ABOUT THE SPEAKER
Juan Enriquez - Futurist
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society.

Why you should listen

A broad thinker who studies the intersections of these fields, Enriquez has a talent for bridging disciplines to build a coherent look ahead. He is the managing director of Excel Venture Management, a life sciences VC firm. He recently published (with Steve Gullans) Evolving Ourselves: How Unnatural Selection and Nonrandom Mutation Are Shaping Life on Earth. The book describes a world where humans increasingly shape their environment, themselves and other species.

Enriquez is a member of the board of Synthetic Genomics, which recently introduced the smallest synthetic living cell. Called “JCVI-syn 3.0,” it has 473 genes (about half the previous smallest cell). The organism would die if one of the genes is removed. In other words, this is the minimum genetic instruction set for a living organism.

More profile about the speaker
Juan Enriquez | Speaker | TED.com
TED2003

Juan Enriquez: The life code that will reshape the future

Juan Enriquez habla acerca de genómica y nuestro futuro

Filmed:
831,634 views

Los descubrimientos cientificos, como hace notar el futurista Juan Enriquez, obligan a un cambio de código y nuestra habilidad para prosperar depende de nuestra capacidad para dominar este código. En esta charla, él aplica este concepto al campo de la genómica.
- Futurist
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society. Full bio

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

00:25
I'm supposedsupuesto to scaresusto you, because it's about fearmiedo, right?
0
1000
3000
Se supone que los debo espantar, porque se trata de miedo ¿correcto?
00:29
And you should be really afraidasustado,
1
5000
2000
Y realmente deberían tener miedo,
00:31
but not for the reasonsrazones why you think you should be.
2
7000
2000
pero no por las razones que creen.
00:34
You should be really afraidasustado that --
3
10000
2000
Realmente debieran tener miedo de...
00:36
if we stickpalo up the first slidediapositiva on this thing -- there we go -- that you're missingdesaparecido out.
4
12000
4000
si subimos la primera lámina a esta cosa -- ahí vamos -- de quedar excluídos.
00:42
Because if you spendgastar this weeksemana thinkingpensando about IraqIrak and
5
18000
4000
Porque si pasaron esta semana pensando sobre Irak y
00:46
thinkingpensando about BushArbusto and thinkingpensando about the stockvalores marketmercado,
6
22000
4000
pensando sobre Bush y pensando sobre los mercados de acciones,
00:50
you're going to missperder one of the greatestmejor adventuresaventuras that we'venosotros tenemos ever been on.
7
26000
2000
van a perderse una de las mayores aventuras que jamás hayamos tenido.
00:53
And this is what this adventure'saventura really about.
8
29000
2000
Y de esto se trata realmente esta aventura.
00:55
This is crystallizedcristalizado DNAADN.
9
31000
4000
Esto es ADN cristalizado.
00:59
EveryCada life formformar on this planetplaneta -- everycada insectinsecto, everycada bacteriabacteria, everycada plantplanta,
10
35000
3000
Todos los seres vivos en este planeta, cada insecto, cada bacteria, cada
01:02
everycada animalanimal, everycada humanhumano, everycada politicianpolítico -- (LaughterRisa)
11
38000
3000
planta, cada animal, cada humano, cada político (Risas)
01:07
is codedcodificado in that stuffcosas.
12
43000
2000
está codificado en esa cosa.
01:09
And if you want to take a singlesoltero crystalcristal of DNAADN, it looksmiradas like that.
13
45000
4000
Y si quieres tomar un solo cristal de ADN, así es como se ve.
01:13
And we're just beginningcomenzando to understandentender this stuffcosas.
14
49000
2000
Y recién estamos comenzando a entender todo esto.
01:16
And this is the singlesoltero mostmás excitingemocionante adventureaventuras that we have ever been on.
15
52000
3000
Y esta es la aventura más excitante que jamás hayamos tenido.
01:20
It's the singlesoltero greatestmejor mappingcartografía projectproyecto we'venosotros tenemos ever been on.
16
56000
3000
Es el proyecto de mapeo más grande que jamás hayamos tenido.
01:23
If you think that the mappingcartografía of America'sAmérica madehecho a differencediferencia,
17
59000
2000
Si crees que el mapeo de América logró hacer una diferencia,
01:25
or landingaterrizaje on the moonLuna, or this other stuffcosas,
18
61000
3000
o el aterrizaje en la luna, o estas otras cosas,
01:28
it's the mapmapa of ourselvesNosotros mismos and the mapmapa of everycada plantplanta
19
64000
3000
es el mapa de nosotros y el mapa de cada planta
01:31
and everycada insectinsecto and everycada bacteriabacteria that really makeshace a differencediferencia.
20
67000
3000
y cada insecto y cada bacteria lo que realmente va a lograr hacer una diferencia.
01:34
And it's beginningcomenzando to tell us a lot about evolutionevolución.
21
70000
3000
Y está comenzando a explicarnos mucho acerca de la evolución
01:39
(LaughterRisa)
22
75000
4000
(Risas).
01:43
It turnsvueltas out that what this stuffcosas is --
23
79000
2000
Resulta que esta cosa es --
01:45
and RichardRicardo DawkinsDawkins has writtenescrito about this --
24
81000
2000
y Richard Dawkins ha escrito sobre esto --
01:47
is, this is really a riverrío out of EdenEdén.
25
83000
2000
esto es realmente el río que sale del Edén.
01:49
So, the 3.2 billionmil millones basebase pairspares insidedentro eachcada of your cellsCélulas
26
85000
4000
Entonces, los 3,2 miles de millones de pares base dentro de cada una de sus células
01:53
is really a historyhistoria of where you've been for the pastpasado billionmil millones yearsaños.
27
89000
3000
son en realidad la historia de dónde han estado por los últimos mil millones de años.
01:56
And we could startcomienzo datingcitas things,
28
92000
1000
Y podemos comenzar a fechar cosas,
01:57
and we could startcomienzo changingcambiando medicinemedicina and archeologyarqueología.
29
93000
3000
y comenzar a cambiar la medicina y arqueología.
02:01
It turnsvueltas out that if you take the humanhumano speciesespecies about 700 yearsaños agohace,
30
97000
3000
Resulta que si tomas a la especie humana alrededor de 700 años atrás,
02:04
whiteblanco EuropeansEuropeos divergeddivergido from blacknegro AfricansAfricanos in a very significantsignificativo way.
31
100000
3000
los Europeos blancos divergieron de los Africanos Negros de una forma muy significativa.
02:07
WhiteBlanco EuropeansEuropeos were subjecttema to the plaguePlaga.
32
103000
5000
Los Europeos blancos sufrieron la plaga.
02:13
And when they were subjecttema to the plaguePlaga, mostmás people didn't survivesobrevivir,
33
109000
3000
Y cuando sufrieron la plaga, la mayoría no sobrevivió,
02:16
but those who survivedsobrevivió had a mutationmutación on the CCRCCR5 receptorreceptor.
34
112000
4000
pero los que sí lo hicieron tuvieron una mutación en el receptor CCR5.
02:20
And that mutationmutación was passedpasado on to theirsu kidsniños
35
116000
2000
Y les pasaron esta mutación a sus hijos
02:22
because they're the onesunos that survivedsobrevivió,
36
118000
2000
porque ellos habían sobrevivido,
02:24
so there was a great dealacuerdo of populationpoblación pressurepresión.
37
120000
2000
así que había mucha presión para repoblar.
02:26
In AfricaÁfrica, because you didn't have these citiesciudades,
38
122000
2000
En África, dado que no habían grandes ciudades,
02:28
you didn't have that CCRCCR5 populationpoblación pressurepresión mutationmutación.
39
124000
3000
no se tuvo esa mutación CCR5 causada por la presión poblacional.
02:31
We can datefecha it to 700 yearsaños agohace.
40
127000
3000
Podemos fechar esto hace 700 años.
02:34
That is one of the reasonsrazones why AIDSSIDA is ragingfurioso acrossa través de AfricaÁfrica as fastrápido as it is,
41
130000
4000
Esta es una de las razones por las cuales el SIDA se está propagando en África tan rápidamente,
02:38
and not as fastrápido acrossa través de EuropeEuropa.
42
134000
4000
pero en Europa va más lento.
02:42
And we're beginningcomenzando to find these little things for malariamalaria,
43
138000
3000
