TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Sheila Nirenberg: Une prothèse oculaire pour traiter la cécité
Filmed:
Readability: 4.3
470,530 views
A TEDMED, Sheila Nirenberg montre une manière audacieuse de créer la vue chez des personnes atteintes de certains types de cécité : en créant une connexion au nerf optique et en envoyant des signaux directement au cerveau depuis une caméra.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
J'étudie comment le cerveau traite l'information.
00:17
information. That is, how it takes
1
2000
2000
C'est-à-dire, comment il reçoit
00:19
information in from the outside world, and
2
4000
2000
les informations du monde extérieur, et
00:21
converts it into patterns of electrical activity,
3
6000
2000
les convertit en modèles d'activité électrique,
00:23
and then how it uses those patterns
4
8000
2000
puis comment il utilise ces modèles
00:25
to allow you to do things --
5
10000
2000
pour vous permettre de faire des choses --
00:27
to see, hear, to reach for an object.
6
12000
2000
voir, entendre, tendre la main pour attraper un objet.
00:29
So I'm really a basic scientist, not
7
14000
2000
Je suis à la base un scientifique,
00:31
a clinician, but in the last year and a half
8
16000
2000
pas un clinicien, mais depuis un an et demi
00:33
I've started to switch over, to use what
9
18000
2000
j'ai commencé à m'engager dans une nouvelle voie,
00:35
we've been learning about these patterns
10
20000
2000
à utiliser ce que nous avons appris de ces modèles
00:37
of activity to develop prosthetic devices,
11
22000
3000
d'activité pour développer des prothèses,
00:40
and what I wanted to do today is show you
12
25000
2000
et aujourd'hui, je voulais vous en montrer
00:42
an example of this.
13
27000
2000
un exemple.
00:44
It's really our first foray into this.
14
29000
2000
C'est vraiment notre première tentative dans ce domaine.
00:46
It's the development of a prosthetic device
15
31000
2000
C'est le développement d'une prothèse
00:48
for treating blindness.
16
33000
2000
pour traiter la cécité.
00:50
So let me start in on that problem.
17
35000
2000
Permettez-moi d'aborder ce problème.
00:52
There are 10 million people in the U.S.
18
37000
2000
Il y a 10 millions de personnes aux États-Unis
00:54
and many more worldwide who are blind
19
39000
2000
et beaucoup d'autres dans le monde qui sont aveugles
00:56
or are facing blindness due to diseases
20
41000
2000
ou qui sont confrontés à la cécité suite à une maladie
00:58
of the retina, diseases like
21
43000
2000
de la rétine, des maladies comme
01:00
macular degeneration, and there's little
22
45000
2000
la dégénérescence maculaire, et il n'y a pas
01:02
that can be done for them.
23
47000
2000
grand chose qu'on puisse faire pour eux.
01:04
There are some drug treatments, but
24
49000
2000
Il y a des traitements médicamenteux, mais
01:06
they're only effective on a small fraction
25
51000
2000
ils ne sont efficaces que sur une petite fraction
01:08
of the population. And so, for the vast
26
53000
2000
de la population. Et donc, pour la grande
01:10
majority of patients, their best hope for
27
55000
2000
majorité des patients, leurs plus grand espoir
01:12
regaining sight is through prosthetic devices.
28
57000
2000
de retrouver la vue repose sur des prothèses.
01:14
The problem is that current prosthetics
29
59000
2000
Le problème est que les prothèses actuelles
01:16
don't work very well. They're still very
30
61000
2000
de fonctionnent pas très bien. Elles sont encore très
01:18
limited in the vision that they can provide.
31
63000
2000
limitées quant à la vision qu'elles procurent.
01:20
And so, you know, for example, with these
32
65000
2000
Et donc, par exemple, avec ces prothèses,
01:22
devices, patients can see simple things
33
67000
2000
les patients peuvent voir des choses simples
01:24
like bright lights and high contrast edges,
34
69000
2000
comme les lumières vives et des bordures à contraste élevé,
01:26
not very much more, so nothing close
35
71000
2000
pas beaucoup plus, donc rien qui se rapproche
01:28
to normal vision has been possible.
