TEDSummit 2019
Sara-Jane Dunn: The next software revolution: programming biological cells
Sara-Jane Dunn: La próxima revolución del software: programar células biológicas
Filmed:
Readability: 5.2
1,706,478 views
Las células de su cuerpo son como un software de computadora: están "programadas" para llevar a cabo funciones específicas en momentos específicos. Si podemos comprender mejor este proceso, podríamos desbloquear la capacidad de reprogramar las células nosotros mismos, dice la bióloga computacional Sara-Jane Dunn. En una charla de vanguardia de la ciencia, explica cómo su equipo está estudiando las células madre embrionarias para obtener una nueva comprensión de los programas biológicos que impulsan la vida y desarrollar un "software vivo" que podría transformar la medicina, la agricultura y la energía.
Sara-Jane Dunn - Computational biologist
Sara-Jane Dunn is a scientist working at the interface between biology and computation, using mathematics and computational analysis to make sense of how living systems process information. Full bio
Sara-Jane Dunn is a scientist working at the interface between biology and computation, using mathematics and computational analysis to make sense of how living systems process information. Full bio
Double-click the English transcript below to play the video.
00:12
The second half of the last century
was completely defined
was completely defined
0
750
4509
La segunda mitad del siglo pasado
estuvo completamente definida
estuvo completamente definida
00:17
by a technological revolution:
1
5283
1999
por una revolución tecnológica:
00:19
the software revolution.
2
7306
1435
la revolución del software.
00:21
The ability to program electrons
on a material called silicon
on a material called silicon
3
9313
4808
La capacidad de programar electrones
en un material llamado silicio
en un material llamado silicio
00:26
made possible technologies,
companies and industries
companies and industries
4
14145
3073
hizo posibles tecnologías,
empresas e industrias
empresas e industrias
00:29
that were at one point
unimaginable to many of us,
unimaginable to many of us,
5
17242
3977
que en un punto fueron inimaginables
para muchos de nosotros,
para muchos de nosotros,
00:33
but which have now fundamentally changed
the way the world works.
the way the world works.
6
21243
3915
pero que ya han cambiado fundamentalmente
la forma en que funciona el mundo.
la forma en que funciona el mundo.
00:38
The first half of this century, though,
7
26158
1921
Sin embargo, la primera
mitad de este siglo,
mitad de este siglo,
00:40
is going to be transformed
by a new software revolution:
by a new software revolution:
8
28103
3978
va a ser transformada
por una nueva revolución de software:
por una nueva revolución de software:
00:44
the living software revolution.
9
32105
2435
la revolución del software viviente.
00:46
And this will be powered by the ability
to program biochemistry
to program biochemistry
10
34921
4050
Y esto será impulsado por
la capacidad de programación bioquímica
la capacidad de programación bioquímica
00:50
on a material called biology.
11
38995
2295
en un material llamado biología.
00:53
And doing so will enable us to harness
the properties of biology
the properties of biology
12
41314
4141
Y hacerlo nos permitirá aprovechar
las propiedades de la biología.
las propiedades de la biología.
00:57
to generate new kinds of therapies,
13
45479
2656
para generar nuevos tipos de terapias,
01:00
to repair damaged tissue,
14
48159
1868
para reparar tejido dañado,
01:02
to reprogram faulty cells
15
50051
2725
reprogramar células defectuosas
01:04
or even build programmable
operating systems out of biochemistry.
operating systems out of biochemistry.
16
52800
4554
o incluso construir sistemas operativos
programables a partir de bioquímica.
programables a partir de bioquímica.
01:10
If we can realize this --
and we do need to realize it --
and we do need to realize it --
17
58420
3573
Si podemos hacer esto,
y necesitamos hacerlo,
y necesitamos hacerlo,
01:14
its impact will be so enormous
18
62017
2162
su impacto será tan grande
01:16
that it will make the first
software revolution pale in comparison.
software revolution pale in comparison.
19
64203
3877
que hará palidecer, en comparación,
la primera revolución de software.
la primera revolución de software.
01:20
And that's because living software
would transform the entirety of medicine,
would transform the entirety of medicine,
20
68104
4234
Y eso es porque el software viviente
transformaría la totalidad de la medicina,
transformaría la totalidad de la medicina,
01:24
agriculture and energy,
21
72362
1559
la agricultura y la energía,
01:25
and these are sectors that dwarf
those dominated by IT.
those dominated by IT.
22
73945
3828
y estos son sectores que eclipsan
a los dominados por la TI.
a los dominados por la TI.
01:30
Imagine programmable plants
that fix nitrogen more effectively
that fix nitrogen more effectively
23
78812
4174
Imaginen plantas programables que fijan
el nitrógeno de manera más efectiva
el nitrógeno de manera más efectiva
01:35
or resist emerging fungal pathogens,
24
83010
2905
o resisten los hongos
patógenos emergentes,
patógenos emergentes,
01:37
or even programming crops
to be perennial rather than annual
to be perennial rather than annual
25
85939
3537
o incluso programar cultivos
para que sean perennes en lugar de anuales
para que sean perennes en lugar de anuales
para que puedan duplicar
los rendimientos cada año.
los rendimientos cada año.
01:41
so you could double
your crop yields each year.
your crop yields each year.
26
89500
2268
01:43
That would transform agriculture
27
91792
2098
Eso transformaría la agricultura
01:45
and how we'll keep our growing
and global population fed.
and global population fed.
28
93914
4104
y es como mantendremos alimentada
a nuestra creciente población mundial.
a nuestra creciente población mundial.
01:50
Or imagine programmable immunity,
29
98794
2262
O imaginen inmunidad programable,
01:53
designing and harnessing molecular devices
that guide your immune system
that guide your immune system
30
101080
4238
diseño y aprovechamiento
de dispositivos moleculares que guían
de dispositivos moleculares que guían
su sistema inmunológico para detectar,
erradicar o incluso prevenir enfermedades.
erradicar o incluso prevenir enfermedades.