Y estamos comenzando a encontrar estas pequeñas cosas
02:45
for sicklehoz cellcelda, for cancerscánceres.
44
141000
3000
para la malaria, para anemia, para cánceres.
02:49
And in the measuremedida that we mapmapa ourselvesNosotros mismos,
45
145000
2000
Y en la medida en que nos mapeamos a nosotros mismos,
02:51
this is the singlesoltero greatestmejor adventureaventuras that we'llbien ever be on.
46
147000
2000
esta es la aventura más grande en que jamás estaremos.
02:53
And this Fridayviernes, I want you to pullHalar out a really good bottlebotella of winevino,
47
149000
4000
Y este viernes, quiero que saquen una excelente botella de vino,
02:57
and I want you to toastbrindis these two people.
48
153000
2000
y quiero que brinden por estas dos personas.
03:00
Because this Fridayviernes, 50 yearsaños agohace, WatsonWatson and CrickTortícolis foundencontró the structureestructura of DNAADN,
49
156000
4000
Porque este viernes hace 50 años atrás, Watson y Crick descubrieron la estructura del ADN
03:04
and that is almostcasi as importantimportante a datefecha
50
160000
3000
y esa es una fecha casi tan importante como el
03:07
as the 12thth of Februaryfebrero when we first mappedmapeado ourselvesNosotros mismos,
51
163000
3000
12 de Febrero cuando por primera vez nos mapeamos
03:10
but anywayde todas formas, we'llbien get to that.
52
166000
2000
pero, en todo caso, después hablaremos de eso.
03:12
I thought we'dmie talk about the newnuevo zoozoo.
53
168000
2000
Pensé que hablaríamos del nuevo zoológico.
03:14
So, all you guys have heardoído about DNAADN, all the stuffcosas that DNAADN does,
54
170000
4000
Entonces, todos ustedes han oído sobre ADN, todas las cosas que hace el ADN,
03:18
but some of the stuffcosas we're discoveringdescubriendo is kindtipo of niftyhábil
55
174000
3000
pero algunas de las que estamos descubriendo son como ingeniosas
03:21
because this turnsvueltas out to be the singlesoltero mostmás abundantabundante speciesespecies on the planetplaneta.
56
177000
5000
porque esto resulta ser la especie más abundante en el planeta.
03:26
If you think you're successfulexitoso or cockroachescucarachas are successfulexitoso,
57
182000
3000
Si crees que los humanos son exitosos o las cucarachas lo son,
03:29
it turnsvueltas out that there's tendiez trilliontrillón trilliontrillón PleurococcusPleurococo sittingsentado out there.
58
185000
3000
resulta que hay diez billones de billones de Pleurococos allá afuera.
03:32
And we didn't know that PleurococcusPleurococo was out there,
59
188000
3000
Y no sabíamos ni siquiera que los Pleurococos existían,
03:35
whichcual is partparte of the reasonrazón
60
191000
1000
lo que es una de las razones
03:36
why this wholetodo species-mappingmapeo de especies projectproyecto is so importantimportante.
61
192000
5000
por la que este proyecto de mapeo de especies es tan importante.
03:41
Because we're just beginningcomenzando to learnaprender
62
197000
2000
Porque recién estamos comenzando a comprender
03:43
where we camevino from and what we are.
63
199000
1000
de dónde venimos y lo que somos.
03:45
And we're findinghallazgo amoebasamebas like this. This is the amoebaameba dubiadubia.
64
201000
3000
Y estamos encontrando amebas como esta. Esta es una Ameba dubia.
03:49
And the amoebaameba dubiadubia doesn't look like much,
65
205000
2000
Y la Ameba dubia no parece muy interesante,
03:51
exceptexcepto that eachcada of you has about 3.2 billionmil millones lettersletras,
66
207000
3000
excepto que cada uno de ustedes tiene como 3,2 miles de millones de letras,
03:54
whichcual is what makeshace you you,
67
210000
2000
que es lo que te hace a ti a ti
03:56
as farlejos as genegene codecódigo insidedentro eachcada of your cellsCélulas,
68
212000
3000
en lo que respecta a tu código genético dentro de cada una de tus células
03:59
and this little amoebaameba whichcual, you know,
69
215000
3000
y esta pequeña ameba que, como saben,
04:02
sitsse sienta in wateragua in hundredscientos and millionsmillones and billionsmiles de millones,
70
218000
2000
hay cientos y millones y billones en el agua,
04:05
turnsvueltas out to have 620 billionmil millones basebase pairspares of genegene codecódigo insidedentro.
71
221000
6000
resulta que tiene 620 miles de millones de bases pares de código genético.
04:11
So, this little thingamajigthingamajig has a genomegenoma
72
227000
3000
Entonces, ésta cosita tiene un genoma
04:14
that's 200 timesveces the sizetamaño of yourstuya.
73
230000
2000
que es 200 veces el tamaño del tuyo.
04:17
And if you're thinkingpensando of efficienteficiente informationinformación storagealmacenamiento mechanismsmecanismos,
74
233000
3000
Y si estás pensando acerca de mecanismos eficientes para almacenar información,
04:21
it maymayo not turngiro out to be chipspapas fritas.
75
237000
2000
estos pueden resultar no ser chips.
04:24
It maymayo turngiro out to be something that looksmiradas a little like that amoebaameba.
76
240000
4000
Pueden resultar ser algo que se parece un poco a esa ameba.
04:28
And, again, we're learningaprendizaje from life and how life workstrabajos.
77
244000
4000
Y, de nuevo, estamos aprendiendo de la vida y de cómo funciona.
04:32
This funkymiedoso little thing: people didn't used to think
78
248000
4000
De esta cosita medio extraña, la gente antes pensaba que no
04:36
that it was worthvalor takingtomando samplesmuestras out of nuclearnuclear reactorsreactores
79
252000
3000
valía la pena sacar muestras de los reactores nucleares
04:39
because it was dangerouspeligroso and, of coursecurso, nothing livedvivió there.
80
255000
3000
porque era peligroso y, por supuesto, nada vivía allí.
04:42
And then finallyfinalmente somebodyalguien pickedescogido up a microscopemicroscopio
81
258000
3000
Y entonces finalmente alguien tomó un microscopio
04:45
and lookedmirado at the wateragua that was sittingsentado nextsiguiente to the coresnúcleos.
82
261000
3000
y miró en el agua que estaba alrededor de los núcleos.
04:48
And sittingsentado nextsiguiente to that wateragua in the coresnúcleos
83
264000
2000
Y ahí en el agua de los núcleos estaba
04:50
was this little DeinococcusDeinococcus radioduransRadiodurans, doing a backstrokerevés,
84
266000
3000
este pequeño Deinococo radiodurans, nadando tranquilito,
04:53
havingteniendo its chromosomescromosomas blownestropeado apartaparte everycada day,
85
269000
2000
teniendo sus cromosomas volados cada día,
04:55
sixseis, sevensiete timesveces, restitchingdescansando them,
86
271000
3000
seis, siete veces, recomponiéndolos,
04:58
livingvivo in about 200 timesveces the radiationradiación that would killmatar you.
87
274000
2000
viviendo en como 200 veces la radiación que te mataría.
05:01
And by now you should be gettingconsiguiendo a hintinsinuación as to how diversediverso
88
277000
3000
Y ya debieran estar teniendo una idea de cuán diverso
05:04
and how importantimportante and how interestinginteresante this journeyviaje into life is,
89
280000
2000
e importante e interesante es este viaje hacia la vida,
05:06
and how manymuchos differentdiferente life formsformularios there are,
90
282000
3000
y cuantas formas de vida distintas hay,
05:09
and how there can be differentdiferente life formsformularios livingvivo in
91
285000
3000
y cómo puede haber diferentes formas de vida viviendo en lugares
05:12
very differentdiferente placeslugares, maybe even outsidefuera de of this planetplaneta.
92
288000
3000
muy distintos, quizás incluso fuera de este planeta.
05:16
Because if you can livevivir in radiationradiación that looksmiradas like this,
93
292000
2000
Porque si se puede vivir en radiación como esta,
05:18
that bringstrae up a wholetodo seriesserie of interestinginteresante questionspreguntas.
94
294000
3000
se genera una serie de preguntas interesantes.
05:22
This little thingamajigthingamajig: we didn't know this thingamajigthingamajig existedexistió.
95
298000
3000
No sabíamos que existía esta pequeña cosita.
05:26
We should have knownconocido that this existedexistió
96
302000
2000
Deberíamos haber sabido que existía
05:28