36
73000
3000
d'une vision normale n'a été possible.
01:31
So what I'm going to tell you about today
37
76000
2000
Alors ce dont je vais vous parler aujourd'hui
01:33
is a device that we've been working on
38
78000
2000
est une prothèse sur laquelle nous avons travaillé
01:35
that I think has the potential to make
39
80000
2000
et qui je pense peut faire une différence,
01:37
a difference, to be much more effective,
40
82000
2000
en étant beaucoup plus efficace,
01:39
and what I wanted to do is show you
41
84000
2000
et je voulais vous montrer
01:41
how it works. Okay, so let me back up a
42
86000
2000
comment elle fonctionne. Revenons un peu
01:43
little bit and show you how a normal retina
43
88000
2000
en arrière, et je vais vous montrer d'abord comment fonctionne
01:45
works first so you can see the problem
44
90000
2000
une rétine normale pour que vous voyez le problème
01:47
that we were trying to solve.
45
92000
2000
que nous avons tenté de résoudre.
01:49
Here you have a retina.
46
94000
2000
Vous avez ici une rétine.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Vous avez donc une image, une rétine et un cerveau.
01:53
So when you look at something, like this image
48
98000
2000
Quand vous regardez quelque chose, comme cette image
01:55
of this baby's face, it goes into your eye
49
100000
2000
d'un visage de bébé, elle entre dans votre œil
01:57
and it lands on your retina, on the front-end
50
102000
2000
et atterri sur votre rétine, sur les cellules
01:59
cells here, the photoreceptors.
51
104000
2000
frontales ici, les photorécepteurs.
02:01
Then what happens is the retinal circuitry,
52
106000
2000
Et ensuite, les circuits rétiniens,
02:03
the middle part, goes to work on it,
53
108000
2000
la partie centrale, travaille dessus,
02:05
and what it does is it performs operations
54
110000
2000
et elle effectue des opérations dessus,
02:07
on it, it extracts information from it, and it
55
112000
2000
elle en extrait des informations, et
02:09
converts that information into a code.
56
114000
2000
elle convertit ces informations en code.
02:11
And the code is in the form of these patterns
57
116000
2000
Et le code a la forme de ces modèles
02:13
of electrical pulses that get sent
58
118000
2000
d'impulsions électriques qui sont envoyés
02:15
up to the brain, and so the key thing is
59
120000
2000
au cerveau, et donc la clé est que
02:17
that the image ultimately gets converted
60
122000
2000
l'image est finalement convertie
02:19
into a code. And when I say code,
61
124000
2000
en code. Et quand je dis code,
02:21
I do literally mean code.
62
126000
2000
je veux vraiment dire code littéralement.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Comme ce modèle d'impulsions électriques ici veut vraiment dire
02:26
and so when the brain gets this pattern
64
131000
2000
"visage de bébé", et donc quand le cerveau reçoit ce modèle
02:28
of pulses, it knows that what was out there
65
133000
2000
d'impulsions, il sait que ce qui était là
02:30
was a baby's face, and if it
66
135000
2000
c'était un visage de bébé, et si
02:32
got a different pattern it would know
67
137000
2000
il recevait un modèle différent il saurait
02:34
that what was out there was, say, a dog,
68
139000
2000
que ce qui était là c'était, disons, un chien,
02:36
or another pattern would be a house.
69
141000
2000
ou un autre modèle serait une maison.
02:38
Anyway, you get the idea.
70
143000
2000
N'importe comment, vous comprenez l'idée.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
Et bien sûr, dans la vraie vie, tout est dynamique,
02:42
meaning that it's changing all the time,
72
147000
2000
ce qui signifie que ça change tout le temps,
02:44
so the patterns of pulses are changing
73
149000
2000
les modèles d'impulsions changent donc
02:46
all the time because the world you're
74
151000
2000
tout le temps parce que le monde que
02:48
looking at is changing all the time too.
75
153000
3000
vous voyez change aussi tout le temps.
