TED2003
Juan Enriquez: The life code that will reshape the future
Juan Enriquez à propos de la génomique et notre futur
Filmed:
Readability: 3.4
831,634 views
Les découvertes scientifiques, relève le futuriste Juan Enriquez, requièrent un changement de code et notre capacité à prospérer dépend de notre maîtrise de ce code. Il applique ici cette notion au domaine de la génomique.
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. Full bio
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 supposed to scare you, because it's about fear, right?
0
1000
3000
Je suis censé vous effrayer parce que c'est à propos de la peur, non?
00:29
And you should be really afraid,
1
5000
2000
Et vous devriez avoir peur,
00:31
but not for the reasons why you think you should be.
2
7000
2000
mais pas pour les raisons auxquelles vous pensez.
00:34
You should be really afraid that --
3
10000
2000
Vous devriez avoir peur que
00:36
if we stick up the first slide on this thing -- there we go -- that you're missing out.
4
12000
4000
si on peut avoir le premier slide -- voilà -- que vous loupiez quelque chose.
00:42
Because if you spend this week thinking about Iraq and
5
18000
4000
Parce que si vous avez passé votre semaine à penser à l'Irak et
00:46
thinking about Bush and thinking about the stock market,
6
22000
4000
à penser à propos de Bush et à penser au marché boursier,
00:50
you're going to miss one of the greatest adventures that we've ever been on.
7
26000
2000
vous allez manquer l'une des plus fabuleuses aventures qu'on ait jamais pu vivre.
00:53
And this is what this adventure's really about.
8
29000
2000
Et voilà ce dont il s'agit.
00:55
This is crystallized DNA.
9
31000
4000
C'est de l'ADN cristallisé.
00:59
Every life form on this planet -- every insect, every bacteria, every plant,
10
35000
3000
Chaque être vivant sur cette planète, tous les insectes, les bactéries, les plantes,
01:02
every animal, every human, every politician -- (Laughter)
11
38000
3000
les animaux, les être humains, les politiciens ( rires )
01:07
is coded in that stuff.
12
43000
2000
sont codés avec ça.
01:09
And if you want to take a single crystal of DNA, it looks like that.
13
45000
4000
Et si vous prenez un seul cristal d'ADN, ça ressemble à ça.
01:13
And we're just beginning to understand this stuff.
14
49000
2000
Et on commence tout juste à comprendre ce que c'est.
01:16
And this is the single most exciting adventure that we have ever been on.
15
52000
3000
Et c'est la plus excitante des aventures qu'on ait jamais vécue.
01:20
It's the single greatest mapping project we've ever been on.
16
56000
3000
C'est le plus formidable projet qu'on ait jamais pu vivre.
01:23
If you think that the mapping of America's made a difference,
17
59000
2000
Si vous pensez que la découverte des États-Unis a changé quelque chose,
01:25
or landing on the moon, or this other stuff,
18
61000
3000
ou atterrir sur la Lune ou encore ça,
01:28
it's the map of ourselves and the map of every plant
19
64000
3000
c'est notre propre carte et la carte de chaque plante,
01:31
and every insect and every bacteria that really makes a difference.
20
67000
3000
chaque insecte et chaque bactérie qui change réellement les choses.
01:34
And it's beginning to tell us a lot about evolution.
21
70000
3000
Et ça commence à nous en dire long sur l'évolution.
01:39
(Laughter)
22
75000
4000
( rires )
01:43
It turns out that what this stuff is --
23
79000
2000
Il se trouve que c'est -
01:45
and Richard Dawkins has written about this --
24
81000
2000
Richard Dawkins en a déjà parlé -
01:47
is, this is really a river out of Eden.
25
83000
2000
une véritable rivière sortie de l'Eden.
01:49
So, the 3.2 billion base pairs inside each of your cells
26
85000
4000
Les 3.2 milliards de paires de bases qui se trouvent à l'intérieur de vos cellules
01:53
is really a history of where you've been for the past billion years.
27
89000
3000
est une histoire d'où vous avez été ces derniers milliards d'années.
01:56
And we could start dating things,
28
92000
1000
Et on pourrait commencer à dater certaines choses,
01:57
and we could start changing medicine and archeology.
29
93000
3000
on pourrait commencer à changer la médecine et l'archéologie.
02:01
It turns out that if you take the human species about 700 years ago,
30
97000
3000
Si vous prenez l'espèce humaine il y a environ 700 ans, il s'avère que
02:04
white Europeans diverged from black Africans in a very significant way.
31
100000
3000
les Européens se sont distingués des Africains de manière très nette.
02:07
White Europeans were subject to the plague.
32
103000
5000
Les Européens ont été confrontés à la peste.
02:13
And when they were subject to the plague, most people didn't survive,
33
109000
3000
Et face à la peste, la plupart des gens n'ont pas survécu,
02:16
but those who survived had a mutation on the CCR5 receptor.
34
112000
4000
mais ceux qui ont survécu avaient une mutation du récepteur CCR5.
02:20
And that mutation was passed on to their kids
35
116000
2000
Cette mutation a été transmise à leur enfants
02:22
because they're the ones that survived,
36
118000
2000
étant donné qu'ils étaient les survivants,
02:24
so there was a great deal of population pressure.
37
120000
2000
la population a donc été confrontée à une forte sélection.
02:26
In Africa, because you didn't have these cities,
38
122000
2000
En Afrique, étant donné qu'il n'y avait pas de telles villes,
02:28
you didn't have that CCR5 population pressure mutation.
39
124000
3000
il n'y a pas eu de sélection pour la mutation CCR5.
02:31
We can date it to 700 years ago.
40
127000
3000
On peut dire que ça date de 700 ans.
02:34
That is one of the reasons why AIDS is raging across Africa as fast as it is,
41
130000
4000
C'est une des raisons pour lesquelles le SIDA frappe aussi fort en Afrique
02:38
and not as fast across Europe.
42
134000
4000
et non en Europe.
02:42
And we're beginning to find these little things for malaria,
43
138000
3000
Et nous sommes en train de trouver ces détails pour la malaria,
02:45
for sickle cell, for cancers.
44
141000
3000
pour les cellules falciformes, pour les cancers.
02:49
And in the measure that we map ourselves,
45
145000
2000
Le fait de dessiner notre propre carte,
02:51
this is the single greatest adventure that we'll ever be on.
46
147000
2000
est la plus formidable aventure qu'il nous soit donné de vivre.