because this is the only bacteriabacteria that you can see to the nakeddesnudo eyeojo.
97
304000
3000
ya que es la única bacteria que se puede ver a simple vista.
05:31
So, this thing is 0.75 millimetersmilímetros.
98
307000
3000
Entonces, esta cosa es 0,75 milímetros.
05:34
It livesvive in a deepprofundo trenchzanja off the coastcosta of NamibiaNamibia.
99
310000
2000
Vive en una fosa profunda en el mar cerca de la costa de Namibia.
05:37
And what you're looking at with this namibiensisnamibiensis
100
313000
2000
Y lo que estás viendo con este namibiensis
05:39
is the biggestmás grande bacteriabacteria we'venosotros tenemos ever seenvisto.
101
315000
2000
es la bacteria más grande que hayamos visto.
05:41
So, it's about the sizetamaño of a little periodperíodo on a sentencefrase.
102
317000
3000
Es como del tamaño de un punto en una oración.
05:45
Again, we didn't know this thing was there threeTres yearsaños agohace.
103
321000
4000
De nuevo, hace tres años ni sabíamos que esta cosa existía.
05:49
We're just beginningcomenzando this journeyviaje of life in the newnuevo zoozoo.
104
325000
3000
Estamos recién empezando este viaje en el nuevo zoológico.
05:53
This is a really oddimpar one. This is FerroplasmaFerroplasma.
105
329000
3000
Este es uno realmente extraño. Este es Ferroplasma.
05:57
The reasonrazón why FerroplasmaFerroplasma is interestinginteresante is because it eatscome ironhierro,
106
333000
3000
La razón de por qué el Ferroplasma es interesante es porque come hierro,
06:01
livesvive insidedentro the equivalentequivalente of batterybatería acidácido,
107
337000
3000
vive dentro del equivalente del ácido de batería
06:05
and excretesexcreta sulfuricsulfúrico acidácido.
108
341000
2000
y excreta ácido sulfúrico.
06:09
So, when you think of oddimpar life formsformularios,
109
345000
2000
Entonces, cuando piensas de formas de vida extrañas,
06:11
when you think of what it takes to livevivir,
110
347000
3000
cuando piensas qué se requiere para vivir,
06:15
it turnsvueltas out this is a very efficienteficiente life formformar,
111
351000
2000
resulta que esta forma de vida es muy eficiente,
06:17
and they call it an archaeaarchaea. ArchaeaArchaea meansmedio "the ancientantiguo onesunos."
112
353000
4000
y se denomina arquea. Arquea se refiere a que es de "los antiguos".
06:21
And the reasonrazón why they're ancientantiguo is because this thing camevino up
113
357000
4000
Y la razón de por qué son tan antiguos es porque esta cosa surgió cuando
06:25
when this planetplaneta was coveredcubierto
114
361000
2000
el planeta estaba cubierto por cosas
06:27
by things like sulfuricsulfúrico acidácido in batteriesbaterías,
115
363000
1000
similares al ácido sulfúrico de baterías,
06:28
and it was eatingcomiendo ironhierro when the earthtierra was partparte of a meltedDerretido corenúcleo.
116
364000
4000
y comía hierro cuando la tierra era parte de un núcleo líquido.
06:33
So, it's not just dogsperros and catsgatos and whalesballenas and dolphinsdelfines
117
369000
4000
Entonces, no es sólo perros y gatos y ballenas y delfines
06:37
that you should be awareconsciente of and interestedinteresado in on this little journeyviaje.
118
373000
4000
que deberían tener presente y tomar en cuenta en este viajecito.
06:41
Your fearmiedo should be that you are not,
119
377000
3000
Debieran tener miedo porque
06:44
that you're payingpago attentionatención to stuffcosas whichcual is temporaltemporal.
120
380000
3000
están prestando atención a cosas temporales.
06:47
I mean, GeorgeJorge BushArbusto -- he's going to be goneido, alrightbien? Life isn't.
121
383000
5000
Me refiero a que George Bush -- él se va ir, ¿bueno? La vida no.
06:53
WhetherSi the humanshumanos survivesobrevivir or don't survivesobrevivir,
122
389000
3000
Si los humanos sobreviven o no,
06:56
these things are going to be livingvivo on this planetplaneta or other planetsplanetas.
123
392000
3000
estas cosas estarán viviendo en este planeta o en otros planetas.
06:59
And it's just beginningcomenzando to understandentender this codecódigo of DNAADN
124
395000
4000
Y es comenzando a entender este código ADN
07:03
that's really the mostmás excitingemocionante intellectualintelectual adventureaventuras
125
399000
3000
lo que es la aventura intelectual más excitante
07:06
that we'venosotros tenemos ever been on.
126
402000
3000
en que jamás hayamos estado.
07:09
And you can do strangeextraño things with this stuffcosas. This is a babybebé gargar.
127
405000
4000
Y puedes hacer cosas extrañas con este código. Este es un gar bebé.
07:13
ConservationConservación groupgrupo getsse pone togetherjuntos,
128
409000
2000
Un grupo de conservación se reúne,
07:15
triesintentos to figurefigura out how to breedraza an animalanimal that's almostcasi extinctextinto.
129
411000
4000
e intenta descubrir como cruzar un animal que está casi extinto.
07:20
They can't do it naturallynaturalmente, so what they do with this thing is
130
416000
3000
No lo pueden hacer naturalmente, así que lo que hacen con esto
07:23
they take a spooncuchara, take some cellsCélulas out of an adultadulto gar'sGar mouthboca, codecódigo,
131
419000
5000
es tomar una cuchara, sacar unas células de la boca de un gar adulto, codificarlas,
07:29
take the cellsCélulas from that and insertinsertar it into a fertilizedfecundado cow'svaca egghuevo,
132
425000
4000
toman las células generadas de eso y las insertan en un huevo de vaca fertilizado,
07:34
reprogramreprograma cow'svaca egghuevo -- differentdiferente genegene codecódigo.
133
430000
3000
y reprograman el huevo bovino con un código diferente.
07:38
When you do that, the cowvaca givesda birthnacimiento to a gargar.
134
434000
4000
Cuando haces esto, la vaca da a luz a un gar.
07:43
We are now experimentingexperimentando with bongosbongos, pandaspandas, elimselimina, SumatranSumatra tigerstigres,
135
439000
6000
Actualmente estamos experimentando con bongos, pandas, elans, tigres de sumatra,
07:49
and the AustraliansAustralianos -- blessbendecir theirsu heartscopas --
136
445000
3000
y los australianos -- ellos son fantásticos --
07:52
are playingjugando with these things.
137
448000
1000
están jugando con estas cosas.
07:53
Now, the last of these things diedmurió in Septemberseptiembre 1936.
138
449000
4000
Ahora, el último de estos murió en septiembre de 1936.
07:57
These are TasmanianTasmania tigerstigres. The last knownconocido one diedmurió at the HobartHobart Zoozoo.
139
453000
4000
Estos son tigres de tasmania. El último conocido murió en el zoológico de Hobart.
08:01
But it turnsvueltas out that as we learnaprender more about genegene codecódigo
140
457000
3000
Pero resulta que mientras más aprendemos del código genético
08:04
and how to reprogramreprograma speciesespecies,
141
460000
2000
y de como reprogramar especies,
08:06
we maymayo be ablepoder to closecerca the genegene gapsbrechas in deterioratedeteriorarse DNAADN.
142
462000
5000
podemos llegar a completar los huecos genéticos en ADN deteriorado.
08:11
And when we learnaprender how to closecerca the genegene gapsbrechas,
143
467000
3000
Y cuando aprendamos como cerrar los huecos genéticos,
08:14
then we can put a fullcompleto stringcuerda of DNAADN togetherjuntos.
144
470000
2000
podremos unir una oración completa de ADN.
08:17
And if we do that, and insertinsertar this into a fertilizedfecundado wolf'slobo egghuevo,
145
473000
4000
Y si logramos eso, e insertamos esto en un huevo fertilizado de lobo,
08:22
we maymayo give birthnacimiento to an animalanimal
146
478000
2000
podríamos dar a luz a un animal
08:24
that hasn'tno tiene walkedcaminado the earthtierra sinceya que 1936.
147
480000
2000
que no ha pisado la tierra desde 1936.
08:27
And then you can startcomienzo going back furtherpromover,
148
483000
2000
Y entonces puedes comenzar a ir más atrás,
08:29
and you can startcomienzo thinkingpensando about dodosdodos,
149
485000
2000
y puedes empezar a pensar en los dodos,
08:32
and you can think about other speciesespecies.
150
488000
1000
y puedes pensar en otras especies.
08:34
And in other placeslugares, like MarylandMaryland, they're tryingmolesto to figurefigura out
151
490000
3000