01:57
to detect, eradicate
or even prevent disease.
or even prevent disease.
31
105342
3830
02:01
This would transform medicine
32
109196
1571
Esto transformaría la medicina
02:02
and how we'll keep our growing
and aging population healthy.
and aging population healthy.
33
110791
3489
y la forma de mantener la salud
de una población que crece y envejece.
de una población que crece y envejece.
02:07
We already have many of the tools
that will make living software a reality.
that will make living software a reality.
34
115501
4203
Ya tenemos muchas de las herramientas
que harán realidad el software viviente.
que harán realidad el software viviente.
02:11
We can precisely edit genes with CRISPR.
35
119728
2347
Podemos editar genes
con precisión con CRISPR.
con precisión con CRISPR.
02:14
We can rewrite the genetic code
one base at a time.
one base at a time.
36
122099
3083
Podemos reescribir el código genético
una base a la vez.
una base a la vez.
02:17
We can even build functioning
synthetic circuits out of DNA.
synthetic circuits out of DNA.
37
125206
4436
Incluso podemos construir circuitos
sintéticos que funcionen con ADN.
sintéticos que funcionen con ADN.
02:22
But figuring out how and when
to wield these tools
to wield these tools
38
130428
2469
Pero descubrir cómo y cuándo
manejar estas herramientas
manejar estas herramientas
02:24
is still a process of trial and error.
39
132921
2422
todavía es un proceso de ensayo y error.
02:27
It needs deep expertise,
years of specialization.
years of specialization.
40
135367
3660
Se necesita una gran experiencia,
años de especialización.
años de especialización.
02:31
And experimental protocols
are difficult to discover
are difficult to discover
41
139051
3037
Y los protocolos experimentales
son difíciles de descubrir.
son difíciles de descubrir.
02:34
and all too often, difficult to reproduce.
42
142112
2582
y con demasiada frecuencia,
difíciles de reproducir.
difíciles de reproducir.
02:37
And, you know, we have a tendency
in biology to focus a lot on the parts,
in biology to focus a lot on the parts,
43
145256
4473
Y, ya saben, hay una tendencia en biología
a enfocarnos mucho en las partes,
a enfocarnos mucho en las partes,
02:41
but we all know that something like flying
wouldn't be understood
wouldn't be understood
44
149753
3133
pero todos sabemos que algo
como volar no se entendería
como volar no se entendería
02:44
by only studying feathers.
45
152910
1339
solo estudiando plumas.
02:46
So programming biology is not yet
as simple as programming your computer.
as simple as programming your computer.
46
154846
4521
Por lo tanto, programar biología aún no es
tan simple como programar su computadora.
tan simple como programar su computadora.
02:51
And then to make matters worse,
47
159391
1678
Y para empeorar las cosas,
02:53
living systems largely bear no resemblance
to the engineered systems
to the engineered systems
48
161093
4010
los sistemas vivos no se parecen
en gran medida a los sistemas diseñados
en gran medida a los sistemas diseñados
02:57
that you and I program every day.
49
165127
2096
que Uds. y yo programamos todos los días.
02:59
In contrast to engineered systems,
living systems self-generate,
living systems self-generate,
50
167691
4111
A diferencia de
los sistemas de ingeniería,
los sistemas de ingeniería,
los sistemas vivos se autogeneran,
03:03
they self-organize,
51
171826
1471
se autoorganizan,
03:05
they operate at molecular scales.
52
173321
1687
operan a escalas moleculares.
03:07
And these molecular-level interactions
53
175032
2136
Y estas interacciones a nivel molecular
03:09
lead generally to robust
macro-scale output.
macro-scale output.
54
177192
3018
conducen generalmente
a una salida robusta a escala macro.
a una salida robusta a escala macro.
03:12
They can even self-repair.
55
180234
2720
Incluso pueden repararse a sí mismos.
03:16
Consider, for example,
the humble household plant,
the humble household plant,
56
184256
2994
Consideren, por ejemplo,
la humilde planta doméstica,
la humilde planta doméstica,
03:19
like that one sat
on your mantelpiece at home
on your mantelpiece at home
57
187274
2187
como la de sus repisas
de la chimenea en casa
de la chimenea en casa
03:21
that you keep forgetting to water.
58
189485
1787
que siguen olvidando regar.
03:23
Every day, despite your neglect,
that plant has to wake up
that plant has to wake up
59
191749
3615
Todos los días, a pesar de su negligencia,
esa planta tiene que despertarse
esa planta tiene que despertarse
03:27
and figure out how
to allocate its resources.
to allocate its resources.
60
195388
2747
y descubrir cómo asignar sus recursos.
03:30
Will it grow, photosynthesize,
produce seeds, or flower?
produce seeds, or flower?
61
198159
3571
¿Crecerá, fotosintetizará,
producirá semillas o florecerá?
producirá semillas o florecerá?
03:33
And that's a decision that has to be made
at the level of the whole organism.
at the level of the whole organism.
62
201754
3939
Y esa es una decisión que debe tomarse
a nivel de todo el organismo.
a nivel de todo el organismo.
03:37
But a plant doesn't have a brain
to figure all of that out.
to figure all of that out.
63
205717
3481
Pero una planta no tiene cerebro
para resolver todo eso.
para resolver todo eso.
03:41
It has to make do
with the cells on its leaves.
with the cells on its leaves.
64
209222
2717
Tiene que conformarse
con las células de sus hojas.
con las células de sus hojas.
03:43
They have to respond to the environment
65
211963
1903
Tienen que responder al medio ambiente
03:45
and make the decisions
that affect the whole plant.
that affect the whole plant.