02:53
And this Friday, I want you to pull out a really good bottle of wine,
47
149000
4000
Et vendredi, je veux que vous sortiez une très bonne bouteille de vin,
02:57
and I want you to toast these two people.
48
153000
2000
et je veux que vous leviez votre verre à ces deux personnes.
03:00
Because this Friday, 50 years ago, Watson and Crick found the structure of DNA,
49
156000
4000
Parce que ce vendredi, 50 ans plus tôt, Watson et Crick découvraient la structure de l'ADN
03:04
and that is almost as important a date
50
160000
3000
et c'est un date presque aussi importante
03:07
as the 12th of February when we first mapped ourselves,
51
163000
3000
que le 12 février, date à laquelle nous avons dessiné notre carte pour la première fois.
03:10
but anyway, we'll get to that.
52
166000
2000
Mais bref, continuons.
03:12
I thought we'd talk about the new zoo.
53
168000
2000
Je croyais qu'on allait parler du nouveau zoo.
03:14
So, all you guys have heard about DNA, all the stuff that DNA does,
54
170000
4000
Vous avez tous entendu parler d'ADN, de tout ce que l'ADN fait,
03:18
but some of the stuff we're discovering is kind of nifty
55
174000
3000
mais les découvertes que l'on est en train de faire sont assez élégantes
03:21
because this turns out to be the single most abundant species on the planet.
56
177000
5000
parce que ça s'avère être l'espèce la plus abondante sur la planète.
03:26
If you think you're successful or cockroaches are successful,
57
182000
3000
Si vous pensez être bien adapté ou que les blattes le sont,
03:29
it turns out that there's ten trillion trillion Pleurococcus sitting out there.
58
185000
3000
il se trouve qu'il y a cents millions de milliards de milliards de Pleurococcus dehors.
03:32
And we didn't know that Pleurococcus was out there,
59
188000
3000
Et on ne savait pas que Pleurococcus était là.
03:35
which is part of the reason
60
191000
1000
C'est une des raisons pour laquelle
03:36
why this whole species-mapping project is so important.
61
192000
5000
ce projet de cartographie est si important.
03:41
Because we're just beginning to learn
62
197000
2000
Parce qu'on commence à apprendre
03:43
where we came from and what we are.
63
199000
1000
d'où nous venons et ce que nous sommes.
03:45
And we're finding amoebas like this. This is the amoeba dubia.
64
201000
3000
Et on trouve des amibes comme celle-ci. C'est Amoeba dubia.
03:49
And the amoeba dubia doesn't look like much,
65
205000
2000
Et Amoeba dubia ne nous ressemble pas beaucoup,
03:51
except that each of you has about 3.2 billion letters,
66
207000
3000
si ce n'est que chacun d'entre vous a environ 3.2 milliards de lettres
03:54
which is what makes you you,
67
210000
2000
qui font que vous êtes ce que vous êtes
03:56
as far as gene code inside each of your cells,
68
212000
3000
tout comme le code dans chacune de vos cellules.
03:59
and this little amoeba which, you know,
69
215000
3000
Cette petite amibe
04:02
sits in water in hundreds and millions and billions,
70
218000
2000
qui se trouve dans l'eau par millions de milliards
04:05
turns out to have 620 billion base pairs of gene code inside.
71
221000
6000
se révèle contenir un code génétique de 620 milliards de paires de base.
04:11
So, this little thingamajig has a genome
72
227000
3000
Donc ce petit machin a un génome
04:14
that's 200 times the size of yours.
73
230000
2000
qui fait 200 fois la taille du vôtre.
04:17
And if you're thinking of efficient information storage mechanisms,
74
233000
3000
Et si vous pensez à l'efficacité du mécanisme de stockage de l'information,
04:21
it may not turn out to be chips.
75
237000
2000
on se trouve assez loin des puces électronique.
04:24
It may turn out to be something that looks a little like that amoeba.
76
240000
4000
On se trouve plutôt proche de quelque chose qui ressemble à cette amibe.
04:28
And, again, we're learning from life and how life works.
77
244000
4000
Et, une fois de plus, on découvre la vie et comment elle fonctionne.
04:32
This funky little thing: people didn't used to think
78
248000
4000
Cette petite chose, les gens n'imaginaient même pas
04:36
that it was worth taking samples out of nuclear reactors
79
252000
3000
que ça valait la peine de prélever des échantillons dans les réacteurs nucléaires
04:39
because it was dangerous and, of course, nothing lived there.
80
255000
3000
parce que c'était dangereux et, bien sûr, parce que rien ne vivait là-dedans.
04:42
And then finally somebody picked up a microscope
81
258000
3000
Et finalement quelqu'un a pris un microscope
04:45
and looked at the water that was sitting next to the cores.
82
261000
3000
et a observé l'eau qui se trouvait à côté du cœur des réacteurs.
04:48
And sitting next to that water in the cores
83
264000
2000
Et dans cette eau à côté du cœur des réacteurs
04:50
was this little Deinococcus radiodurans, doing a backstroke,
84
266000
3000
se trouvait Deinococcus radiodurans qui nageait le crawl,
04:53
having its chromosomes blown apart every day,
85
269000
2000
qui se faisait détruire ses chromosomes chaque jour six, sept fois,
04:55
six, seven times, restitching them,
86
271000
3000
qui les recollait,
04:58
living in about 200 times the radiation that would kill you.
87
274000
2000
qui vivait au milieu de radiations qui vous tueraient 200 fois.
05:01
And by now you should be getting a hint as to how diverse
88
277000
3000
Et maintenant vous devriez avoir un idée du point auquel
05:04
and how important and how interesting this journey into life is,
89
280000
2000
la vie peut être diversifiée, importante et intéressante,
05:06
and how many different life forms there are,
90
282000
3000
et du nombre de différentes formes de vie qu'il peut y avoir,
05:09
and how there can be different life forms living in
91
285000
3000
et du fait qu'il puisse y avoir différentes formes de vie
05:12
very different places, maybe even outside of this planet.
92
288000
3000
vivant à des endroits très différents, peut-être en dehors de cette planète.
05:16
Because if you can live in radiation that looks like this,
93
292000
2000
Parce que si vous vivez au milieu de telles radiations,
05:18
that brings up a whole series of interesting questions.
94
294000
3000
ça amène des questions intéressantes.
05:22
This little thingamajig: we didn't know this thingamajig existed.
95
298000
3000
Ce petit machin, on ne savait pas que ce machin existait.
05:26
We should have known that this existed
96
302000
2000
On aurait dû savoir que ça existait
05:28
because this is the only bacteria that you can see to the naked eye.