Y en otros lugares, como Maryland, están tratando de
08:37
what the primordialprimordial ancestorantepasado is.
152
493000
2000
descubrir cuál es el antecesor inicial.
08:39
Because eachcada of us containscontiene our entiretodo genegene codecódigo
153
495000
3000
Porque cada uno de nosotros contiene el código genético completo
08:42
of where we'venosotros tenemos been for the pastpasado billionmil millones yearsaños,
154
498000
3000
de lo que hemos sido por los últimos mil millones de años,
08:45
because we'venosotros tenemos evolvedevolucionado from that stuffcosas,
155
501000
2000
porque evolucionamos desde esa cosa,
08:47
you can take that treeárbol of life and collapsecolapso it back,
156
503000
2000
se puede tomar el árbol de la vida y recorrerlo hacia atrás,
08:49
and in the measuremedida that you learnaprender to reprogramreprograma,
157
505000
3000
y en la medida que aprendes a reprogramar esto
08:52
maybe we'llbien give birthnacimiento to something
158
508000
2000
quizás demos luz a algo
08:54
that is very closecerca to the first primordialprimordial oozerezumar.
159
510000
2000
muy similar al lodo primordial.
08:56
And it's all comingviniendo out of things that look like this.
160
512000
2000
Y todo surge de cosas que se ven así.
08:58
These are companiescompañías that didn't existexiste fivecinco yearsaños agohace.
161
514000
2000
Estas son compañías que no existían hace cinco años.
09:00
HugeEnorme genegene sequencingsecuenciación facilitiesinstalaciones the sizetamaño of footballfútbol fieldscampos.
162
516000
4000
Plantas inmensas para secuenciar genes del tamaño de canchas de fútbol.
09:04
Some are publicpúblico. Some are privateprivado.
163
520000
2000
Algunas son públicas, algunas son privadas.
09:06
It takes about 5 billionmil millones dollarsdólares to sequencesecuencia a humanhumano beingsiendo the first time.
164
522000
3000
Se necesitan como 5 mil millones de dólares para secuenciar un ser humano la primera vez.
09:10
Takes about 3 millionmillón dollarsdólares the secondsegundo time.
165
526000
2000
Se necesitan como 3 millones de dólares la segunda vez.
09:12
We will have a 1,000-dollar-dólar genomegenoma withindentro the nextsiguiente fivecinco to eightocho yearsaños.
166
528000
4000
Dentro de los próximos cinco a ocho años tendremos un genoma por mil dólares.
09:16
That meansmedio eachcada of you will containContiene on a CDdiscos compactos your entiretodo genegene codecódigo.
167
532000
4000
Eso significa que cada uno de ustedes tendrá su código genético completo en un CD.
09:21
And it will be really boringaburrido. It will readleer like this.
168
537000
2000
Y será muy aburrido. Se parecerá a esto
09:24
(LaughterRisa)
169
540000
2000
(Risas).
09:26
The really neatordenado thing about this stuffcosas is that's life.
170
542000
2000
Lo que es realmente entretenido es que esto es la vida.
09:28
And Laurie'sLaurie going to talk about this one a little bitpoco.
171
544000
3000
Y Laurie va a hablarles un poquito de este.
09:31
Because if you happenocurrir to find this one insidedentro your bodycuerpo,
172
547000
2000
Porque si llegas a encontrar este dentro de tu cuerpo,
09:33
you're in biggrande troubleproblema, because that's the sourcefuente codecódigo for EbolaÉbola.
173
549000
2000
estás en grandes problemas ya que es el código fuente del Ebola.
09:37
That's one of the deadliestel más mortífero diseasesenfermedades knownconocido to humanshumanos.
174
553000
2000
Esta es una de las enfermedades más letales conocidas por los humanos.
09:39
But plantsplantas work the samemismo way and insectsinsectos work the samemismo way,
175
555000
2000
Pero las plantas y los insectos funcionan de la misma manera,
09:41
and this applemanzana workstrabajos the samemismo way.
176
557000
2000
y esta manzana funciona de la misma manera.
09:43
This applemanzana is the samemismo thing as this floppyflexible diskdisco.
177
559000
2000
Esta manzana es lo mismo que este disco.
09:45
Because this thing codescódigos onesunos and zerosceros,
178
561000
2000
Porque este disco se codifica en unos y ceros,
09:47
and this thing codescódigos A, T, C, GsGs, and it sitsse sienta up there,
179
563000
2000
y esta cosa se codifica en A, T, C y G, y está allí arriba
09:49
absorbingabsorbente energyenergía on a treeárbol, and one fine day
180
565000
3000
absorbiendo energía en un árbol, hasta que un día
09:52
it has enoughsuficiente energyenergía to say, executeejecutar, and it goesva [thumpgolpear]. Right?
181
568000
4000
tiene suficiente energía para decir EJECUTAR y hace bong en el suelo.
09:56
(LaughterRisa)
182
572000
3000
¿No es cierto? (Risas)
09:59
And when it does that, pushesempuja a .EXEexe, what it does is,
183
575000
4000
Y cuando ha hecho esto, activa un .EXE que lo que hace es
10:03
it executesejecuta the first linelínea of codecódigo, whichcual readslee just like that,
184
579000
3000
que ejecuta la primera línea de código, que se lee así,
10:06
AATCAGGGACCCAATCAGGGACCC, and that meansmedio: make a rootraíz.
185
582000
3000
AATCAGGGACCC, y que significa: haz una raíz.
10:09
NextSiguiente linelínea of codecódigo: make a stemvástago.
186
585000
2000
Próxima línea de código: haz una rama.
10:11
NextSiguiente linelínea of codecódigo, TACGGGGTACGGGG: make a flowerflor that's whiteblanco,
187
587000
3000
Próxima línea de código, TACGGGG: haz una flor que sea blanca,
10:14
that bloomsfloraciones in the springprimavera, that smellsolores like this.
188
590000
3000
que florezca en primavera, que huela así.
10:17
In the measuremedida that you have the codecódigo
189
593000
2000
En la medida que tienes el código y
10:19
and the measuremedida that you readleer it --
190
595000
3000
medida que lo vas leyendo --
10:22
and, by the way, the first plantplanta was readleer two yearsaños agohace;
191
598000
2000
y, a todo esto, la primera planta fue leída hace dos años atrás;
10:24
the first humanhumano was readleer two yearsaños agohace;
192
600000
2000
el primer humano fue leído hace dos años atrás;
10:26
the first insectinsecto was readleer two yearsaños agohace.
193
602000
2000
el primer insecto fue leído hace dos años atrás.
10:28
The first thing that we ever readleer was in 1995:
194
604000
3000
La primera cosa que leímos fue en 1995:
10:31
a little bacteriabacteria calledllamado HaemophilusHaemophilus influenzaeinfluenzae.
195
607000
2000
una pequeña bacteria llamada Hemofilus influenza.
10:34
In the measuremedida that you have the sourcefuente codecódigo, as all of you know,
196
610000
3000
En la medida que tengas el código fuente, como todos ustedes saben,
10:37
you can changecambio the sourcefuente codecódigo, and you can reprogramreprograma life formsformularios
197
613000
2000
puedes cambiar el código fuente, y puedes reprogramar formas de vida
10:39
so that this little thingycosita becomesse convierte a vaccinevacuna,
198
615000
2000
para que esta pequeña cosita se convierta en una vacuna,
10:41
or this little thingycosita startsempieza producingproductor biomaterialsbiomateriales,
199
617000
3000
o esta pequeña cosita comience a producir biomateriales,
10:44
whichcual is why DuPontDuPont is now growingcreciente a formformar of polyesterpoliéster
200
620000
3000
que es la razón por la cual DuPont está cultivando ahora un tipo de poliéster
10:47
that feelssiente like silkseda in cornmaíz.
201
623000
2000
que se siente como seda dentro del maíz.
10:50
This changescambios all rulesreglas. This is life, but we're reprogrammingreprogramación it.
202
626000
5000
Esto cambia todas las reglas. Esto es la vida, pero estamos reprogramándola.
10:57
This is what you look like. This is one of your chromosomescromosomas.
203
633000
4000
Así es como te ves. Este es uno de tus cromosomas.
11:01
And what you can do now is,
204
637000
2000
Y lo que ahora se puede hacer es,
11:03
you can outlaydesembolso exactlyexactamente what your chromosomecromosoma is,
205
639000
3000
que puedes ver exactamente qué es tu cromosoma,
11:06
and what the genegene codecódigo on that chromosomecromosoma is right here,
206
642000
3000
y cuál es el código de ese cromosoma, y para qué sirve
11:09