02:51
So, you know, it's sort of a complicated
76
156000
2000
Vous voyez, c'est plutôt compliqué.
02:53
thing. You have these patterns of pulses
77
158000
2000
Vous avez ces modèles d'impulsions
02:55
coming out of your eye every millisecond
78
160000
2000
qui sortent de votre œil à chaque milliseconde
02:57
telling your brain what it is that you're seeing.
79
162000
2000
et qui disent à votre cerveau ce que vous voyez.
02:59
So what happens when a person
80
164000
2000
Qu'est-ce qui se passe quand quelqu'un
03:01
gets a retinal degenerative disease like
81
166000
2000
a une maladie dégénérative rétinienne comme
03:03
macular degeneration? What happens is
82
168000
2000
le dégénérescence maculaire? Ce qui se passe
03:05
is that, the front-end cells die,
83
170000
2000
c'est que les cellules de surface meurent,
03:07
the photoreceptors die, and over time,
84
172000
2000
les photorécepteurs meurent, et avec le temps,
03:09
all the cells and the circuits that are
85
174000
2000
toutes les cellules et les circuits qui
03:11
connected to them, they die too.
86
176000
2000
y sont connectés meurent aussi.
03:13
Until the only things that you have left
87
178000
2000
Jusqu'à ce que les seules choses qui vous restent
03:15
are these cells here, the output cells,
88
180000
2000
sont les cellules ici, les cellules d'informations,
03:17
the ones that send the signals to the brain,
89
182000
2000
celles qui envoient les signaux au cerveau,
03:19
but because of all that degeneration
90
184000
2000
mais à cause de toute cette dégénérescence
03:21
they aren't sending any signals anymore.
91
186000
2000
elles n'envoient plus de signaux.
03:23
They aren't getting any input, so
92
188000
2000
Elles ne reçoivent plus d'informations, alors
03:25
the person's brain no longer gets
93
190000
2000
le cerveau de la personne ne reçoit plus
03:27
any visual information --
94
192000
2000
d'informations visuelles --
03:29
that is, he or she is blind.
95
194000
3000
c'est-à-dire il ou elle est aveugle.
03:32
So, a solution to the problem, then,
96
197000
2000
Alors, la solution au problème
03:34
would be to build a device that could mimic
97
199000
2000
serait de construire une prothèse qui imiterait
03:36
the actions of that front-end circuitry
98
201000
2000
les actions de ce circuit frontal
03:38
and send signals to the retina's output cells,
99
203000
2000
et enverrait des signaux aux cellules d'informations de la rétine,
03:40
and they can go back to doing their
100
205000
2000
et qu'elles puissent à nouveau remplir leur fonction
03:42
normal job of sending signals to the brain.
101
207000
2000
normale qui est d'envoyer des signaux au cerveau.
03:44
So this is what we've been working on,
102
209000
2000
C'est donc ce sur quoi nous avons travaillé,
03:46
and this is what our prosthetic does.
103
211000
2000
et voici ce que fait notre prothèse.
03:48
So it consists of two parts, what we call
104
213000
2000
Elle consiste en deux parties, ce qu'on appelle
03:50
an encoder and a transducer.
105
215000
2000
un encodeur et un transducteur.
03:52
And so the encoder does just
106
217000
2000
Et l'encodeur fait exactement
03:54
what I was saying: it mimics the actions
107
219000
2000
ce que je disais : il imite les actions
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
des circuits frontaux -- donc il amène des images
03:58
in and converts them into the retina's code.
109
223000
2000
et les convertit dans le code de la rétine.
04:00
And then the transducer then makes the
110
225000
2000
Et puis le transducteur fait
04:02
output cells send the code on up
111
227000
2000
envoyer ce code par les cellules d'informations
04:04
to the brain, and the result is
112
229000
2000
jusqu'au cerveau, et le résultat
04:06
a retinal prosthetic that can produce
113
231000
3000
est que la prothèse rétinienne peut produire
04:09
normal retinal output.
114
234000
2000
un rendu rétinien normal.