97
304000
3000
parce que c'est la seule bactérie que vous pouvez voir à l'œil nu.
05:31
So, this thing is 0.75 millimeters.
98
307000
3000
Cette chose fait 0.75 millimètres.
05:34
It lives in a deep trench off the coast of Namibia.
99
310000
2000
Elle vit dans une fosse de la côte de Namibie.
05:37
And what you're looking at with this namibiensis
100
313000
2000
Et cette Namibiensis que vous voyez
05:39
is the biggest bacteria we've ever seen.
101
315000
2000
est la plus grande bactérie qu'on ait jamais vue.
05:41
So, it's about the size of a little period on a sentence.
102
317000
3000
Elle fait à peu près la taille d'une petite virgule dans une phrase.
05:45
Again, we didn't know this thing was there three years ago.
103
321000
4000
Pareil, on ne savait pas que ça existait il y a trois ans.
05:49
We're just beginning this journey of life in the new zoo.
104
325000
3000
On commence à peine ce voyage de la vie dans le nouveau zoo.
05:53
This is a really odd one. This is Ferroplasma.
105
329000
3000
En voilà une vraiment particulière. C'est Ferroplasma.
05:57
The reason why Ferroplasma is interesting is because it eats iron,
106
333000
3000
La raison pour laquelle Ferroplasma est intéressante est qu'elle mange du fer,
06:01
lives inside the equivalent of battery acid,
107
337000
3000
elle vit dans l'équivalent de l'acide d'une batterie
06:05
and excretes sulfuric acid.
108
341000
2000
et produit de l'acide sulfurique.
06:09
So, when you think of odd life forms,
109
345000
2000
Quand vous pensez à des formes de vie particulières,
06:11
when you think of what it takes to live,
110
347000
3000
quand vous pensez à ce que ça demande de vivre,
06:15
it turns out this is a very efficient life form,
111
351000
2000
il s'avère que c'est une forme de vie vraiment efficace.
06:17
and they call it an archaea. Archaea means "the ancient ones."
112
353000
4000
Et ils l'appellent une archea. "Archea" signifie "les anciens".
06:21
And the reason why they're ancient is because this thing came up
113
357000
4000
Et la raison pour laquelle elles sont anciennes est que cette chose
06:25
when this planet was covered
114
361000
2000
est apparue lorsque cette planète était couverte
06:27
by things like sulfuric acid in batteries,
115
363000
1000
par de l'acide de batterie
06:28
and it was eating iron when the earth was part of a melted core.
116
364000
4000
et elle mangeait du fer quand la terre faisait partie d'un noyau liquide.
06:33
So, it's not just dogs and cats and whales and dolphins
117
369000
4000
Donc ce ne sont pas seulement aux chiens, aux chats, aux baleines et aux dauphins
06:37
that you should be aware of and interested in on this little journey.
118
373000
4000
que vous vous devriez penser et auxquels vous devriez vous intéresser au cours de ce périple.
06:41
Your fear should be that you are not,
119
377000
3000
Votre crainte devrait être le fait que vous n'êtes rien,
06:44
that you're paying attention to stuff which is temporal.
120
380000
3000
que vous ne vous intéressez qu'à des choses qui sont temporaires.
06:47
I mean, George Bush -- he's going to be gone, alright? Life isn't.
121
383000
5000
George Bush... il va s'en aller, vous savez? Pas la vie.
06:53
Whether the humans survive or don't survive,
122
389000
3000
Que les humains survivent ou non,
06:56
these things are going to be living on this planet or other planets.
123
392000
3000
ces choses vont vivre sur cette planète ou d'autres planètes.
06:59
And it's just beginning to understand this code of DNA
124
395000
4000
Et on ne fait que commencer à comprendre ce code qu'est l'ADN.
07:03
that's really the most exciting intellectual adventure
125
399000
3000
C'est véritablement l'aventure intellectuelle la plus intéressante
07:06
that we've ever been on.
126
402000
3000
qui nous ait jamais été offerte.
07:09
And you can do strange things with this stuff. This is a baby gar.
127
405000
4000
Et vous pouvez faire des choses bizarres avec ça. Voici un brochet crocodile.
07:13
Conservation group gets together,
128
409000
2000
Des groupes de protection animalière
07:15
tries to figure out how to breed an animal that's almost extinct.
129
411000
4000
essaient de trouver comment reproduire une espèce quasiment éteinte.
07:20
They can't do it naturally, so what they do with this thing is
130
416000
3000
Ils n'y arrivent pas naturellement, alors ils prennent une cuiller,
07:23
they take a spoon, take some cells out of an adult gar's mouth, code,
131
419000
5000
ils prélèvent quelques cellules de la bouche d'un brochet crocodile adulte, codent,
07:29
take the cells from that and insert it into a fertilized cow's egg,
132
425000
4000
prennent ces cellules et les insèrent dans un ovule de vache fertilisé,
07:34
reprogram cow's egg -- different gene code.
133
430000
3000
ils reprogramment. Fœtus de vache, code génétique différent.
07:38
When you do that, the cow gives birth to a gar.
134
434000
4000
Quand vous faites ça, la vache donne naissance à un brochet.
07:43
We are now experimenting with bongos, pandas, elims, Sumatran tigers,
135
439000
6000
On fait maintenant des expériences avec des bongos, des pandas, des elos*, des tigres de Sumatra
07:49
and the Australians -- bless their hearts --
136
445000
3000
et les Australiens, loués soient-ils,
07:52
are playing with these things.
137
448000
1000
jouent avec ça.
07:53
Now, the last of these things died in September 1936.
138
449000
4000
Le dernier est mort en septembre 1936.
07:57
These are Tasmanian tigers. The last known one died at the Hobart Zoo.
139
453000
4000
Ce sont des tigres de Tasmanie. Le dernier recensé est mort au zoo Hobart.
08:01
But it turns out that as we learn more about gene code
140
457000
3000
Mais alors qu'on en apprend de plus en plus sur le code génétique
08:04
and how to reprogram species,
141
460000
2000
et sur la manière de reprogrammer les espèces,
08:06
we may be able to close the gene gaps in deteriorate DNA.
142
462000
5000
on pourrait bien combler les trous d'ADN détériorés.
08:11
And when we learn how to close the gene gaps,
143
467000
3000
Et quand on sait comment combler ces trous génétiques,
08:14
then we can put a full string of DNA together.
144
470000
2000
on peut obtenir un brin d'ADN entier.