and what those genesgenes codecódigo for, and what animalsanimales they codecódigo againsten contra,
207
645000
3000
el código de esos genes y contra qué animales se manifiestan,
11:12
and then you can tieCorbata it to the literatureliteratura.
208
648000
2000
y lo puedes relacionar a la literatura.
11:14
And in the measuremedida that you can do that, you can go home todayhoy,
209
650000
3000
Y en la medida que puedas hacer esto, puedes ir hoy a tu casa,
11:17
and get on the InternetInternet, and accessacceso
210
653000
2000
y subir a Internet, e ingresar a la biblioteca más
11:19
the world'smundo biggestmás grande publicpúblico librarybiblioteca, whichcual is a librarybiblioteca of life.
211
655000
3000
grande del mundo, que es una biblioteca de la vida.
11:23
And you can do some prettybonita strangeextraño things
212
659000
2000
Y puedes hacer cosas bastante extrañas ya que,
11:25
because in the samemismo way as you can reprogramreprograma this applemanzana,
213
661000
2000
de la misma manera que puedes reprogramar esta manzana,
11:28
if you go to CliffAcantilado Tabin'sTabin's lablaboratorio at the HarvardHarvard MedicalMédico SchoolColegio,
214
664000
2000
si vas al laboratorio de Cliff Tabin en la escuela médica de Harvard,
11:31
he's reprogrammingreprogramación chickenpollo embryosembriones to growcrecer more wingsalas.
215
667000
4000
él está reprogramando embriones de pollo para que nazcan con más alas.
11:37
Why would CliffAcantilado be doing that? He doesn't have a restaurantrestaurante.
216
673000
3000
¿Por qué haría Cliff esto? Si no tiene un restaurante.
11:40
(LaughterRisa)
217
676000
1000
(Risas).
11:42
The reasonrazón why he's reprogrammingreprogramación that animalanimal to have more wingsalas
218
678000
3000
La razón de por qué está reprogramando ese animal para que tenga
11:45
is because when you used to playjugar with lizardslagartos as a little childniño,
219
681000
3000
más alas es porque cuando de niño jugabas con lagartijas,
11:48
and you pickedescogido up the lizardlagartija, sometimesa veces the tailcola fellcayó off, but it regrewvolver a crecer.
220
684000
4000
y tomabas la lagartija, a veces se le caía la cola, pero le volvía a crecer.
11:52
Not so in humanhumano beingsseres:
221
688000
3000
No es así en las personas:
11:55
you cutcortar off an armbrazo, you cutcortar off a legpierna -- it doesn't regrowvolver a crecer.
222
691000
3000
cortas un brazo, o cortas una pierna y no vuelve a crecer.
11:58
But because eachcada of your cellsCélulas containscontiene your entiretodo genegene codecódigo,
223
694000
4000
Pero ya que cada una de tus células contiene tu código completo,
12:03
eachcada cellcelda can be reprogrammedreprogramado, if we don't stop stemvástago cellcelda researchinvestigación
224
699000
4000
cada célula puede reprogramarse (si es que no detenemos la investigación de células madres
12:07
and if we don't stop genomicgenómica researchinvestigación,
225
703000
2000
y no detenemos la investigación genómica),
12:09
to expressexprimir differentdiferente bodycuerpo functionsfunciones.
226
705000
3000
para expresar distintas funciones corporales.
12:13
And in the measuremedida that we learnaprender how chickensgallinas growcrecer wingsalas,
227
709000
3000
Y a medida que aprendemos cómo los pollos generan las alas,
12:16
and what the programprograma is for those cellsCélulas to differentiatediferenciar,
228
712000
2000
y cuál es el programa que se utiliza para diferenciar esas células,
12:18
one of the things we're going to be ablepoder to do
229
714000
3000
una de las cosas que podremos hacer
12:21
is to stop undifferentiatedindiferenciado cellsCélulas, whichcual you know as cancercáncer,
230
717000
3000
será detener las células no diferenciadas que ustedes conocen como cáncer,
12:25
and one of the things we're going to learnaprender how to do
231
721000
2000
y una de las cosas que aprenderemos a hacer
12:27
is how to reprogramreprograma cellsCélulas like stemvástago cellsCélulas
232
723000
3000
es cómo reprogramar células madres
12:30
in suchtal a way that they expressexprimir bonehueso, stomachestómago, skinpiel, pancreaspáncreas.
233
726000
6000
de tal manera que se conviertan en hueso, estómago, piel, páncreas.
12:37
And you are likelyprobable to be wanderingerrante around -- and your childrenniños --
234
733000
3000
Y es probable que tú -- y tus hijos -- anden caminando
12:40
on regrownvuelto a crecer bodycuerpo partspartes in a reasonablerazonable periodperíodo of time,
235
736000
3000
dentro de un tiempo razonable con partes del cuerpo regeneradas,
12:44
in some placeslugares in the worldmundo where they don't stop the researchinvestigación.
236
740000
3000
en algunas partes del mundo donde no detengan la investigación.
12:49
How'sComo esta this stuffcosas work? If eachcada of you differsdifiere
237
745000
5000
¿Cómo funciona esta cosa? Si cada uno de ustedes difiere
12:54
from the personpersona nextsiguiente to you by one in a thousandmil, but only threeTres percentpor ciento codescódigos,
238
750000
3000
con la persona de al lado por un milésimo, y sólo 3 por ciento de código,
12:57
whichcual meansmedio it's only one in a thousandmil timesveces threeTres percentpor ciento,
239
753000
2000
lo que significa sólo uno en mil por tres por ciento,
12:59
very smallpequeña differencesdiferencias in expressionexpresión and punctuationpuntuación
240
755000
3000
diferencias muy pequeñas en expresión y puntuación
13:02
can make a significantsignificativo differencediferencia. Take a simplesencillo declarativedeclarativo sentencefrase.
241
758000
3000
pueden causar diferencias significativas. Tomemos una frase simple.
13:07
(LaughterRisa)
242
763000
2000
"Una mujer sin su hombre no es nada" (Risas).
13:09
Right?
243
765000
1000
¿Correcto?
13:10
That's perfectlyperfectamente clearclaro. So, menhombres readleer that sentencefrase,
244
766000
4000
Está perfectamente claro. Entonces, los hombres leen esto, y ven esta oración
13:14
and they look at that sentencefrase, and they readleer this.
245
770000
2000
y la leen así. "Una mujer, sin su hombre, no es nada"
13:22
Okay?
246
778000
1000
¿Okey?
13:23
Now, womenmujer look at that sentencefrase and they say, uh-uhuh-uh, wrongincorrecto.
247
779000
4000
Ahora, las mujeres miran esto y dicen na-a, equivocado.
13:27
This is the way it should be seenvisto.
248
783000
2000
Esta es la manera que se debe leer.
13:31
(LaughterRisa)
249
787000
8000
"Una mujer: sin ella, su hombre no es nada" (Risas).
13:39
That's what your genesgenes are doing.
250
795000
1000
Eso es lo que están haciendo tus genes.
13:40
That's why you differdiferir de from this personpersona over here by one in a thousandmil.
251
796000
5000
Esa es tu diferencia con esta otra persona de por acá por uno en mil.
13:45
Right? But, you know, he's reasonablyrazonablemente good looking, but...
252
801000
3000
¿Está bien? Pero, tú sabes, él es razonablemente apuesto, pero...
13:48
I won'tcostumbre go there.
253
804000
2000
no voy a hacer ese chiste.
13:51
You can do this stuffcosas even withoutsin changingcambiando the punctuationpuntuación.
254
807000
3000
Puedes hacer estas cosas aún sin cambiar la puntuación.
13:55
You can look at this, right?
255
811000
4000
¿Puedes ver esto, no cierto? (El Servicio Recaudador de Impuestos)
13:59
And they look at the worldmundo a little differentlydiferentemente.
256
815000
2000
Y ellos ven el mundo un poco distinto.
14:01
They look at the samemismo worldmundo and they say...
257
817000
2000
Ellos miran al mismo mundo y dicen...
14:03
(LaughterRisa)
258
819000
6000
(NUESTRO) (Risas).
14:09
That's how the samemismo genegene codecódigo -- that's why you have 30,000 genesgenes,
259
825000
4000
Eso es como el mismo código genético -- por eso tienes 30.000 genes,
14:13
miceratones have 30,000 genesgenes, husbandsmaridos have 30,000 genesgenes.
260
829000
3000
los ratones tienen 30.000 genes, los maridos tienen 30.000 genes.
14:16
MiceRatones and menhombres are the samemismo. WivesEsposas know that, but anywayde todas formas.
261
832000
3000
Ratones y maridos son lo mismo. Las esposas saben esto, pero en fin.
14:20