66
213890
2649
y tomar las decisiones
que afectan a toda la planta.
que afectan a toda la planta.
03:48
So somehow there must be a program
running inside these cells,
running inside these cells,
67
216563
3988
De alguna manera debe haber un programa
ejecutándose dentro de estas celdas,
ejecutándose dentro de estas celdas,
03:52
a program that responds
to input signals and cues
to input signals and cues
68
220575
2727
un programa que responde
a señales y claves de entrada
a señales y claves de entrada
03:55
and shapes what that cell will do.
69
223326
1940
y da forma a lo que hará esa célula.
03:57
And then those programs must operate
in a distributed way
in a distributed way
70
225679
3247
Y luego esos programas
deben operar de manera distribuida
deben operar de manera distribuida
04:00
across individual cells,
71
228950
1337
a través de células individuales,
04:02
so that they can coordinate
and that plant can grow and flourish.
and that plant can grow and flourish.
72
230311
4123
para que puedan coordinarse
y que la planta pueda crecer y florecer.
y que la planta pueda crecer y florecer.
04:07
If we could understand
these biological programs,
these biological programs,
73
235675
3316
Si pudiéramos entender
estos programas biológicos,
estos programas biológicos,
04:11
if we could understand
biological computation,
biological computation,
74
239015
3122
si pudiéramos entender
la computación biológica,
la computación biológica,
04:14
it would transform our ability
to understand how and why
to understand how and why
75
242161
3937
transformaría nuestra capacidad
de entender cómo y por qué
de entender cómo y por qué
04:18
cells do what they do.
76
246122
1546
las células hacen lo que hacen.
04:20
Because, if we understood these programs,
77
248152
1987
Porque, si entendemos estos programas,
podríamos depurarlos
cuando las cosas salgan mal.
cuando las cosas salgan mal.
04:22
we could debug them when things go wrong.
78
250163
2133
04:24
Or we could learn from them how to design
the kind of synthetic circuits
the kind of synthetic circuits
79
252320
4193
O podríamos aprender de ellos cómo
diseñar el tipo de circuitos sintéticos
diseñar el tipo de circuitos sintéticos
04:28
that truly exploit
the computational power of biochemistry.
the computational power of biochemistry.
80
256537
4474
que realmente explotan
el poder computacional de la bioquímica.
el poder computacional de la bioquímica.
04:34
My passion about this idea
led me to a career in research
led me to a career in research
81
262407
3018
Mi pasión por esta idea
me llevó a una carrera en investigación
me llevó a una carrera en investigación
04:37
at the interface of maths,
computer science and biology.
computer science and biology.
82
265449
3631
en la interfaz de matemáticas,
informática y biología.
informática y biología.
04:41
And in my work, I focus on the concept
of biology as computation.
of biology as computation.
83
269104
4726
En mi trabajo, me enfoco en el concepto
de biología como computación.
de biología como computación.
04:46
And that means asking
what do cells compute,
what do cells compute,
84
274334
3142
Y eso significa preguntar,
¿qué calculan las células,
¿qué calculan las células,
04:49
and how can we uncover
these biological programs?
these biological programs?
85
277500
3517
y cómo podemos descubrir
estos programas biológicos?
estos programas biológicos?
04:53
And I started to ask these questions
together with some brilliant collaborators
together with some brilliant collaborators
86
281760
3757
Comencé a hacer estas preguntas junto
con algunos colaboradores brillantes
con algunos colaboradores brillantes
04:57
at Microsoft Research
and the University of Cambridge,
and the University of Cambridge,
87
285541
2571
en Microsoft Research
y la Universidad de Cambridge,
y la Universidad de Cambridge,
05:00
where together we wanted to understand
88
288136
2283
donde en conjunto queremos entender
05:02
the biological program
running inside a unique type of cell:
running inside a unique type of cell:
89
290443
4177
el programa biológico que se ejecuta
dentro de un tipo único de célula:
dentro de un tipo único de célula:
05:06
an embryonic stem cell.
90
294644
1894
una célula madre embrionaria.
05:09
These cells are unique
because they're totally naïve.
because they're totally naïve.
91
297136
3160
Estas células son únicas
porque son totalmente inocentes.
porque son totalmente inocentes.
05:12
They can become anything they want:
92
300320
2168
Pueden convertirse en lo que quieran:
una célula cerebral, cardíaca,
ósea, pulmonar,
ósea, pulmonar,
05:14
a brain cell, a heart cell,
a bone cell, a lung cell,
a bone cell, a lung cell,
93
302512
2565
05:17
any adult cell type.
94
305101
1897
cualquier tipo de célula adulta.
05:19
This naïvety, it sets them apart,
95
307022
1677
Esta inocencia, las distingue,
05:20
but it also ignited the imagination
of the scientific community,
of the scientific community,
96
308723
3001
y también encendió la imaginación
de la comunidad científica,
de la comunidad científica,
05:23
who realized, if we could
tap into that potential,
tap into that potential,
97
311748
3263
que se dio cuenta, de que si
pudiéramos aprovechar ese potencial,
pudiéramos aprovechar ese potencial,
05:27
we would have a powerful
tool for medicine.
tool for medicine.
98
315035
2351
tendríamos una herramienta
poderosa para la medicina.
poderosa para la medicina.
Si pudiéramos descubrir
cómo toman la decisión
cómo toman la decisión
05:29
If we could figure out
how these cells make the decision
how these cells make the decision
99
317917
2621
de convertirse en un tipo
de célula u otro,
de célula u otro,
05:32
to become one cell type or another,
100
320562
2131
podríamos ser capaces de aprovecharlas
05:34
we might be able to harness them
101
322717
1690
05:36
to generate cells that we need
to repair diseased or damaged tissue.
to repair diseased or damaged tissue.
