacemos porque la misma tecnología
y el mismo enfoque,
13:00
the machinemáquina learningaprendizaje of this codecódigo,
259
768432
2520
el aprendizaje de las máquinas
de este código,
13:02
is helpingración us to understandentender how we work,
260
770976
3137
nos ayudará a entender cómo funcionamos,
13:06
how your bodycuerpo workstrabajos,
261
774137
1486
cómo funciona nuestro cuerpo,
13:07
how your bodycuerpo agessiglos,
262
775647
1665
cómo envejece nuestro cuerpo,
13:09
how diseaseenfermedad generatesgenera in your bodycuerpo,
263
777336
2769
cómo se genera la enfermedad
en nuestro cuerpo,
13:12
how your cancercáncer growscrece and developsdesarrolla,
264
780129
2972
cómo crece y se desarrolla nuestro cáncer,
13:15
how drugsdrogas work
265
783125
1783
cómo funcionan los medicamentos
13:16
and if they work on your bodycuerpo.
266
784932
2314
y si funcionan en nuestro cuerpo.
13:19
This is a hugeenorme challengereto.
267
787713
1667
Este es un desafío enorme.
13:21
This is a challengereto that we sharecompartir
268
789894
1638
Este es un reto que compartimos
13:23
with thousandsmiles of other
researchersinvestigadores around the worldmundo.
269
791556
2579
con miles de otros investigadores
de todo el mundo.
13:26
It's calledllamado personalizedpersonalizado medicinemedicina.
270
794159
2222
Se llama la medicina personalizada.
13:29
It's the abilitycapacidad to movemovimiento
from a statisticalestadístico approachenfoque
271
797125
3460
Es la capacidad de pasar
de un enfoque estadístico
13:32
where you're a dotpunto in the oceanOceano,
272
800609
2032
donde eres un punto en el océano,
13:34
to a personalizedpersonalizado approachenfoque,
273
802665
1813
a un enfoque personalizado,
13:36
where we readleer all these bookslibros
274
804502
2185
donde leemos todos estos libros
13:38
and we get an understandingcomprensión
of exactlyexactamente how you are.
275
806711
2864
y logramos una comprensión
de exactamente cómo somos.
13:42
But it is a particularlyparticularmente
complicatedComplicado challengereto,
276
810260
3362
Pero se trata de un reto muy complicado,
13:45
because of all these bookslibros, as of todayhoy,
277
813646
3998
debido a que de todos estos libros, a hoy,
13:49
we just know probablyprobablemente two percentpor ciento:
278
817668
2642
solo sabemos probablemente el 2 %:
13:53
fourlas cuatro bookslibros of more than 175.
279
821027
3653
4 libros de más de 175.
13:58
And this is not the topictema of my talk,
280
826021
3206
Este no es el tema de mi charla,
14:02
because we will learnaprender more.
281
830145
2598
porque vamos a aprender más.
14:05
There are the bestmejor mindsmentes
in the worldmundo on this topictema.
282
833378
2669
Están las mejores mentes del mundo
en este tema.
14:09
The predictionpredicción will get better,
283
837048
1834
La predicción va a mejorar,
14:10
the modelmodelo will get more precisepreciso.
284
838906
2253
el modelo se hará más preciso.
14:13
And the more we learnaprender,
285
841183
1858
Y cuanto más aprendemos,
14:15
the more we will
be confrontedconfrontado with decisionsdecisiones
286
843065
4830
más nos confrontamos con decisiones
14:19
that we never had to facecara before
287
847919
3021
que nunca tuvimos que enfrentar antes
14:22
about life,
288
850964
1435
acerca de la vida,
14:24
about deathmuerte,
289
852423
1674
acerca de la muerte,
14:26
about parentingcrianza.
290
854121
1603
acerca de la paternidad.
14:32
So, we are touchingconmovedor the very
innerinterior detaildetalle on how life workstrabajos.
291
860626
4746
Por lo tanto, estamos tocando el detalle
muy interno de cómo funciona la vida.
14:38
And it's a revolutionrevolución
that cannotno poder be confinedconfinado
292
866118
3158
Y es una revolución
que no puede ser confinada
14:41
in the domaindominio of scienceciencia or technologytecnología.
293
869300
2659
en el dominio de la ciencia
o la tecnología.
14:44
This mustdebe be a globalglobal conversationconversacion.
294
872960
2244
Debe ser una conversación global.
14:47
We mustdebe startcomienzo to think of the futurefuturo
we're buildingedificio as a humanityhumanidad.
295
875798
5217
Hay que empezar a pensar en el futuro que
estamos construyendo como humanidad.
14:53
We need to interactinteractuar with creativescreativos,
with artistsartistas, with philosophersfilósofos,
296
881039
4064
Tenemos que interactuar con creativos,
con artistas, con los filósofos,
14:57
with politicianspolíticos.
297
885127
1510
con los políticos.
14:58
EveryoneTodo el mundo is involvedinvolucrado,
298
886661
1158
Todo el mundo está implicado,
14:59
because it's the futurefuturo of our speciesespecies.
299
887843
2825
porque es el futuro de nuestra especie.
15:03
WithoutSin fearmiedo, but with the understandingcomprensión
300
891273
3968
Sin miedo, pero con el entendimiento
15:07
that the decisionsdecisiones
that we make in the nextsiguiente yearaño
301
895265
3871
de que las decisiones que tomamos
en el próximo año
15:11
will changecambio the coursecurso of historyhistoria foreverSiempre.
302
899160
3789
cambiarán el curso
de la historia para siempre.
15:15
Thank you.
303
903732
1160
Gracias.
15:16
(ApplauseAplausos)
304
904916
10159
(Aplausos)
Translated by Ciro Gomez
Reviewed by Lidia Cámara de la Fuente

▲Back to top

ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com