You can make very smallpequeña changescambios in genegene codecódigo
262
836000
2000
Puedes hacer cambios muy pequeños en el código
14:22
and get really differentdiferente outcomesresultados,
263
838000
2000
y obtener resultados muy distintos,
14:26
even with the samemismo stringcuerda of lettersletras.
264
842000
2000
incluso con el mismo orden de letras.
14:30
That's what your genesgenes are doing everycada day.
265
846000
2000
Eso es lo que tus genes hacen todos los días.
14:33
That's why sometimesa veces a person'spersona genesgenes
266
849000
2000
Por esto es que a veces los genes de una persona
14:35
don't have to changecambio a lot to get cancercáncer.
267
851000
2000
no necesitan variar mucho para que le de cáncer.
14:41
These little chippieschippies, these things are the sizetamaño of a creditcrédito cardtarjeta.
268
857000
4000
Estas pequeñas cositas son del tamaño de una tarjeta de crédito.
14:46
They will testprueba any one of you for 60,000 geneticgenético conditionscondiciones.
269
862000
2000
Pueden chequear a cualquiera de ustedes contra 60 mil condiciones genéticas.
14:49
That bringstrae up questionspreguntas of privacyintimidad and insurabilityasegurabilidad
270
865000
3000
Eso genera interrogantes con respecto a la privacidad y asegurabilidad
14:52
and all kindsclases of stuffcosas, but it alsoademás allowspermite us to startcomienzo going after diseasesenfermedades,
271
868000
2000
y un montón de otras cosas, pero también nos permite empezar a combatir enfermedades
14:55
because if you runcorrer a personpersona who has leukemialeucemia throughmediante something like this,
272
871000
3000
porque si chequeas una persona que tiene leucemia contra algo como esto
14:59
it turnsvueltas out that threeTres diseasesenfermedades with
273
875000
2000
resulta que tres enfermedades con
15:01
completelycompletamente similarsimilar clinicalclínico syndromessíndromes
274
877000
4000
síndromes clínicos exactamente iguales
15:05
are completelycompletamente differentdiferente diseasesenfermedades.
275
881000
2000
son en realidad enfermedades completamente distintas.
15:07
Because in ALL leukemialeucemia, that setconjunto of genesgenes over there over-expressessobreexpresa.
276
883000
3000
Porque en la leucemia ALL, el set de genes de arriba se sobre-expresa.
15:10
In MLLMLL, it's the middlemedio setconjunto of genesgenes,
277
886000
2000
En la leucemia MLL es el conjunto de genes del medio,
15:12
and in AMLAML, it's the bottomfondo setconjunto of genesgenes.
278
888000
2000
y en leucemia AML, es el conjunto de genes de abajo.
15:14
And if one of those particularespecial things is expressingexpresando in your bodycuerpo,
279
890000
5000
Y si una de esas cosas se puede observar en tu cuerpo,
15:19
then you take GleevecGleevec and you're curedcurado.
280
895000
2000
entonces tomas Gleevec y te mejoras.
15:22
If it is not expressingexpresando in your bodycuerpo,
281
898000
2000
Si no se está expresando en tu cuerpo,
15:24
if you don't have one of those typestipos --
282
900000
2000
si no tienes uno de estos tipos --
15:26
a particularespecial one of those typestipos -- don't take GleevecGleevec.
283
902000
3000
uno de estos tipos específicos -- no tomes Gleevec,
15:29
It won'tcostumbre do anything for you.
284
905000
1000
no te servirá de nada.
15:31
SameMismo thing with ReceptinReceptin if you've got breastpecho cancercáncer.
285
907000
2000
La misma cosas pasa con Receptin si tienes cáncer de mama.
15:34
Don't have an HER-SU-2 receptorreceptor? Don't take ReceptinReceptin.
286
910000
3000
Si no tienes un receptor HER-2, no tomes Receptin.
15:37
ChangesCambios the naturenaturaleza of medicinemedicina. ChangesCambios the predictionspredicciones of medicinemedicina.
287
913000
4000
Cambia el curso de la medicina. Cambia las predicciones de la medicina.
15:41
ChangesCambios the way medicinemedicina workstrabajos.
288
917000
2000
Cambia la manera en que la medicina funciona.
15:43
The greatestmejor repositoryrepositorio of knowledgeconocimiento when mostmás of us wentfuimos to collegeUniversidad
289
919000
3000
Cuando la mayoría de nosotros estudíamos, el repositorio más grande de información
15:46
was this thing, and it turnsvueltas out that
290
922000
2000
era esta cosa, y resulta que
15:48
this is not so importantimportante any more.
291
924000
2000
ya no es tan importante.
15:50
The U.S. LibraryBiblioteca of CongressCongreso, in termscondiciones of its printedimpreso volumevolumen of datadatos,
292
926000
4000
La Biblioteca del Congreso de los EE.UU., en términos de volumen de data impresa,
15:54
containscontiene lessMenos datadatos than is comingviniendo out of a good genomicsgenómica companyempresa
293
930000
4000
contiene menos datos que lo que está saliendo cada mes de
15:58
everycada monthmes on a compoundcompuesto basisbase.
294
934000
3000
una buena empresa de genómica.
16:01
Let me say that again: A singlesoltero genomicsgenómica companyempresa
295
937000
3000
Déjenme decirlo de nuevo: una sola empresa de genómica
16:04
generatesgenera more datadatos in a monthmes, on a compoundcompuesto basisbase,
296
940000
3000
genera más datos en un mes, comparando datos totales,
16:07
than is in the printedimpreso collectionscolecciones of the LibraryBiblioteca of CongressCongreso.
297
943000
3000
que lo que hay en las colecciones impresas de la Biblioteca del Congreso.
16:11
This is what's been poweringenergizando the U.S. economyeconomía. It's Moore'sMoore LawLey.
298
947000
4000
Esto es lo que está empujando la economía de los EE.UU. Es la ley de Moore.
16:15
So, all of you know that the priceprecio of computersordenadores halvesmitades everycada 18 monthsmeses
299
951000
5000
Entonces, todos ustedes saben que el costo de los computadores baja a la mitad cada 18 meses
16:20
and the powerpoder doublesdobles, right?
300
956000
2000
mientras su potencia se duplica, ¿correcto?
16:22
ExceptExcepto that when you laylaico that sidelado by sidelado with the speedvelocidad
301
958000
4000
Excepto que cuando comparas esto con la velocidad
16:26
with whichcual genegene data'sdatos beingsiendo depositeddepositado in GenBankGenBank,
302
962000
3000
con la cual los datos genéticos están siendo almacenados en GenBank,
16:29
Moore'sMoore LawLey is right here: it's the blueazul linelínea.
303
965000
4000
la ley de Moore está justo aquí: es la línea azul.
16:34
This is on a logIniciar sesión scaleescala, and that's what superexponentialsuperexponencial growthcrecimiento meansmedio.
304
970000
4000
Esta es una escala logarítmica, y por lo tanto esto es lo que llamamos crecimiento superexponencial.
16:38
This is going to pushempujar computersordenadores to have to growcrecer fasterMás rápido
305
974000
4000
Esto va a empujar a los computadores a crecer más rápido
16:42
than they'veellos tienen been growingcreciente, because so farlejos,
306
978000
2000
de lo que han crecido ya que hasta ahora,
16:44
there haven'tno tiene been applicationsaplicaciones that have been requirednecesario
307
980000
3000
no han existido aplicaciones que han requerido un crecimiento
16:47
that need to go fasterMás rápido than Moore'sMoore LawLey. This stuffcosas does.
308
983000
3000
más veloz que el de la ley de Moore. Esto sí lo requiere.
16:50
And here'saquí está an interestinginteresante mapmapa.
309
986000
2000
Y acá tenemos un mapa interesante.
16:52
This is a mapmapa whichcual was finishedterminado at the HarvardHarvard BusinessNegocio SchoolColegio.
310
988000
4000
Este es un mapa que fue terminado en la escuela de negocios de Harvard.
16:56
One of the really interestinginteresante questionspreguntas is, if all this data'sdatos freegratis,
311
992000
3000
Una de las preguntas más interesantes es; si todos estos datos son gratis,
16:59
who'squien es usingutilizando it? This is the greatestmejor publicpúblico librarybiblioteca in the worldmundo.
312
995000
4000
¿entonces quién los usa? Esta es la biblioteca pública más grande del mundo.
17:03
Well, it turnsvueltas out that there's about 27 trilliontrillón bitsbits
313
999000
3000
Bueno, resulta que hay alrededor de 27 billones de bits
17:06