04:11
So a completely blind retina,
115
236000
2000
Une rétine complètement aveugle,
04:13
even one with no front-end circuitry at all,
116
238000
2000
même une rétine sans aucun circuit frontal,
04:15
no photoreceptors,
117
240000
2000
aucun photorécepteur,
04:17
can now send out normal signals,
118
242000
2000
peut à présent envoyer des signaux normaux,
04:19
signals that the brain can understand.
119
244000
3000
des signaux que le cerveau peut comprendre.
04:22
So no other device has been able
120
247000
2000
Aucun autre dispositif n'a pu
04:24
to do this.
121
249000
2000
faire ça.
04:26
Okay, so I just want to take
122
251000
2000
Bon je veux simplement dire
04:28
a sentence or two to say something about
123
253000
2000
une phrase ou deux sur l'encodeur
04:30
the encoder and what it's doing, because
124
255000
2000
et ce qu'il fait, parce que
04:32
it's really the key part and it's
125
257000
2000
c'est vraiment un élément clé et
04:34
sort of interesting and kind of cool.
126
259000
2000
il est assez intéressant et sympa.
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
Je ne suis pas sure que sympa soit le mot qui convient, mais
04:38
you know what I mean.
128
263000
2000
vous voyez ce que je veux dire.
04:40
So what it's doing is, it's replacing
129
265000
2000
Ce qu'il fait, c'est qu'il remplace
04:42
the retinal circuitry, really the guts of
130
267000
2000
les circuits rétiniens, les tripes mêmes
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
des circuits rétiniens, par un ensemble d'équations,
04:46
a set of equations that we can implement
132
271000
2000
un ensemble d'équations que nous implémentons
04:48
on a chip. So it's just math.
133
273000
2000
sur une puce. Ce ne sont donc que des maths.
04:50
In other words, we're not literally replacing
134
275000
3000
En d'autres termes, nous ne remplaçons pas littéralement
04:53
the components of the retina.
135
278000
2000
les composants de la rétine.
04:55
It's not like we're making a little mini-device
136
280000
2000
Ce n'est pas comme si nous faisions un mini-dispositif
04:57
for each of the different cell types.
137
282000
2000
pour chacun des différents types de cellule.
04:59
We've just abstracted what the
138
284000
2000
Nous avons seulement fait une abstraction
05:01
retina's doing with a set of equations.
139
286000
2000
de ce que fait la rétine avec un ensemble d'équations.
05:03
And so, in a way, the equations are serving
140
288000
2000
Et donc, dans un sens, les équations servent
05:05
as sort of a codebook. An image comes in,
141
290000
2000
de manuel du code, en quelque sorte. Une image entre,
05:07
goes through the set of equations,
142
292000
3000
passe par l'ensemble d'équations,
05:10
and out comes streams of electrical pulses,
143
295000
2000
et des flots d'impulsions électriques ressortent,
05:12
just like a normal retina would produce.
144
297000
4000
comme en produirait une rétine normale.
05:16
Now let me put my money
145
301000
2000
Permettez-moi de joindre le geste à la parole
05:18
where my mouth is and show you that
146
303000
2000
et de vous montrer que
05:20
we can actually produce normal output,
147
305000
2000
nous pouvons vraiment produire un rendu normal,
05:22
and what the implications of this are.
148
307000
2000
et quelles sont les implications de tout ceci.
05:24
Here are three sets of
149
309000
2000
Voici trois ensembles
05:26
firing patterns. The top one is from
150
311000
2000
de modèles d’activation. Celui d'en haut
05:28
a normal animal, the middle one is from
151
313000
2000
est celui d'un animal normal, celui du milieu
05:30
a blind animal that's been treated with
152
315000
2000
est celui d'un animal aveugle qu'on a traité avec
05:32
this encoder-transducer device, and the
153
317000
2000
ce dispositif d'encodeur-transducteur, et
05:34
bottom one is from a blind animal treated
154
319000
2000
celui du bas est celui d'un animal aveugle
05:36
with a standard prosthetic.