08:17
And if we do that, and insert this into a fertilized wolf's egg,
145
473000
4000
Et si l'on fait ça, si on insère ce brin dans un ovule de loup fertilisé,
08:22
we may give birth to an animal
146
478000
2000
on peut donner naissance à un animal
08:24
that hasn't walked the earth since 1936.
147
480000
2000
qui n'a pas mis les pieds sur Terre depuis 1936.
08:27
And then you can start going back further,
148
483000
2000
Vous pouvez ensuite remonter plus loin dans le passé,
08:29
and you can start thinking about dodos,
149
485000
2000
vous pouvez penser aux dodos,
08:32
and you can think about other species.
150
488000
1000
et à d'autres espèces.
08:34
And in other places, like Maryland, they're trying to figure out
151
490000
3000
À d'autres endroits, comme dans le Maryland,
08:37
what the primordial ancestor is.
152
493000
2000
ils essaient de découvrir qui est notre ancêtre commun.
08:39
Because each of us contains our entire gene code
153
495000
3000
Étant donné que chacun d'entre nous contient notre code génétique entier,
08:42
of where we've been for the past billion years,
154
498000
3000
où nous avons été au cours des derniers milliards d'années,
08:45
because we've evolved from that stuff,
155
501000
2000
comme nous avons tous évolué à partir de ça,
08:47
you can take that tree of life and collapse it back,
156
503000
2000
vous pouvez retourner cet arbre de la vie.
08:49
and in the measure that you learn to reprogram,
157
505000
3000
Et comme nous apprenons à reprogrammer,
08:52
maybe we'll give birth to something
158
508000
2000
nous allons peut-être donner naissance à quelque chose
08:54
that is very close to the first primordial ooze.
159
510000
2000
très proche de l'être primordial.
08:56
And it's all coming out of things that look like this.
160
512000
2000
Et tout ça sort de choses qui ressemblent à ça.
08:58
These are companies that didn't exist five years ago.
161
514000
2000
Ce sont des compagnies qui n'existaient même pas il y a 5 ans.
09:00
Huge gene sequencing facilities the size of football fields.
162
516000
4000
Des énormes sites de séquence génétique qui font la taille de terrains de football.
09:04
Some are public. Some are private.
163
520000
2000
Certains sont publiques. D'autres sont privés.
09:06
It takes about 5 billion dollars to sequence a human being the first time.
164
522000
3000
Il a fallu environ 5 milliards de dollars pour la première séquence d'un être humain.
09:10
Takes about 3 million dollars the second time.
165
526000
2000
Environ 3 millions la deuxième fois.
09:12
We will have a 1,000-dollar genome within the next five to eight years.
166
528000
4000
On aura un génome pour 1000 dollars dans 5 à 8 ans.
09:16
That means each of you will contain on a CD your entire gene code.
167
532000
4000
Chacun d'entre vous aura donc son code génétique entier sur un CD.
09:21
And it will be really boring. It will read like this.
168
537000
2000
Et ça sera vraiment ennuyant, ça ressemblera à ça.
09:24
(Laughter)
169
540000
2000
( rires )
09:26
The really neat thing about this stuff is that's life.
170
542000
2000
Ce qui est beau, c'est que c'est la vie.
09:28
And Laurie's going to talk about this one a little bit.
171
544000
3000
Laurie va en parler un petit peu.
09:31
Because if you happen to find this one inside your body,
172
547000
2000
Parce que si vous trouvez ça dans votre corps,
09:33
you're in big trouble, because that's the source code for Ebola.
173
549000
2000
vous êtes mal en point car c'est le code d'Ebola.
09:37
That's one of the deadliest diseases known to humans.
174
553000
2000
Une des maladies connues de l'Homme les plus mortelles.
09:39
But plants work the same way and insects work the same way,
175
555000
2000
Mais les plantes et les insectes fonctionnent de la même manière
09:41
and this apple works the same way.
176
557000
2000
et cette pomme fonctionne de la même manière.
09:43
This apple is the same thing as this floppy disk.
177
559000
2000
Cette pomme est la même chose que cette disquette.
09:45
Because this thing codes ones and zeros,
178
561000
2000
Car cette chose code en 1 et 0,
09:47
and this thing codes A, T, C, Gs, and it sits up there,
179
563000
2000
et celle-là code en A, T, C, G et reste là-haut
09:49
absorbing energy on a tree, and one fine day
180
565000
3000
à absorber de l'énergie sur un arbre jusqu'à un beau jour
09:52
it has enough energy to say, execute, and it goes [thump]. Right?
181
568000
4000
où elle a assez d'énergie pour taper "Enter" et s'en aller d'un coup. Pas vrai?
09:56
(Laughter)
182
572000
3000
( rires )
09:59
And when it does that, pushes a .EXE, what it does is,
183
575000
4000
Et lorsqu’elle ouvre son fichier .exe,
10:03
it executes the first line of code, which reads just like that,
184
579000
3000
elle compile la première ligne de code qui se lit :
10:06
AATCAGGGACCC, and that means: make a root.
185
582000
3000
AATCAGGGACCC, ce qui signifie "créer un racine".
10:09
Next line of code: make a stem.
186
585000
2000
Ligne de code suivante : "créer un tige".
10:11
Next line of code, TACGGGG: make a flower that's white,
187
587000
3000
Ligne de code suivante, TACGGGG : "produire une fleur blanche,
10:14
that blooms in the spring, that smells like this.
188
590000
3000
qui éclot au printemps, qui sent ça".
10:17
In the measure that you have the code
189
593000
2000
Tant que vous avez le code
10:19
and the measure that you read it --
190
595000
3000
et tant que vous pouvez le lire...
10:22
and, by the way, the first plant was read two years ago;
191
598000
2000
la première plante a d'ailleurs été lue il y a deux ans,
10:24
the first human was read two years ago;
192
600000
2000
le premier humain a été lu il y a deux ans,
10:26
the first insect was read two years ago.
193
602000
2000
le premier insecte a été lu il y a deux ans,
10:28
The first thing that we ever read was in 1995:
194
604000
3000
la première chose qu'on ait lue, a été lue en 1995,
10:31
a little bacteria called Haemophilus influenzae.
195
607000
2000
un petite bactérie nommée Haemophilus influenza.
10:34
In the measure that you have the source code, as all of you know,
196
610000
3000
Tant que vous avez le code, comme vous le savez tous,
10:37
you can change the source code, and you can reprogram life forms
197
613000
2000
vous pouvez le modifier et vous pouvez reprogrammer des formes de vie
10:39
so that this little thingy becomes a vaccine,
198
615000
2000
pour faire un vaccin à partir de ce machin
10:41
or this little thingy starts producing biomaterials,
199
617000
3000
ou pour que ce machin se mette à produire des biomatériaux.