movingemocionante insidedentro from the UnitedUnido StatesEstados to the UnitedUnido StatesEstados;
314
1002000
3000
moviéndose dentro de los Estados Unidos;
17:09
about 4.6 trilliontrillón is going over to those Europeaneuropeo countriespaíses;
315
1005000
4000
alrededor de 4,6 billones están siendo enviados hacía esos países europeos;
17:13
about 5.5'ses going to JapanJapón; there's almostcasi no communicationcomunicación
316
1009000
3000
alrededor de 5,5 se transfieren a Japón; casi no hay comunicación
17:16
betweenEntre JapanJapón, and nobodynadie elsemás is literatealfabetizado in this stuffcosas.
317
1012000
4000
dentro de Japón y nadie más puede leer esta cosa.
17:20
It's freegratis. No one'suno readingleyendo it. They're focusingenfoque on the warguerra;
318
1016000
5000
Es gratis. Nadie los está leyendo. Están enfocados en la guerra;
17:25
they're focusingenfoque on BushArbusto; they're not interestedinteresado in life.
319
1021000
2000
están enfocados en Bush; no están interesados en la vida.
17:28
So, this is what a newnuevo mapmapa of the worldmundo looksmiradas like.
320
1024000
2000
Entonces, así es como se ve el nuevo mapa del mundo.
17:31
That is the genomicallygenómicamente literatealfabetizado worldmundo. And that is a problemproblema.
321
1027000
6000
Este es el mundo que comprende la genómica. Y esto es un problema.
17:37
In facthecho, it's not a genomicallygenómicamente literatealfabetizado worldmundo.
322
1033000
2000
De hecho, ni siquiera es el mundo que comprende genómica.
17:39
You can breakdescanso this out by statesestados.
323
1035000
2000
Puedes dividirlo por estados.
17:41
And you can watch statesestados risesubir and fallotoño dependingdependiente on
324
1037000
2000
Y puedes ver cómo los estados surgen o caen dependiendo
17:43
theirsu abilitycapacidad to speakhablar a languageidioma of life,
325
1039000
2000
de si son capaces de hablar la lengua de la vida,
17:45
and you can watch NewNuevo YorkYork fallotoño off a cliffacantilado,
326
1041000
2000
y puedes ver a Nueva York caerse por el barranco,
17:47
and you can watch NewNuevo JerseyJersey fallotoño off a cliffacantilado,
327
1043000
2000
y puedes ver a Nueva Jersey caerse por el barranco,
17:49
and you can watch the risesubir of the newnuevo empiresimperios of intelligenceinteligencia.
328
1045000
3000
y puedes ver como surgen los nuevos imperios de la inteligencia.
17:53
And you can breakdescanso it out by countiescondados, because it's specificespecífico countiescondados.
329
1049000
3000
Y puedes dividirlo por condados ya que son condados específicos.
17:56
And if you want to get more specificespecífico,
330
1052000
2000
Y si quieres ser aún más específico,
17:58
it's actuallyactualmente specificespecífico zipcremallera codescódigos.
331
1054000
2000
en realidad son códigos postales específicos
18:00
(LaughterRisa)
332
1056000
2000
(Risas).
18:02
So, you want to know where life is happeningsucediendo?
333
1058000
3000
Entonces, ¿quieres saber dónde está aconteciendo esta nueva vida?
18:05
Well, in SouthernDel Sur CaliforniaCalifornia it's happeningsucediendo in 92121. And that's it.
334
1061000
5000
Bueno, en el sur de California está en el código 92121. Y sólo allí.
18:11
And that's the triangletriángulo betweenEntre SalkSalk, ScrippsScripps, UCSDUCSD,
335
1067000
5000
Y eso es el triángulo entre las calles Sulk, Scripps, UCSD,
18:16
and it's calledllamado TorreyTorrey PinesPines RoadLa carretera.
336
1072000
2000
y se llama Torrey Pines Road.
18:18
That meansmedio you don't need to be a biggrande nationnación to be successfulexitoso;
337
1074000
3000
Significa que no necesitas ser un país grande para ser exitoso;
18:21
it meansmedio you don't need a lot of people to be successfulexitoso;
338
1077000
2000
significa que no necesitas tanta gente para ser exitoso;
18:23
and it meansmedio you can movemovimiento mostmás of the wealthriqueza of a countrypaís
339
1079000
3000
y significa que puedes mover casi toda la riqueza de un país
18:26
in about threeTres or fourlas cuatro carefullycuidadosamente pickedescogido 747s.
340
1082000
3000
en tres o cuatro 747s bien escogidos.
18:30
SameMismo thing in MassachusettsMassachusetts. LooksMira more spreaduntado out but --
341
1086000
4000
Lo mismo pasa en Massachusetts. Parece más esparcido, pero --
18:34
oh, by the way, the onesunos that are the samemismo colorcolor are contiguouscontiguo.
342
1090000
3000
ah, por si acaso, los que son del mismo color son contiguos.
18:38
What's the netred effectefecto of this?
343
1094000
2000
¿Cúal es el efecto neto de esto?
18:40
In an agriculturalagrícola societysociedad, the differencediferencia betweenEntre
344
1096000
2000
En una sociedad basada en la agricultura, la diferencia entre
18:42
the richestmás rico and the poorestel más pobre,
345
1098000
1000
los más ricos y los más pobres,
18:44
the mostmás productiveproductivo and the leastmenos productiveproductivo, was fivecinco to one. Why?
346
1100000
4000
los más productivos y los menos productivos, era de cinco a uno. ¿Por qué?
18:48
Because in agricultureagricultura, if you had 10 kidsniños
347
1104000
2000
Porque en agricultura, si tenías 10 hijos
18:50
and you growcrecer up a little bitpoco earliermás temprano and you work a little bitpoco harderMás fuerte,
348
1106000
3000
y te despertabas un poquito más temprano y trabajabas un poquito más duro,
18:53
you could produceProduce about fivecinco timesveces more wealthriqueza, on averagepromedio,
349
1109000
2000
podías llegar a producir, en promedio como cinco veces más riqueza
18:55
than your neighborVecino.
350
1111000
1000
que tu vecino.
18:57
In a knowledgeconocimiento societysociedad, that numbernúmero is now 427 to 1.
351
1113000
3000
En una sociedad basada en el conocimiento, esa diferencia es de 427 a 1.
19:01
It really mattersasuntos if you're literatealfabetizado, not just in readingleyendo and writingescritura
352
1117000
4000
Es realmente importante que puedas leer y escribir, no sólo en
19:05
in EnglishInglés and Frenchfrancés and Germanalemán,
353
1121000
2000
Inglés y Francés y Alemán,
19:07
but in MicrosoftMicrosoft and LinuxLinux and Applemanzana.
354
1123000
2000
sino que en Microsoft y Linux y Apple.
19:10
And very soonpronto it's going to matterimportar if you're literatealfabetizado in life codecódigo.
355
1126000
4000
Y muy pronto la diferencia va a estar en la comprensión del código de la vida.
19:14
So, if there is something you should fearmiedo,
356
1130000
2000
Entonces, si debieras tenerle miedo a algo,
19:16
it's that you're not keepingacuerdo your eyeojo on the ballpelota.
357
1132000
3000
es que no estas mirando en la dirección apropiada.
19:19
Because it really mattersasuntos who speakshabla life.
358
1135000
2000
Porque realmente importa quién puede hablar en lenguaje de la vida.
19:22
That's why nationsnaciones risesubir and fallotoño.
359
1138000
2000
Los países surgen y caen por esto.
19:25
And it turnsvueltas out that if you wentfuimos back to the 1870s,
360
1141000
3000
Y resulta que si volvieras a los 1870s,
19:28
the mostmás productiveproductivo nationnación on earthtierra was AustraliaAustralia, perpor personpersona.
361
1144000
3000
la nación más productiva en la tierra, por persona, era Australia.
19:31
And NewNuevo ZealandZelanda was way up there. And then the U.S. camevino in about 1950,
362
1147000
3000
Y Nueva Zelandía estaría por allá arriba. Y después EE. UU. subió en los 1950s,
19:34
and then SwitzerlandSuiza about 1973, and then the U.S. got back on topparte superior --
363
1150000
3000
y después Suiza en 1973, y después EE. UU. volvió a estar primero --
19:38
beatgolpear up theirsu chocolateschocolates and cuckoocuco clocksrelojes.
364
1154000
2000
les ganamos a sus chocolates y sus relojes cucú.
19:42
And todayhoy, of coursecurso, you all know that the mostmás productiveproductivo nationnación
365
1158000
3000
Y todos ustedes saben que actualmente el país más productivo del
19:45
on earthtierra is LuxembourgLuxemburgo, producingproductor about one thirdtercero more wealthriqueza
366
1161000
3000
mundo es, por supuesto, Luxemburgo, que produce como un tercio más
19:48