155
321000
2000
traité avec une prothèse classique.
05:38
So the bottom one is the state-of-the-art
156
323000
2000
Celui d'en bas est le dispositif nec plus ultra
05:40
device that's out there right now, which is
157
325000
2000
qui est actuellement sur le marché, et
05:42
basically made up of light detectors,
158
327000
2000
qui se compose essentiellement de détecteurs de lumière,
05:44
but no encoder. So what we did was we
159
329000
2000
mais n'a pas d'encodeur. Alors ce que nous avons fait,
05:46
presented movies of everyday things --
160
331000
2000
nous avons présenté des films de choses de la vie quotidienne --
05:48
people, babies, park benches,
161
333000
2000
des gens, des bébés, des bancs dans un parc,
05:50
you know, regular things happening -- and
162
335000
2000
vous savez, des choses normales -- et
05:52
we recorded the responses from the retinas
163
337000
2000
nous avons enregistré les réactions des rétines
05:54
of these three groups of animals.
164
339000
2000
de ces trois groupes d'animaux.
05:56
Now just to orient you, each box is showing
165
341000
2000
Juste pour vous donner des repères, chaque case montre
05:58
the firing patterns of several cells,
166
343000
2000
les modèles d'activation de plusieurs cellules,
06:00
and just as in the previous slides,
167
345000
2000
et tout comme dans les diapos précédentes,
06:02
each row is a different cell,
168
347000
2000
chaque rangée est une cellule différente,
06:04
and I just made the pulses a little bit smaller
169
349000
2000
et j'ai seulement réduit les impulsions
06:06
and thinner so I could show you
170
351000
3000
et je les ai rendues plus minces pour vous montrer
06:09
a long stretch of data.
171
354000
2000
tout un ensemble de données.
06:11
So as you can see, the firing patterns
172
356000
2000
Et comme vous pouvez le voir, les modèles d’activation
06:13
from the blind animal treated with
173
358000
2000
de l'animal aveugle traité avec
06:15
the encoder-transducer really do very
174
360000
2000
l'encodeur-transducteur sont vraiment très proches
06:17
closely match the normal firing patterns --
175
362000
2000
des modèles d’activation normaux --
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
et ce n'est pas parfait, mais c'est plutôt bien.
06:21
and the blind animal treated with
177
366000
2000
et l'animal aveugle traité
06:23
the standard prosthetic,
178
368000
2000
avec la prothèse classique,
06:25
the responses really don't.
179
370000
2000
les réactions ne sont pas du tout bonnes.
06:27
And so with the standard method,
180
372000
3000
Et donc avec la méthode classique,
06:30
the cells do fire, they just don't fire
181
375000
2000
les cellules 's'activent, mais elles ne s'activent pas
06:32
in the normal firing patterns because
182
377000
2000
selon les modèles normaux parce que
06:34
they don't have the right code.
183
379000
2000
elles n'ont pas le bon code.
06:36
How important is this?
184
381000
2000
Quelle importance cela a-t-il?
06:38
What's the potential impact
185
383000
2000
Quel est l'impact potentiel
06:40
on a patient's ability to see?
186
385000
3000
sur la capacité de voir du patient?
06:43
So I'm just going to show you one
187
388000
2000
Je vais juste vous montrer
06:45
bottom-line experiment that answers this,
188
390000
2000
une expérience de base qui apporte une réponse
06:47
and of course I've got a lot of other data,
189
392000
2000
et bien sûr j'ai beaucoup d’autres données,
06:49
so if you're interested I'm happy
190
394000
2000
alors si ça vous intéresse, je serais ravie
06:51
to show more. So the experiment
191
396000
2000
de vous en montrer plus. On appelle donc cette expérience
06:53
is called a reconstruction experiment.
192
398000
2000
une expérience de reconstruction.
06:55
So what we did is we took a moment
193
400000
2000
Nous avons pris un moment donné
06:57
in time from these recordings and asked,
194
402000
3000
de ces enregistrements et avons posé la question suivante :
07:00
what was the retina seeing at that moment?