10:44
which is why DuPont is now growing a form of polyester
200
620000
3000
C'est pourquoi DuPont produit un type de polyester
10:47
that feels like silk in corn.
201
623000
2000
qui a la consistance de la soie.
10:50
This changes all rules. This is life, but we're reprogramming it.
202
626000
5000
ça change toutes les règles. C'est la vie, mais nous sommes en train de la reprogrammer.
10:57
This is what you look like. This is one of your chromosomes.
203
633000
4000
Voilà à quoi vous ressemblez. C'est l'un de vos chromosomes.
11:01
And what you can do now is,
204
637000
2000
Et ce que vous pouvez faire,
11:03
you can outlay exactly what your chromosome is,
205
639000
3000
c'est déterminer précisément quel est ce chromosome,
11:06
and what the gene code on that chromosome is right here,
206
642000
3000
quel est le code génétique de ce chromosome à cet endroit,
11:09
and what those genes code for, and what animals they code against,
207
645000
3000
ce que codent ces gènes, contre quels animaux ils codent
11:12
and then you can tie it to the literature.
208
648000
2000
et vous pouvez ensuite relier tout ça à la littérature scientifique.
11:14
And in the measure that you can do that, you can go home today,
209
650000
3000
Étant donné que vous êtes capables de faire ça, vous pouvez rentrer à la maison,
11:17
and get on the Internet, and access
210
653000
2000
aller sur Internet, et accéder
11:19
the world's biggest public library, which is a library of life.
211
655000
3000
à la plus grande bibliothèque du monde, une bibliothèque de la vie.
11:23
And you can do some pretty strange things
212
659000
2000
Et vous pouvez faire des choses assez étranges.
11:25
because in the same way as you can reprogram this apple,
213
661000
2000
Tout comme il est possible de reprogrammer cette pomme,
11:28
if you go to Cliff Tabin's lab at the Harvard Medical School,
214
664000
2000
Cliff Tabin de l'École de Médecine de Harvard
11:31
he's reprogramming chicken embryos to grow more wings.
215
667000
4000
reprogramme des embryons de poulet pour qu'ils aient plus d'ailes.
11:37
Why would Cliff be doing that? He doesn't have a restaurant.
216
673000
3000
Pour quelle raison Cliff ferait-il ça? Il ne possède pas de restaurant.
11:40
(Laughter)
217
676000
1000
( rires )
11:42
The reason why he's reprogramming that animal to have more wings
218
678000
3000
La raison pour laquelle il reprogramme cet animal de façon à avoir plus d'ailes
11:45
is because when you used to play with lizards as a little child,
219
681000
3000
est que quand vous vous amusiez avec des lézards étant enfant,
11:48
and you picked up the lizard, sometimes the tail fell off, but it regrew.
220
684000
4000
leur queue repoussait après être tombée.
11:52
Not so in human beings:
221
688000
3000
Ce n'est pas le cas chez les humains.
11:55
you cut off an arm, you cut off a leg -- it doesn't regrow.
222
691000
3000
Vous coupez un bras ou une jambe, ça ne repousse pas.
11:58
But because each of your cells contains your entire gene code,
223
694000
4000
Mais comme chacune de vos cellules contient votre code génétique entier,
12:03
each cell can be reprogrammed, if we don't stop stem cell research
224
699000
4000
chacune d'elle peut être reprogrammée - si l'on n'arrête pas la recherche sur les cellules souches
12:07
and if we don't stop genomic research,
225
703000
2000
et si l'on n'arrête pas la recherche sur le génome -
12:09
to express different body functions.
226
705000
3000
de manière à exprimer différentes fonctions corporelles.
12:13
And in the measure that we learn how chickens grow wings,
227
709000
3000
Dans la mesure où l'on apprend comment les poulets développent des ailes
12:16
and what the program is for those cells to differentiate,
228
712000
2000
et quel est le code pour la différenciation des cellules,
12:18
one of the things we're going to be able to do
229
714000
3000
une des choses que l'on pourra faire
12:21
is to stop undifferentiated cells, which you know as cancer,
230
717000
3000
est d'interrompre la différentiation des cellules - ce que fait un cancer -
12:25
and one of the things we're going to learn how to do
231
721000
2000
et une des choses que l'on apprendra à faire
12:27
is how to reprogram cells like stem cells
232
723000
3000
est de reprogrammer des cellules comme les cellules souches
12:30
in such a way that they express bone, stomach, skin, pancreas.
233
726000
6000
de manière à ce qu'elles se différentient en os, en estomac, en peau, en pancréas.
12:37
And you are likely to be wandering around -- and your children --
234
733000
3000
Vous et vos enfants risquez bien d'observer
12:40
on regrown body parts in a reasonable period of time,
235
736000
3000
des duplicatas de parties du corps d'ici pas longtemps
12:44
in some places in the world where they don't stop the research.
236
740000
3000
à des endroits du globe où la recherche n'est pas restreinte.
12:49
How's this stuff work? If each of you differs
237
745000
5000
Comment ça marche? Chacun d'entre vous est 0.1% différent
12:54
from the person next to you by one in a thousand, but only three percent codes,
238
750000
3000
de son voisin. Mais comme seul 3% du génome code,
12:57
which means it's only one in a thousand times three percent,
239
753000
2000
cela signifie que la différence est d'un millième de 3%.
12:59
very small differences in expression and punctuation
240
755000
3000
De faibles variations dans l'expression et la ponctuation
13:02
can make a significant difference. Take a simple declarative sentence.
241
758000
3000
peuvent produire de grandes différences. Prenez une simple affirmation.
13:07
(Laughter)
242
763000
2000
(Une femmes sans son mari n'est rien) ( rires )
13:09
Right?
243
765000
1000
OK?
13:10
That's perfectly clear. So, men read that sentence,
244
766000
4000
C'est clair. Les hommes lisent cette phrase,
13:14
and they look at that sentence, and they read this.
245
770000
2000
ils la regardent et ils lisent ça.
13:22
Okay?
246
778000
1000
(Une femme, sans son mari, n'est rien.) OK?
13:23
Now, women look at that sentence and they say, uh-uh, wrong.
247
779000
4000
Mais les femmes regardent cette phrase et disent "non, c'est faux."
13:27
This is the way it should be seen.
248
783000
2000
"Il faut la lire comme ça."