102
324431
4553
para generar células que necesitamos
para reparar tejidos enfermos o dañados.
para reparar tejidos enfermos o dañados.
05:41
But realizing that vision
is not without its challenges,
is not without its challenges,
103
329794
2930
Pero cumplir esta visión
no está exento de desafíos,
no está exento de desafíos,
05:44
not least because these particular cells,
104
332748
2764
sobre todo porque
estas células particulares,
estas células particulares,
05:47
they emerge just six days
after conception.
after conception.
105
335536
2829
emergen solo seis días
después de la concepción.
después de la concepción.
05:50
And then within a day or so, they're gone.
106
338826
2055
Y luego, en un día más
o menos, se han ido.
o menos, se han ido.
05:52
They have set off down the different paths
107
340905
2057
Han emprendido los diferentes caminos
05:54
that form all the structures
and organs of your adult body.
and organs of your adult body.
108
342986
3050
que forman todas las estructuras
y órganos del cuerpo adulto.
y órganos del cuerpo adulto.
05:59
But it turns out that cell fates
are a lot more plastic
are a lot more plastic
109
347770
3079
Pero resulta que el destino
de las células es mucho más plástico
de las células es mucho más plástico
06:02
than we might have imagined.
110
350873
1413
de lo que imaginamos.
06:04
About 13 years ago, some scientists
showed something truly revolutionary.
showed something truly revolutionary.
111
352310
4321
Hace unos 13 años,
algunos científicos mostraron
algo verdaderamente revolucionario.
algo verdaderamente revolucionario.
06:09
By inserting just a handful of genes
into an adult cell,
into an adult cell,
112
357393
4346
Al insertar solo un puñado
de genes en una célula adulta,
de genes en una célula adulta,
06:13
like one of your skin cells,
113
361763
1764
como una de sus células de la piel,
06:15
you can transform that cell
back to the naïve state.
back to the naïve state.
114
363551
3959
se puede transformar
esa célula al estado inocente.
esa célula al estado inocente.
06:19
And it's a process that's actually
known as "reprogramming,"
known as "reprogramming,"
115
367534
3175
Es un proceso que en realidad
se conoce como "reprogramación"
se conoce como "reprogramación"
06:22
and it allows us to imagine
a kind of stem cell utopia,
a kind of stem cell utopia,
116
370733
3359
y nos permite imaginar
una especie de utopía de células madre,
una especie de utopía de células madre,
06:26
the ability to take a sample
of a patient's own cells,
of a patient's own cells,
117
374116
3641
la capacidad de tomar una muestra
de las propias células de un paciente,
de las propias células de un paciente,
06:29
transform them back to the naïve state
118
377781
2360
transformarlas de nuevo al estado inocente
y usar esas células para hacer
lo que ese paciente pueda necesitar,
lo que ese paciente pueda necesitar,
06:32
and use those cells to make
whatever that patient might need,
whatever that patient might need,
119
380165
3130
06:35
whether it's brain cells or heart cells.
120
383319
2075
ya sean células cerebrales o cardíacas.
06:38
But over the last decade or so,
121
386541
1765
Pero durante la última década más o menos,
06:40
figuring out how to change cell fate,
122
388330
3044
averiguar cómo cambiar el destino celular,
06:43
it's still a process of trial and error.
123
391398
2152
todavía es un proceso de ensayo y error.
06:45
Even in cases where we've uncovered
successful experimental protocols,
successful experimental protocols,
124
393911
4508
Incluso en los casos en que descubrimos
protocolos experimentales exitosos,
protocolos experimentales exitosos,
06:50
they're still inefficient,
125
398443
1467
siguen siendo ineficientes
06:51
and we lack a fundamental understanding
of how and why they work.
of how and why they work.
126
399934
4238
y carecemos de una comprensión
fundamental de cómo y por qué funcionan.
fundamental de cómo y por qué funcionan.
06:56
If you figured out how to change
a stem cell into a heart cell,
a stem cell into a heart cell,
127
404650
3005
Si uno se las arregla para convertir
una célula madre en una célula cardíaca,
una célula madre en una célula cardíaca,
06:59
that hasn't got any way of telling you
how to change a stem cell
how to change a stem cell
128
407679
3089
eso no nos dice cómo
cambiar una célula madre
cambiar una célula madre
07:02
into a brain cell.
129
410792
1201
en una célula cerebral.
07:04
So we wanted to understand
the biological program
the biological program
130
412633
2931
Entonces queríamos entender
el programa biológico
el programa biológico
07:07
running inside an embryonic stem cell,
131
415588
2447
que corre dentro de una
célula madre embrionaria,
célula madre embrionaria,
07:10
and understanding the computation
performed by a living system
performed by a living system
132
418059
3506
y comprender el cálculo realizado
por un sistema vivo
por un sistema vivo
07:13
starts with asking
a devastatingly simple question:
a devastatingly simple question:
133
421589
4253
comenzando con una
pregunta devastadoramente simple:
pregunta devastadoramente simple:
07:17
What is it that system actually has to do?
134
425866
3356
¿qué es lo que ese sistema
realmente tiene que hacer?
realmente tiene que hacer?
07:21
Now, computer science actually
has a set of strategies
has a set of strategies
135
429838
2850
La informática en realidad
tiene un conjunto de estrategias
tiene un conjunto de estrategias
07:24
for dealing with what it is the software
and hardware are meant to do.
and hardware are meant to do.
136
432712
3827
para lidiar con lo que el software
y el hardware están destinados a hacer.
y el hardware están destinados a hacer.
07:28
When you write a program,
you code a piece of software,
you code a piece of software,
137
436563
2660
Cuando escriben un programa,
codifican una pieza de software,
codifican una pieza de software,
07:31
you want that software to run correctly.
138
439247
2000
desean que se ejecute correctamente.