195
405000
2000
que voyait la rétine à ce moment-là?
07:02
Can we reconstruct what the retina
196
407000
2000
Pouvons-nous reconstruire ce que la rétine
07:04
was seeing from the responses
197
409000
2000
voyait à partir des réactions
07:06
from the firing patterns?
198
411000
2000
aux modèles d’activation?
07:08
So, when we did this for responses
199
413000
3000
Cela quand nous avons travaillé sur les réactions
07:11
from the standard method and from
200
416000
3000
à la méthode classique et
07:14
our encoder and transducer.
201
419000
2000
à notre encodeur et transducteur.
07:16
So let me show you, and I'm going to
202
421000
2000
Permettez-moi de vous le montrer, et je commencerai
07:18
start with the standard method first.
203
423000
2000
par la méthode classique.
07:20
So you can see that it's pretty limited,
204
425000
2000
Vous voyez que c'est plutôt limité,
07:22
and because the firing patterns aren't
205
427000
2000
et parce que les modèles d’activation ne sont pas
07:24
in the right code, they're very limited in
206
429000
2000
dans le bon code, ils sont très limités quant à
07:26
what they can tell you about
207
431000
2000
ce qu'ils peuvent dire
07:28
what's out there. So you can see that
208
433000
2000
sur ce qu'il y a là dehors. Vous pouvez voir
07:30
there's something there, but it's not so clear
209
435000
2000
qu'il y a quelque chose là, mais il est difficile
07:32
what that something is, and this just sort of
210
437000
2000
de savoir ce que c'est, et dans un sens
07:34
circles back to what I was saying in the
211
439000
2000
cela nous ramène à ce que je disais au début,
07:36
beginning, that with the standard method,
212
441000
2000
qu'avec la méthode classique,
07:38
patients can see high-contrast edges, they
213
443000
2000
les patients peuvent voir des bords au contraste élevé,
07:40
can see light, but it doesn't easily go
214
445000
2000
ils peuvent voir de la lumière, mais
07:42
further than that. So what was
215
447000
2000
ça ne va pas beaucoup plus loin. Alors,
07:44
the image? It was a baby's face.
216
449000
3000
quelle était cette image? C'était le visage d'un bébé.
07:47
So what about with our approach,
217
452000
2000
Et avec notre approche,
07:49
adding the code? And you can see
218
454000
2000
en ajoutant le code? Et vous pouvez voir
07:51
that it's much better. Not only can you
219
456000
2000
que c'est beaucoup mieux. Non seulement vous pouvez
07:53
tell that it's a baby's face, but you can
220
458000
2000
dire que c'est un visage de bébé, mais vous pouvez
07:55
tell that it's this baby's face, which is a
221
460000
2000
dire que c'est le visage de ce bébé,
07:57
really challenging task.
222
462000
2000
ce qui est une tâche vraiment difficile.
07:59
So on the left is the encoder
223
464000
2000
Donc à gauche vous voyez l'encodeur seul,
08:01
alone, and on the right is from an actual
224
466000
2000
et à droite c'est une véritable rétine aveugle,
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
donc avec l'encodeur et le transducteur.
08:05
But the key one really is the encoder alone,
226
470000
2000
Mais la clé est en fait l'encodeur seul,
08:07
because we can team up the encoder with
227
472000
2000
parce que nous pouvons le coupler avec
08:09
the different transducer.
228
474000
2000
un transducteur différent.
08:11
This is just actually the first one that we tried.
229
476000
2000
C'est en fait le premier que nous avons essayé.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Je voulais dire quelque chose sur la méthode classique.
08:15
When this first came out, it was just a really
231
480000
2000
Quand c'est sorti pour la première fois, c'était
08:17
exciting thing, the idea that you
232
482000
2000
vraiment enthousiasmant, l'idée que vous
08:19
even make a blind retina respond at all.
233
484000
3000
pouviez obtenir une réaction quelconque de la rétine.