13:31
(Laughter)
249
787000
8000
(Une femme : sans elle, l'homme n'est rien.) ( rires )
13:39
That's what your genes are doing.
250
795000
1000
C'est ce que font vos gènes.
13:40
That's why you differ from this person over here by one in a thousand.
251
796000
5000
C'est pour ça que vous êtes à 1 pour 1000 différents de cette personne-là .
13:45
Right? But, you know, he's reasonably good looking, but...
252
801000
3000
OK? Il est assez beau mais...
13:48
I won't go there.
253
804000
2000
Je ne vais pas en dire plus.
13:51
You can do this stuff even without changing the punctuation.
254
807000
3000
Vous pouvez faire ça même sans changer la ponctuation
13:55
You can look at this, right?
255
811000
4000
Vous pouvez regarder ça. (The IRS = service américain de taxation des impôts)
13:59
And they look at the world a little differently.
256
815000
2000
Ils voient les choses de manière légèrement différente.
14:01
They look at the same world and they say...
257
817000
2000
Ils observent le même monde et disent...
14:03
(Laughter)
258
819000
6000
(les leurs) ( rires )
14:09
That's how the same gene code -- that's why you have 30,000 genes,
259
825000
4000
C'est comme ça que le même code génétique... C'est pour ça que vous avez 30'000 gènes,
14:13
mice have 30,000 genes, husbands have 30,000 genes.
260
829000
3000
les souris en ont 30'000, vos maris en ont 30'000.
14:16
Mice and men are the same. Wives know that, but anyway.
261
832000
3000
Les souris et les hommes sont les même. Les femmes savent ça, mais bref.
14:20
You can make very small changes in gene code
262
836000
2000
Vous pouvez effectuer de faibles variations de code génétique
14:22
and get really different outcomes,
263
838000
2000
et obtenir des résultats complètement différents
14:26
even with the same string of letters.
264
842000
2000
même en utilisant le même alignement de lettres.
14:30
That's what your genes are doing every day.
265
846000
2000
(Allons-y ensemble - Allons la chercher) C'est ce que font vos gènes chaque jour.
14:33
That's why sometimes a person's genes
266
849000
2000
C'est pour ça que parfois les gènes d'une personne
14:35
don't have to change a lot to get cancer.
267
851000
2000
n'ont pas à changer grand chose pour produire un cancer.
14:41
These little chippies, these things are the size of a credit card.
268
857000
4000
Ces puces ont la taille d'une carte de crédit.
14:46
They will test any one of you for 60,000 genetic conditions.
269
862000
2000
Elles peuvent rechercher 60'000 maladies génétiques.
14:49
That brings up questions of privacy and insurability
270
865000
3000
ça soulève des questions sur la vie privée, l'assurabilité
14:52
and all kinds of stuff, but it also allows us to start going after diseases,
271
868000
2000
et plein d'autres choses mais ça nous permet aussi de rechercher une maladie
14:55
because if you run a person who has leukemia through something like this,
272
871000
3000
parce que si vous analysez une personne leucémique avec l'un de ces appareils,
14:59
it turns out that three diseases with
273
875000
2000
trois maladies avec des syndromes cliniques
15:01
completely similar clinical syndromes
274
877000
4000
très similaires se révèlent être
15:05
are completely different diseases.
275
881000
2000
des maladies complètement différentes.
15:07
Because in ALL leukemia, that set of genes over there over-expresses.
276
883000
3000
Car, pour les leucémies ALL, le set de gènes d'en haut qui est surexprimé.
15:10
In MLL, it's the middle set of genes,
277
886000
2000
Pour les MLL, c'est le set de gènes central.
15:12
and in AML, it's the bottom set of genes.
278
888000
2000
Et pour les AML, c'est le set de gènes qui se trouve en bas.
15:14
And if one of those particular things is expressing in your body,
279
890000
5000
Et si l'un de ces sets est exprimé dans votre corps,
15:19
then you take Gleevec and you're cured.
280
895000
2000
vous prenez Gleevec et vous est guéri.
15:22
If it is not expressing in your body,
281
898000
2000
Si ce n'est pas exprimé,
15:24
if you don't have one of those types --
282
900000
2000
si vous n'avez pas l'un de ces types -
15:26
a particular one of those types -- don't take Gleevec.
283
902000
3000
un des trois en particulier - ne prenez pas Gleevec.
15:29
It won't do anything for you.
284
905000
1000
ça n'aura aucun effet sur vous.
15:31
Same thing with Receptin if you've got breast cancer.
285
907000
2000
Pareil pour Receptin si vous avez le cancer du sein.
15:34
Don't have an HER-2 receptor? Don't take Receptin.
286
910000
3000
Vous n'avez pas de récepteur HER-2, ne prenez pas Receptin.
15:37
Changes the nature of medicine. Changes the predictions of medicine.
287
913000
4000
ça change toute la médecine. ça change les prédictions de la médecine.
15:41
Changes the way medicine works.
288
917000
2000
ça change la manière dont la médecine fonctionne.
15:43
The greatest repository of knowledge when most of us went to college
289
919000
3000
Quand la plupart d'entre nous était encore au gymnase,
15:46
was this thing, and it turns out that
290
922000
2000
le plus grand recueil de connaissances était ça.
15:48
this is not so important any more.
291
924000
2000
Mais il se trouve que ce n'est plus du tout aussi important que ça.
15:50
The U.S. Library of Congress, in terms of its printed volume of data,
292
926000
4000
La Bibliothèque du Congrès Américain, en termes de volume de données imprimées,
15:54
contains less data than is coming out of a good genomics company
293
930000
4000
contient moins de données que ce qui sort chaque mois
15:58
every month on a compound basis.
294
934000
3000
d'une bonne société de génomique sous forme de chimique.
16:01
Let me say that again: A single genomics company
295
937000
3000
Je répète : Une seule société de génomique
16:04
generates more data in a month, on a compound basis,
296
940000
3000
génère plus de données sous forme chimique
16:07
than is in the printed collections of the Library of Congress.
297
943000
3000
que ce qui se trouve dans collections imprimées de la Bibliothèque du Congrès Américain.
16:11
This is what's been powering the U.S. economy. It's Moore's Law.
298
947000
4000
C'est ce qui a stimulé l'économie américaine. C'est la loi de Moore.
16:15
So, all of you know that the price of computers halves every 18 months
299
951000
5000
On sait tous que le prix des ordinateurs diminue de moitié tous les 18 mois,
16:20
and the power doubles, right?
300
956000
2000
et que leur puissance double, pas vrai?