07:33
You want performance, functionality.
139
441271
1790
Desean rendimiento, funcionalidad.
07:35
You want to prevent bugs.
140
443085
1217
Desean evitar errores.
07:36
They can cost you a lot.
141
444326
1308
Les puede costar mucho.
Cuando un desarrollador
escribe un programa,
escribe un programa,
07:38
So when a developer writes a program,
142
446168
1842
07:40
they could write down
a set of specifications.
a set of specifications.
143
448034
2270
podría escribir un conjunto
de especificaciones.
de especificaciones.
07:42
These are what your program should do.
144
450328
1871
Esto es lo que debe hacer su programa.
07:44
Maybe it should compare
the size of two numbers
the size of two numbers
145
452223
2268
Tal vez debería comparar
el tamaño de dos números
el tamaño de dos números
07:46
or order numbers by increasing size.
146
454515
1792
u ordenar números por tamaño.
07:49
Technology exists that allows us
automatically to check
automatically to check
147
457037
4695
Existe la tecnología que nos
permite verificar automáticamente
permite verificar automáticamente
07:53
whether our specifications are satisfied,
148
461756
2378
si están satisfechas
nuestras especificaciones,
nuestras especificaciones,
07:56
whether that program
does what it should do.
does what it should do.
149
464158
2633
si ese programa hace lo que debería hacer.
07:59
And so our idea was that in the same way,
150
467266
2856
Nuestra idea era que de la misma manera,
observaciones experimentales,
cosas que medimos en el laboratorio,
cosas que medimos en el laboratorio,
08:02
experimental observations,
things we measure in the lab,
things we measure in the lab,
151
470146
3068
08:05
they correspond to specifications
of what the biological program should do.
of what the biological program should do.
152
473238
5033
corresponden a especificaciones de lo
que debe hacer el programa biológico.
que debe hacer el programa biológico.
08:10
So we just needed to figure out a way
153
478769
1876
Así que solo necesitábamos
encontrar una manera
encontrar una manera
08:12
to encode this new type of specification.
154
480669
3183
para codificar este nuevo
tipo de especificación.
tipo de especificación.
08:16
So let's say you've been busy in the lab
and you've been measuring your genes
and you've been measuring your genes
155
484594
3654
Digamos que han estado ocupado
en el laboratorio midiendo sus genes
en el laboratorio midiendo sus genes
08:20
and you've found that if Gene A is active,
156
488272
2436
y descubrieron que
si el Gene A está activo,
si el Gene A está activo,
08:22
then Gene B or Gene C seems to be active.
157
490732
3388
entonces Gene B o Gene C
parece estar activo.
parece estar activo.
08:26
We can write that observation down
as a mathematical expression
as a mathematical expression
158
494678
3582
Podemos escribir esa observación
como una expresión matemática
como una expresión matemática
08:30
if we can use the language of logic:
159
498284
2373
si podemos usar el lenguaje de la lógica:
08:33
If A, then B or C.
160
501125
2328
Si A, entonces B o C.
08:36
Now, this is a very simple example, OK.
161
504242
2454
Ahora, este es un ejemplo muy simple,
08:38
It's just to illustrate the point.
162
506720
1743
Es solo para ilustrar el punto.
08:40
We can encode truly rich expressions
163
508487
2924
Podemos codificar expresiones
verdaderamente ricas
verdaderamente ricas
08:43
that actually capture the behavior
of multiple genes or proteins over time
of multiple genes or proteins over time
164
511435
4153
que capturan el proceder de múltiples
genes o proteínas a lo largo del tiempo
genes o proteínas a lo largo del tiempo
08:47
across multiple different experiments.
165
515612
2536
a través de múltiples
experimentos diferentes.
experimentos diferentes.
08:50
And so by translating our observations
166
518521
2626
Y así, al traducir nuestras observaciones
08:53
into mathematical expression in this way,
167
521171
1993
en expresiones matemáticas
de esta manera,
de esta manera,
08:55
it becomes possible to test whether
or not those observations can emerge
or not those observations can emerge
168
523188
5098
es posible probar si esas
observaciones pueden surgir o no
observaciones pueden surgir o no
09:00
from a program of genetic interactions.
169
528310
3054
de un programa de interacciones genéticas.
Y desarrollamos una herramienta
para hacer justamente esto.
para hacer justamente esto.
09:04
And we developed a tool to do just this.
170
532063
2556
09:06
We were able to use this tool
to encode observations
to encode observations
171
534643
2882
Pudimos usar esta herramienta
para codificar observaciones
para codificar observaciones
09:09
as mathematical expressions,
172
537549
1407
como expresiones matemáticas
09:10
and then that tool would allow us
to uncover the genetic program
to uncover the genetic program
173
538980
3610
y luego esa herramienta nos permitiría
descubrir el programa genético
descubrir el programa genético
09:14
that could explain them all.
174
542614
1538
que podría dar explicación de todos.
09:17
And we then apply this approach
175
545481
2280
Y luego aplicamos
este enfoque para descubrir
este enfoque para descubrir
09:19
to uncover the genetic program
running inside embryonic stem cells
running inside embryonic stem cells
176
547785
4083
el programa genético que se ejecuta
dentro de las células madre embrionarias
dentro de las células madre embrionarias
09:23
to see if we could understand
how to induce that naïve state.
how to induce that naïve state.
177
551892
4189
para ver si podíamos entender
cómo inducir ese estado inocente.
cómo inducir ese estado inocente.
09:28
And this tool was actually built
178
556105
1952
Esta herramienta se construyó realmente
09:30
on a solver that's deployed
routinely around the world
routinely around the world
179
558081
2652
en un solucionador que se implementa
habitualmente en todo el mundo
habitualmente en todo el mundo
09:32
for conventional software verification.
180
560757
2269
para verificación
de software convencional.
de software convencional.