perpor personpersona perpor yearaño than AmericaAmerica.
367
1164000
2000
riqueza por persona cada año que los EE.UU.
19:51
TinyMinúsculo landlockedcercado de tierra stateestado. No oilpetróleo. No diamondsdiamantes. No naturalnatural resourcesrecursos.
368
1167000
4000
Es un estado pequeñito sin mar. Sin petróleo. Sin diamantes. Sin recursos naturales.
19:55
Just smartinteligente people movingemocionante bitsbits. DifferentDiferente rulesreglas.
369
1171000
5000
Sólo tienen gente inteligente moviendo bits. Las reglas cambian.
20:01
Here'sAquí está differentialdiferencial productivityproductividad ratestasas.
370
1177000
3000
Estas son tasas diferenciales de productividad.
20:05
Here'sAquí está how manymuchos people it takes to produceProduce a singlesoltero U.S. patentpatentar.
371
1181000
3000
Aquí se ve cuantas personas toma producir una patente en EE.UU.
20:08
So, about 3,000 AmericansAmericanos, 6,000 KoreansCoreanos, 14,000 BritsBrits,
372
1184000
4000
Más o menos 3 mil Estadounidenses, 6 mil Coréanos, 14 mil Británicos,
20:12
790,000 ArgentinesArgentinos. You want to know why Argentina'sArgentina crashingestrellarse?
373
1188000
3000
780 mil Argentinos. ¿Quieren saber por qué Argentina se está hundiendo?
20:15
It's got nothing to do with inflationinflación.
374
1191000
2000
No tiene que ver con la inflación.
20:17
It's got nothing to do with privatizationprivatización.
375
1193000
2000
No tiene que ver con las privatizaciones.
20:19
You can take a Harvard-educatedEducado en Harvard IvyHiedra LeagueLiga economisteconomista,
376
1195000
4000
Puedes tomar un economista educado en Harvard,
20:23
stickpalo him in chargecargar of ArgentinaArgentina. He still crasheschoques the countrypaís
377
1199000
3000
y ponerlo a cargo de Argentina. Aún así lo hundiría porque
20:26
because he doesn't understandentender how the rulesreglas have changedcambiado.
378
1202000
2000
no entendería como han cambiado las reglas.
20:29
Oh, yeah, and it takes about 5.6 millionmillón IndiansIndios.
379
1205000
3000
Ah, sí, y toma como 5,6 millones de Indios.
20:32
Well, watch what happenssucede to IndiaIndia.
380
1208000
2000
Bueno, veamos que le pasa a la India.
20:34
IndiaIndia and ChinaChina used to be 40 percentpor ciento of the globalglobal economyeconomía
381
1210000
3000
India y China durante la revolución industrial
20:37
just at the IndustrialIndustrial RevolutionRevolución, and they are now about 4.8 percentpor ciento.
382
1213000
5000
solían ser el 40 por ciento de la economía global, y ahora son como el 4,8 por ciento.
20:42
Two billionmil millones people. One thirdtercero of the globalglobal populationpoblación producingproductor 5 percentpor ciento of the wealthriqueza
383
1218000
4000
Dos mil millones de personas. Un tercio de la población mundial produciendo el
20:46
because they didn't get this changecambio,
384
1222000
3000
5 por ciento de la riqueza porque no pasaron por este cambio,
20:49
because they keptmantenido treatingtratar theirsu people like serfssiervos
385
1225000
2000
porque siguieron tratando a sus habitantes como siervos
20:51
insteaden lugar of like shareholdersaccionistas of a commoncomún projectproyecto.
386
1227000
3000
y no como accionistas de un proyecto compartido.
20:55
They didn't keep the people who were educatededucado.
387
1231000
3000
No mantuvieron a las personas con educación.
20:58
They didn't fomentfomentar the businessesnegocios. They didn't do the IPOsIPOs.
388
1234000
2000
No fomentaron los negocios. No los lanzaron a la bolsa.
21:01
SiliconSilicio ValleyValle did. And that's why they say
389
1237000
4000
En Silicon Valley sí lo hicieron. Y por eso dicen
21:05
that SiliconSilicio ValleyValle has been poweredmotorizado by ICsCircuitos integrados.
390
1241000
2000
que Silicon Valley funciona a base de CIs.
21:08
Not integratedintegrado circuitscircuitos: IndiansIndios and Chinesechino.
391
1244000
3000
No son circuitos integrados; sino que Chinos e Indios
21:11
(LaughterRisa)
392
1247000
4000
(Risas).
21:15
Here'sAquí está what's happeningsucediendo in the worldmundo.
393
1251000
2000
Esto es lo que está pasando en el mundo.
21:17
It turnsvueltas out that if you'dtu hubieras goneido to the U.N. in 1950,
394
1253000
3000
Resulta que si es que hubieras ido a la ONU en 1950,
21:20
when it was foundedfundado, there were 50 countriespaíses in this worldmundo.
395
1256000
2000
cuando fue fundada, habían 50 países en el mundo.
21:22
It turnsvueltas out there's now about 192.
396
1258000
3000
Resulta que ahora hay como 192.
21:25
CountryPaís after countrypaís is splittingterrible, secedingsecesionándose, succeedingsubsiguiente, failingdefecto --
397
1261000
4000
Muchos países se están separando, independizando, teniendo éxito, fallando.
21:30
and it's all gettingconsiguiendo very fragmentedfragmentado. And this has not stoppeddetenido.
398
1266000
5000
Y todo está tornándose muy fragmentado. Y no se está deteniendo.
21:35
In the 1990s, these are sovereignsoberano statesestados
399
1271000
3000
Estos son estados soberanos que
21:38
that did not existexiste before 1990.
400
1274000
2000
no existían antes de 1990.
21:40
And this doesn't includeincluir fusionsfusiones or namenombre changescambios or changescambios in flagsbanderas.
401
1276000
5000
Y esto no incluye fusiones o cambios de nombre o cambios de bandera.
21:45
We're generatinggenerando about 3.12 statesestados perpor yearaño.
402
1281000
3000
Estamos generando 3,12 estados por año.
21:48
People are takingtomando controlcontrolar of theirsu ownpropio statesestados,
403
1284000
3000
La gente está tomado control de sus estados,
21:51
sometimesa veces for the better and sometimesa veces for the worsepeor.
404
1287000
3000
a veces para mejor y a veces para peor.
21:54
And the really interestinginteresante thing is,
405
1290000
2000
Y lo realmente interesante es,
21:56
you and your kidsniños are empoweredempoderado to buildconstruir great empiresimperios,
406
1292000
2000
ustedes y sus hijos tienen el poder para construir grandes imperios,
21:58
and you don't need a lot to do it.
407
1294000
2000
y no necesitan mucho para hacerlo
22:00
(MusicMúsica)
408
1296000
2000
(Música).
22:02
And, givendado that the musicmúsica is over, I was going to talk
409
1298000
3000
Y, dado que la música ha terminado, iba a hablar
22:05
about how you can use this to generategenerar a lot of wealthriqueza,
410
1301000
3000
de cómo puedes usar esto para generar mucha riqueza,
22:08
and how codecódigo workstrabajos.
411
1304000
2000
y de cómo funciona el código.
22:10
ModeratorModerador: Two minutesminutos.
412
1306000
1000
(Moderador: Le agrego dos minutos más!!)
22:11
(LaughterRisa)
413
1307000
2000
(Risas).
22:13
JuanJuan EnriquezEnríquez: No, I'm going to stop there and we'llbien do it nextsiguiente yearaño
414
1309000
4000
No, voy a parar aquí y lo haremos el próximo año
22:17
because I don't want to take any of Laurie'sLaurie time.
415
1313000
2000
porque no quiero tomar el tiempo de Laurie.
22:20
But thank you very much.
416
1316000
1000
Pero muchas gracias a ustedes.
Translated by Carlo Dezerega
Reviewed by Gabriela Sellart

▲Back to top

ABOUT THE SPEAKER
Juan Enriquez - Futurist
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society.

Why you should listen

A broad thinker who studies the intersections of these fields, Enriquez has a talent for bridging disciplines to build a coherent look ahead. He is the managing director of Excel Venture Management, a life sciences VC firm. He recently published (with Steve Gullans) Evolving Ourselves: How Unnatural Selection and Nonrandom Mutation Are Shaping Life on Earth. The book describes a world where humans increasingly shape their environment, themselves and other species.

Enriquez is a member of the board of Synthetic Genomics, which recently introduced the smallest synthetic living cell. Called “JCVI-syn 3.0,” it has 473 genes (about half the previous smallest cell). The organism would die if one of the genes is removed. In other words, this is the minimum genetic instruction set for a living organism.

More profile about the speaker
Juan Enriquez | Speaker | TED.com