16:22
Except that when you lay that side by side with the speed
301
958000
4000
Mais quand vous mettez ça côte à côte avec la vitesse
16:26
with which gene data's being deposited in GenBank,
302
962000
3000
à laquelle les données génétiques sont déposées dans GenBank,
16:29
Moore's Law is right here: it's the blue line.
303
965000
4000
la loi de Moore se retrouve là. C'est la ligne bleue.
16:34
This is on a log scale, and that's what superexponential growth means.
304
970000
4000
C'est une échelle logarithmique et c'est ce qu'une croissance super exponentielle signifie.
16:38
This is going to push computers to have to grow faster
305
974000
4000
ça va forcer les ordinateurs à se développer encore plus vite
16:42
than they've been growing, because so far,
306
978000
2000
qu'il ne l'ont fait parce que jusqu'à présent
16:44
there haven't been applications that have been required
307
980000
3000
aucune application requise ne s'est développée
16:47
that need to go faster than Moore's Law. This stuff does.
308
983000
3000
plus vite que la loi de Moore. Maintenant si.
16:50
And here's an interesting map.
309
986000
2000
Voici une carte intéressante.
16:52
This is a map which was finished at the Harvard Business School.
310
988000
4000
C'est une carte qui a été élaborée à l'école de commerce de Harvard.
16:56
One of the really interesting questions is, if all this data's free,
311
992000
3000
Une question vraiment intéressante est : si toutes ces données sont gratuites,
16:59
who's using it? This is the greatest public library in the world.
312
995000
4000
qui les utilise? C'est la plus grande bibliothèque du monde.
17:03
Well, it turns out that there's about 27 trillion bits
313
999000
3000
Et bien il se révèle que près de 27millions de millions de bits
17:06
moving inside from the United States to the United States;
314
1002000
3000
se déplacent à l'intérieur des États-Unis mêmes,
17:09
about 4.6 trillion is going over to those European countries;
315
1005000
4000
environ 4.6 millions de millions de donnés vont en Europe
17:13
about 5.5's going to Japan; there's almost no communication
316
1009000
3000
et 5.5 au Japon. Il n'y a quasiment aucune communication
17:16
between Japan, and nobody else is literate in this stuff.
317
1012000
4000
avec le Japon et personne d'autre ne lit ces données.
17:20
It's free. No one's reading it. They're focusing on the war;
318
1016000
5000
C'est gratuit. Personne ne le lit. Ils se concentrent sur la guerre,
17:25
they're focusing on Bush; they're not interested in life.
319
1021000
2000
ils se concentrent sur Bush, ils ne s'intéressent pas à la vie.
17:28
So, this is what a new map of the world looks like.
320
1024000
2000
Voilà donc à quoi ressemble le nouveau monde.
17:31
That is the genomically literate world. And that is a problem.
321
1027000
6000
C'est le monde génomico-lettré. Et c'est problématique.
17:37
In fact, it's not a genomically literate world.
322
1033000
2000
En fait, ce n'est pas un monde génomico-lettré.
17:39
You can break this out by states.
323
1035000
2000
Vous pouvez diviser ça en États.
17:41
And you can watch states rise and fall depending on
324
1037000
2000
Et observer ces états monter et descendre, en fonction
17:43
their ability to speak a language of life,
325
1039000
2000
de leur capacité à parler la langue de la vie.
17:45
and you can watch New York fall off a cliff,
326
1041000
2000
Vous pouvez voir New York tomber de la montagne,
17:47
and you can watch New Jersey fall off a cliff,
327
1043000
2000
et vous pouvez voir le New Jersey tomber de la montagne,
17:49
and you can watch the rise of the new empires of intelligence.
328
1045000
3000
et vous pouvez observer l'essor de nouveaux empires de l'intelligence.
17:53
And you can break it out by counties, because it's specific counties.
329
1049000
3000
Et vous pouvez diviser ça en pays parce qu'il ne s'agit que de certains pays.
17:56
And if you want to get more specific,
330
1052000
2000
Et si vous voulez être plus spécifique,
17:58
it's actually specific zip codes.
331
1054000
2000
il s'agit en fait de certains codes postaux.
18:00
(Laughter)
332
1056000
2000
( rires )
18:02
So, you want to know where life is happening?
333
1058000
3000
Alors, vous voulez savoir ou la vie se développe?
18:05
Well, in Southern California it's happening in 92121. And that's it.
334
1061000
5000
Et bien en Californie du Sud, c'est en 92121. C'est tout.
18:11
And that's the triangle between Salk, Scripps, UCSD,
335
1067000
5000
Et il s'agit d'un triangle formé de Sulk*, Scripps et UCSD.
18:16
and it's called Torrey Pines Road.
336
1072000
2000
Et ça s'appelle Torrey Pines Road.
18:18
That means you don't need to be a big nation to be successful;
337
1074000
3000
Cela signifie qu'il n'y a pas besoin d'avoir un grand pays pour avoir du succès,
18:21
it means you don't need a lot of people to be successful;
338
1077000
2000
que vous n'avez pas besoin de beaucoup de monde pour avoir du succès.
18:23
and it means you can move most of the wealth of a country
339
1079000
3000
Et cela signifie que vous pouvez regrouper
18:26
in about three or four carefully picked 747s.
340
1082000
3000
la majorité des richesses d'un pays dans 3 ou 4 Boeing 747.
18:30
Same thing in Massachusetts. Looks more spread out but --
341
1086000
4000
C'est pareil en Massachusetts. C'est un peu plus répandu mais...
18:34
oh, by the way, the ones that are the same color are contiguous.
342
1090000
3000
ah, d'ailleurs, ceux qui ont la même couleur sont contigus.
18:38
What's the net effect of this?
343
1094000
2000
Quel est le résultat de tout cela?
18:40
In an agricultural society, the difference between
344
1096000
2000
Dans une société agraire, la différence
18:42
the richest and the poorest,
345
1098000
1000
entre le plus riche et le plus démuni,
18:44
the most productive and the least productive, was five to one. Why?
346
1100000
4000
entre le plus productif et le moins productif, était de 5 contre 1. Pourquoi?
18:48
Because in agriculture, if you had 10 kids
347
1104000
2000
Parce que dans l'agriculture, si vous avez 10 enfants
18:50
and you grow up a little bit earlier and you work a little bit harder,
348
1106000
3000
et que vous vous levez un peu plus tôt et travaillez un peu plus dur,
18:53
you could produce about five times more wealth, on average,
349
1109000
2000
vous pouviez générer en moyenne environ 5 fois plus
18:55
than your neighbor.