Entonces comenzamos con un conjunto
de casi 50 especificaciones diferentes
de casi 50 especificaciones diferentes
09:35
So we started with a set
of nearly 50 different specifications
of nearly 50 different specifications
181
563630
3691
que generamos a partir
de observaciones experimentales
de observaciones experimentales
09:39
that we generated from experimental
observations of embryonic stem cells.
observations of embryonic stem cells.
182
567345
4506
de células madre embrionarias.
09:43
And by encoding these
observations in this tool,
observations in this tool,
183
571875
2636
Y al codificar estas observaciones
en esta herramienta,
en esta herramienta,
09:46
we were able to uncover
the first molecular program
the first molecular program
184
574535
3185
pudimos descubrir
el primer programa molecular
el primer programa molecular
09:49
that could explain all of them.
185
577744
1961
que podría explicarlos todos.
09:52
Now, that's kind of a feat
in and of itself, right?
in and of itself, right?
186
580309
2513
Eso es una hazaña en sí misma, ¿verdad?
09:54
Being able to reconcile
all of these different observations
all of these different observations
187
582846
2902
Ser capaz de conciliar todas
estas observaciones diferentes
estas observaciones diferentes
09:57
is not the kind of thing
you can do on the back of an envelope,
you can do on the back of an envelope,
188
585772
3067
no es el tipo de cosas que pueden
hacer al dorso de un sobre,
hacer al dorso de un sobre,
10:00
even if you have a really big envelope.
189
588863
2648
incluso si tienen un sobre
realmente grande.
realmente grande.
10:04
Because we've got
this kind of understanding,
this kind of understanding,
190
592190
2158
Como tenemos este tipo de comprensión,
10:06
we could go one step further.
191
594372
1462
podríamos ir un paso más allá.
10:07
We could use this program to predict
what this cell might do
what this cell might do
192
595858
3371
Podríamos usar este programa para
predecir qué podría hacer esta célula
predecir qué podría hacer esta célula
10:11
in conditions we hadn't yet tested.
193
599253
2176
en condiciones que aún
no habíamos probado.
no habíamos probado.
10:13
We could probe the program in silico.
194
601453
2401
Podríamos sondear el programa en silico.
10:16
And so we did just that:
195
604735
1247
Y así lo hicimos:
10:18
we generated predictions
that we tested in the lab,
that we tested in the lab,
196
606006
3180
generamos predicciones
que probamos en el laboratorio,
que probamos en el laboratorio,
10:21
and we found that this program
was highly predictive.
was highly predictive.
197
609210
3032
y encontramos que este programa
era altamente predictivo.
era altamente predictivo.
10:24
It told us how we could
accelerate progress
accelerate progress
198
612266
2625
Nos dijo cómo podríamos
acelerar el progreso,
acelerar el progreso,
10:26
back to the naïve state
quickly and efficiently.
quickly and efficiently.
199
614915
3060
volver al estado inocente
de forma rápida y eficiente.
de forma rápida y eficiente.
10:29
It told us which genes
to target to do that,
to target to do that,
200
617999
2570
Nos dijo a qué genes
apuntar para hacer eso,
apuntar para hacer eso,
10:32
which genes might even
hinder that process.
hinder that process.
201
620593
2624
qué genes podrían incluso
obstaculizar ese proceso.
obstaculizar ese proceso.
10:35
We even found the program predicted
the order in which genes would switch on.
the order in which genes would switch on.
202
623241
4990
Incluso el programa predijo el orden
en que se activarían los genes.
en que se activarían los genes.
10:40
So this approach really allowed us
to uncover the dynamics
to uncover the dynamics
203
628980
3140
Entonces, este enfoque realmente
nos permitió descubrir la dinámica
nos permitió descubrir la dinámica
10:44
of what the cells are doing.
204
632144
2402
de lo que están haciendo las células.
10:47
What we've developed, it's not a method
that's specific to stem cell biology.
that's specific to stem cell biology.
205
635728
3642
El desarrollo no es un método específico
para la biología de células madre.
para la biología de células madre.
10:51
Rather, it allows us to make sense
of the computation
of the computation
206
639394
2684
Más bien, nos permite
dar sentido a la computación.
dar sentido a la computación.
10:54
being carried out by the cell
207
642102
1685
siendo llevada a cabo por la célula
10:55
in the context of genetic interactions.
208
643811
2831
en el contexto de interacciones genéticas.
10:58
So really, it's just one building block.
209
646666
2288
En realidad, es solo
un componente básico.
un componente básico.
11:00
The field urgently needs
to develop new approaches
to develop new approaches
210
648978
2685
El campo necesita urgentemente
desarrollar nuevos enfoques
desarrollar nuevos enfoques
11:03
to understand biological
computation more broadly
computation more broadly
211
651687
2695
para entender la computación
biológica más ampliamente
biológica más ampliamente
11:06
and at different levels,
212
654406
1367
y a diferentes niveles,
11:07
from DNA right through
to the flow of information between cells.
to the flow of information between cells.
213
655797
4129
desde el ADN hasta el flujo
de información entre las células.
de información entre las células.
11:11
Only this kind of
transformative understanding
transformative understanding
214
659950
2797
Solo este tipo de
comprensión transformadora
comprensión transformadora
11:14
will enable us to harness biology
in ways that are predictable and reliable.
in ways that are predictable and reliable.
215
662771
4986
nos permitirá aprovechar la biología
de manera predecible y confiable.
de manera predecible y confiable.