08:22
But there was this limiting factor,
234
487000
3000
Mais il y avait un facteur limitatif,
08:25
the issue of the code, and how to make
235
490000
2000
le problème du code, et comment faire
08:27
the cells respond better,
236
492000
2000
que les cellules répondent mieux.
08:29
produce normal responses,
237
494000
2000
produisent des réactions normales,
08:31
and so this was our contribution.
238
496000
2000
et c'était donc notre contribution.
08:33
Now I just want to wrap up,
239
498000
2000
Je voudrais maintenant terminer,
08:35
and as I was mentioning earlier
240
500000
2000
et comme je le disais plus tôt,
08:37
of course I have a lot of other data
241
502000
2000
bien sûr j'ai beaucoup d'autres données
08:39
if you're interested, but I just wanted to give
242
504000
2000
si ça vous intéresse, mais je voulais donner
08:41
this sort of basic idea
243
506000
2000
cette idée générale
08:43
of being able to communicate
244
508000
3000
de la capacité de communiquer
08:46
with the brain in its language, and
245
511000
2000
avec le cerveau dans sa langue, et
08:48
the potential power of being able to do that.
246
513000
3000
la puissance potentielle de pouvoir le faire.
08:51
So it's different from the motor prosthetics
247
516000
2000
C'est donc différent des prothèses motorisées
08:53
where you're communicating from the brain
248
518000
2000
dans lesquelles on communique depuis le cerveau
08:55
to a device. Here we have to communicate
249
520000
2000
vers un appareil. Ici nous devons communiquer
08:57
from the outside world
250
522000
2000
depuis le monde extérieur
08:59
into the brain and be understood,
251
524000
2000
jusque dans le cerveau et être compris,
09:01
and be understood by the brain.
252
526000
2000
et être compris par le cerveau.
09:03
And then the last thing I wanted
253
528000
2000
Et la dernière chose que je voulais
09:05
to say, really, is to emphasize
254
530000
2000
dire en fait, c'est insister
09:07
that the idea generalizes.
255
532000
2000
sur le fait que l'idée se généralise.
09:09
So the same strategy that we used
256
534000
2000
La même stratégie que nous avons employée
09:11
to find the code for the retina we can also
257
536000
2000
pour trouver le code pour la rétine peut aussi
09:13
use to find the code for other areas,
258
538000
2000
être employée pour trouver le code pour d'autres zones,
09:15
for example, the auditory system and
259
540000
2000
par exemple le système auditif et
09:17
the motor system, so for treating deafness
260
542000
2000
le système moteur, donc pour traiter la surdité
09:19
and for motor disorders.
261
544000
2000
et les désordres moteurs.
09:21
So just the same way that we were able to
262
546000
2000
Tout comme nous avons pu
09:23
jump over the damaged
263
548000
2000
contourner les circuits endommagés
09:25
circuitry in the retina to get to the retina's
264
550000
2000
de la rétine pour arriver à ses cellules de production,
09:27
output cells, we can jump over the
265
552000
2000
nous pouvons contourner
09:29
damaged circuitry in the cochlea
266
554000
2000
les circuits endommagés dans la cochlée
09:31
to get the auditory nerve,
267
556000
2000
pour atteindre le nerf auditif,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
ou contourner les zones endommagées dans le cortex,
09:35
in the motor cortex, to bridge the gap
269
560000
3000
dans le cortex moteur, pour palier au manque
09:38
produced by a stroke.
270
563000
2000
résultant d'une attaque.
09:40
I just want to end with a simple
271
565000
2000
Je veux terminer par un message simple :
09:42
message that understanding the code
272
567000
2000
comprendre le code est très
09:44
is really, really important, and if we
273
569000
2000
très important, et si
09:46
can understand the code,
274
571000
2000
nous pouvons comprendre le code,
09:48
the language of the brain, things become
275
573000
2000
le langage du cerveau, les choses qui ne semblaient pas
09:50
possible that didn't seem obviously
276
575000
2000
possibles à première vue le deviennent.
09:52
possible before. Thank you.
277
577000
2000
Merci.
09:54
(Applause)
278
579000
5000
(Applaudissements)
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com