Pero para programar la biología,
también necesitaremos desarrollar
también necesitaremos desarrollar
11:21
But to program biology,
we will also need to develop
we will also need to develop
216
669029
3042
11:24
the kinds of tools and languages
217
672095
1995
los tipos de herramientas e idiomas
11:26
that allow both experimentalists
and computational scientists
and computational scientists
218
674114
3408
que permiten a los experimentadores
y científicos computacionales
y científicos computacionales
11:29
to design biological function
219
677546
2497
diseñar la función biológica
11:32
and have those designs compile down
to the machine code of the cell,
to the machine code of the cell,
220
680067
3505
y hacer que esos diseños se compilen
en el código de máquina de la celda,
en el código de máquina de la celda,
11:35
its biochemistry,
221
683596
1181
su bioquímica
11:36
so that we could then
build those structures.
build those structures.
222
684801
2484
para que luego podamos
construir esas estructuras.
construir esas estructuras.
11:39
Now, that's something akin
to a living software compiler,
to a living software compiler,
223
687309
3673
Eso es algo parecido
a un compilador de software vivo,
a un compilador de software vivo,
y estoy orgullosa de ser parte
de un equipo en Microsoft
de un equipo en Microsoft
11:43
and I'm proud to be
part of a team at Microsoft
part of a team at Microsoft
224
691006
2216
11:45
that's working to develop one.
225
693246
1652
que está trabajando para desarrollar uno.
11:47
Though to say it's a grand challenge
is kind of an understatement,
is kind of an understatement,
226
695366
3226
Aunque decir que es
un gran desafío es un eufemismo,
un gran desafío es un eufemismo,
11:50
but if it's realized,
227
698616
1173
pero si se lleva a cabo,
11:51
it would be the final bridge
between software and wetware.
between software and wetware.
228
699813
3709
sería el puente final entre
el software y el wetware.
el software y el wetware.
11:57
More broadly, though, programming biology
is only going to be possible
is only going to be possible
229
705006
3415
Sin embargo, en términos más generales, la
biología de programación solo será posible
biología de programación solo será posible
12:00
if we can transform the field
into being truly interdisciplinary.
into being truly interdisciplinary.
230
708445
4279
si podemos transformar el campo
en uno verdaderamente interdisciplinario.
en uno verdaderamente interdisciplinario.
12:04
It needs us to bridge
the physical and the life sciences,
the physical and the life sciences,
231
712748
2952
Se necesita unir
las ciencias físicas y de la vida,
las ciencias físicas y de la vida,
12:07
and scientists from
each of these disciplines
each of these disciplines
232
715724
2267
y científicos de cada una
de estas disciplinas
de estas disciplinas
12:10
need to be able to work together
with common languages
with common languages
233
718015
2731
necesitan poder trabajar
juntos con idiomas comunes
juntos con idiomas comunes
12:12
and to have shared scientific questions.
234
720770
2719
y compartir preguntas científicas.
A largo plazo, vale la pena recordar
que muchas de las compañías gigantes
que muchas de las compañías gigantes
12:16
In the long term, it's worth remembering
that many of the giant software companies
that many of the giant software companies
235
724757
3993
de software y tecnología con las que Uds.
y yo trabajamos todos los días
y yo trabajamos todos los días
12:20
and the technology
that you and I work with every day
that you and I work with every day
236
728774
2492
12:23
could hardly have been imagined
237
731290
1503
difícilmente podrían haber sido imaginadas
12:24
at the time we first started
programming on silicon microchips.
programming on silicon microchips.
238
732817
3605
cuando comenzamos a programar
en microchips de silicio.
en microchips de silicio.
12:28
And if we start now to think about
the potential for technology
the potential for technology
239
736446
3031
Y si comenzamos ahora a pensar
en el potencial de la tecnología
en el potencial de la tecnología
12:31
enabled by computational biology,
240
739501
2426
habilitado por la biología computacional,
12:33
we'll see some of the steps
that we need to take along the way
that we need to take along the way
241
741951
2935
veremos algunos de los pasos
que debemos seguir en el camino
que debemos seguir en el camino
12:36
to make that a reality.
242
744910
1433
para hacer eso realidad.
12:39
Now, there is the sobering thought
that this kind of technology
that this kind of technology
243
747231
3082
Existe el pensamiento aleccionador
de que este tipo de tecnología
de que este tipo de tecnología
12:42
could be open to misuse.
244
750337
1777
podría estar abierto al mal uso.
12:44
If we're willing to talk
about the potential
about the potential
245
752138
2163
Si estamos dispuestos
a hablar sobre el potencial
a hablar sobre el potencial
12:46
for programming immune cells,
246
754325
1436
para programar células inmunes,
12:47
we should also be thinking
about the potential of bacteria
about the potential of bacteria
247
755785
3188
también deberíamos pensar
en el potencial de las bacterias
en el potencial de las bacterias
12:50
engineered to evade them.
248
758997
1661
diseñadas para evadirlos.
12:52
There might be people willing to do that.
249
760682
2087
Puede haber gente dispuesta a hacer eso.
12:55
Now, one reassuring thought in this
250
763506
1722
Un pensamiento tranquilizador en esto
12:57
is that -- well, less so
for the scientists --
for the scientists --
251
765252
2289
es que, bueno, menos para los científicos
12:59
is that biology is
a fragile thing to work with.
a fragile thing to work with.
252
767565
3269
es que la biología es frágil
al ser manipuleada.
al ser manipuleada.
13:02
So programming biology
is not going to be something
is not going to be something
253
770858
2412
Así que programar biología no será algo
que harán en el cobertizo de su jardín.
13:05
you'll be doing in your garden shed.
254
773294
1848
13:07
But because we're at the outset of this,
255
775642
2080
Pero como estamos al comienzo de esto,
13:09
we can move forward
with our eyes wide open.
with our eyes wide open.
256
777746
2583
podemos avanzar
con los ojos bien abiertos.
con los ojos bien abiertos.
13:12
We can ask the difficult
questions up front,
questions up front,
257
780353
2324
Podemos hacer las preguntas
difíciles por adelantado,
difíciles por adelantado,
13:14
we can put in place
the necessary safeguards
the necessary safeguards
258
782701
3040
podemos establecer
las salvaguardas necesarias
las salvaguardas necesarias
y, como parte de eso, tendremos
que pensar en nuestra ética.
que pensar en nuestra ética.
13:17
and, as part of that,
we'll have to think about our ethics.
we'll have to think about our ethics.
259
785765
2797
13:20
We'll have to think about putting bounds
on the implementation
on the implementation
260
788586
3172
Tendremos que pensar
en poner límites a la implementación
en poner límites a la implementación
13:23
of biological function.
261
791782
1498
de la función biológica.
13:25
So as part of this, research in bioethics
will have to be a priority.
will have to be a priority.
262
793604
3715
Como parte de esto, la investigación
en bioética tendrá que ser una prioridad.
en bioética tendrá que ser una prioridad.
13:29
It can't be relegated to second place
263
797343
2407
No puede ser relegado al segundo lugar
13:31
in the excitement
of scientific innovation.
of scientific innovation.
264
799774
2514
en la emoción de la innovación científica.
13:35
But the ultimate prize,
the ultimate destination on this journey,
the ultimate destination on this journey,
265
803154
3474
Pero el premio final,
el destino final en este viaje,
el destino final en este viaje,
13:38
would be breakthrough applications
and breakthrough industries
and breakthrough industries
266
806652
3444
serían aplicaciones innovadoras
e industrias innovadoras
e industrias innovadoras
13:42
in areas from agriculture and medicine
to energy and materials
to energy and materials
267
810120
3444
en áreas desde agricultura y medicina
hasta energía y materiales
hasta energía y materiales
13:45
and even computing itself.
268
813588
2261
e incluso la informática en sí misma.
13:48
Imagine, one day we could be powering
the planet sustainably
the planet sustainably
269
816490
3148
Imagínense, que algún día podríamos
alimentar el planeta de manera sostenible
alimentar el planeta de manera sostenible
13:51
on the ultimate green energy
270
819662
1859
en la máxima energía verde
13:53
if we could mimic something
that plants figured out millennia ago:
that plants figured out millennia ago:
271
821545
3943
si pudiéramos imitar algo que
las plantas descubrieron hace milenios:
las plantas descubrieron hace milenios:
13:57
how to harness the sun's energy
with an efficiency that is unparalleled
with an efficiency that is unparalleled
272
825512
3771
cómo aprovechar la energía del sol
con una eficiencia que no tiene paralelo
con una eficiencia que no tiene paralelo
14:01
by our current solar cells.
273
829307
1856
por nuestras células solares actuales.
14:03
If we understood that program
of quantum interactions
of quantum interactions
274
831695
2601
Si entendiéramos ese programa
de interacciones cuánticas
de interacciones cuánticas
14:06
that allow plants to absorb
sunlight so efficiently,
sunlight so efficiently,
275
834320
3264
que permiten que las plantas absorban
la luz solar de manera tan eficiente,
la luz solar de manera tan eficiente,
14:09
we might be able to translate that
into building synthetic DNA circuits
into building synthetic DNA circuits
276
837608
3944
podríamos traducir eso en
construir circuitos sintéticos de ADN
construir circuitos sintéticos de ADN
14:13
that offer the material
for better solar cells.
for better solar cells.
277
841576
2913
que ofrecen el material
para mejores células solares.
para mejores células solares.
Hay equipos y científicos trabajando en
los fundamentos de esto en este momento,
los fundamentos de esto en este momento,
14:17
There are teams and scientists working
on the fundamentals of this right now,
on the fundamentals of this right now,
278
845349
3693
14:21
so perhaps if it got the right attention
and the right investment,
and the right investment,
279
849066
3243
entonces, si recibiera la atención
adecuada y la inversión correcta,
adecuada y la inversión correcta,
14:24
it could be realized in 10 or 15 years.
280
852333
2280
se podría realizar en 10 o 15 años.
14:27
So we are at the beginning
of a technological revolution.
of a technological revolution.
281
855457
3197
Estamos al comienzo
de una revolución tecnológica.
de una revolución tecnológica.
14:31
Understanding this ancient type
of biological computation
of biological computation
282
859067
3221
Comprender este antiguo tipo
de computación biológica
de computación biológica
14:34
is the critical first step.
283
862312
2132
es el primer paso crítico.
14:36
And if we can realize this,
284
864468
1317
Y si podemos darnos cuenta de esto,
14:37
we would enter in the era
of an operating system
of an operating system
285
865809
2842
entraríamos en la era
de un sistema operativo
de un sistema operativo
14:40
that runs living software.
286
868675
1905
que ejecuta software vivo
14:42
Thank you very much.
287
870604
1166
Muchas gracias.
14:43
(Applause)
288
871794
2690
(Aplausos)
ABOUT THE SPEAKER
Sara-Jane Dunn - Computational biologistSara-Jane Dunn is a scientist working at the interface between biology and computation, using mathematics and computational analysis to make sense of how living systems process information.
Why you should listen
Sara-Jane Dunn started her career as a mathematician, finding a niche in "mathematical biology" -- a field where mathematical models and simulations provide insights into the behavior and development of living systems. For Dunn, this research opened up new ways to explore old problems, from understanding how diseases spread to how cancer evolves. To this end, she created computational models of the gut that could be used to test hypotheses about the earliest stages of colorectal cancer.
At Microsoft Research, Dunn collaborates with experimenters in embryonic stem cell biology and seeks to uncover the biological program that governs how these unique cells are able to generate all of the different cell types of your adult body. This work could, in time, "unlock" biology and make cells programmable, which could fundamentally transform medicine, agriculture and even how we power the planet.
Sara-Jane Dunn | Speaker | TED.com