350
1111000
1000
de richesse que votre voisin.
18:57
In a knowledge society, that number is now 427 to 1.
351
1113000
3000
Dans une société intellectuelle, ce rapport est de 427 contre 1.
19:01
It really matters if you're literate, not just in reading and writing
352
1117000
4000
ça importe énormément si vous êtes lettré, pas seulement si vous pouvez
19:05
in English and French and German,
353
1121000
2000
lire et écrire en Anglais, en Français et en Allemand,
19:07
but in Microsoft and Linux and Apple.
354
1123000
2000
mais aussi en Microsoft, en Linux et en Apple.
19:10
And very soon it's going to matter if you're literate in life code.
355
1126000
4000
Dans peu de temps, ça importera aussi d'être lettré en code de la vie.
19:14
So, if there is something you should fear,
356
1130000
2000
Donc si vous devez avoir peur de quelque chose,
19:16
it's that you're not keeping your eye on the ball.
357
1132000
3000
c'est de perdre la balle des yeux.
19:19
Because it really matters who speaks life.
358
1135000
2000
Parce que ça importe vraiment de savoir qui peut parler la langue de la vie.
19:22
That's why nations rise and fall.
359
1138000
2000
C'est pour ça que des nations s'essorent et s'effondrent.
19:25
And it turns out that if you went back to the 1870s,
360
1141000
3000
Si vous retourner jusque dans les années 1870,
19:28
the most productive nation on earth was Australia, per person.
361
1144000
3000
le pays le plus productif sur Terre, par personne, était l'Australie.
19:31
And New Zealand was way up there. And then the U.S. came in about 1950,
362
1147000
3000
Et la Nouvelle-Zélande était tout là-haut. Et les États-Unis sont arrivées à peu près dans les années 1950,
19:34
and then Switzerland about 1973, and then the U.S. got back on top --
363
1150000
3000
puis la Suisse en 1973 et puis de nouveau les USA en tête de liste...
19:38
beat up their chocolates and cuckoo clocks.
364
1154000
2000
on a battu leur chocolat et leurs horloges coucou.
19:42
And today, of course, you all know that the most productive nation
365
1158000
3000
Et aujourd'hui, bien sûr, vous savez tous que le pays le plus productif
19:45
on earth is Luxembourg, producing about one third more wealth
366
1161000
3000
sur Terre est le Luxembourg qui produit, par personne,
19:48
per person per year than America.
367
1164000
2000
environ un tiers de richesse de plus que les États-Unis.
19:51
Tiny landlocked state. No oil. No diamonds. No natural resources.
368
1167000
4000
Un minuscule pays sans accès à la mer. Pas de pétrole. Pas de diamants. Pas de ressources naturelles.
19:55
Just smart people moving bits. Different rules.
369
1171000
5000
Juste des habitants intelligents qui brassent de l'information. Différentes règles.
20:01
Here's differential productivity rates.
370
1177000
3000
Voici différentes capacité de production.
20:05
Here's how many people it takes to produce a single U.S. patent.
371
1181000
3000
C'est le nombre de personnes nécessaires à la production d'un seul brevet US.
20:08
So, about 3,000 Americans, 6,000 Koreans, 14,000 Brits,
372
1184000
4000
Environ 3'000 Américains, 6'000 Coréens, 14'000 Britishs,
20:12
790,000 Argentines. You want to know why Argentina's crashing?
373
1188000
3000
790'000 Argentiniens. Vous voulez savoir pourquoi l'Argentine est en train de plonger?
20:15
It's got nothing to do with inflation.
374
1191000
2000
ça n'a rien à voir avec l'inflation.
20:17
It's got nothing to do with privatization.
375
1193000
2000
Rien à voir avec la privatisation.
20:19
You can take a Harvard-educated Ivy League economist,
376
1195000
4000
Vous pouvez prendre un économiste de la Ivy League de Harvard
20:23
stick him in charge of Argentina. He still crashes the country
377
1199000
3000
et lui donner l'Argentine. L'Argentine ne remonte pas
20:26
because he doesn't understand how the rules have changed.
378
1202000
2000
parce qu'il ne comprend pas comment les règles se sont transformées.
20:29
Oh, yeah, and it takes about 5.6 million Indians.
379
1205000
3000
Ah oui, il faut aussi environ 5.6 millions d'Indiens.
20:32
Well, watch what happens to India.
380
1208000
2000
Et bien regardez ce qu'il advient de l'Inde.
20:34
India and China used to be 40 percent of the global economy
381
1210000
3000
L'Inde et la Chine représentait 40% de l'économie mondiale
20:37
just at the Industrial Revolution, and they are now about 4.8 percent.
382
1213000
5000
lors de la Révolution Industrielle. Il en représente environ 4.8% à présent.
20:42
Two billion people. One third of the global population producing 5 percent of the wealth
383
1218000
4000
Deux milliards d'habitants. Un tiers de la population mondiale produit
20:46
because they didn't get this change,
384
1222000
3000
5% de la richesse parce qu'ils n'ont pas saisi ce changement.
20:49
because they kept treating their people like serfs
385
1225000
2000
Parce qu'ils continuent à traiter les gens comme des paysans
20:51
instead of like shareholders of a common project.
386
1227000
3000
et non comme les rentiers d'un projet commun.
20:55
They didn't keep the people who were educated.
387
1231000
3000
Ils n'ont pas gardé les gens éduqués.
20:58
They didn't foment the businesses. They didn't do the IPOs.
388
1234000
2000
Ils n'ont pas développé les commerces. Ils n'ont pas partagé leur stocks.
21:01
Silicon Valley did. And that's why they say
389
1237000
4000
Silicon Valley l'a fait. Et c'est pour ça que l'on dit
21:05
that Silicon Valley has been powered by ICs.
390
1241000
2000
que Silicon Valley s'est développée grâce aux IC (Invested Capital = investissements).
21:08
Not integrated circuits: Indians and Chinese.
391
1244000
3000
Pas les Circuits Intégrés, les Chinois et les Indiens.
21:11
(Laughter)
392
1247000
4000
( rires )
21:15
Here's what's happening in the world.
393
1251000
2000
Voilà ce qui se passe dans le monde.
21:17
It turns out that if you'd gone to the U.N. in 1950,
394
1253000
3000
Il s'avère que si vous vous étiez rendus à l'ONU en 1950,
21:20
when it was founded, there were 50 countries in this world.
395
1256000
2000
au moment où elle a été fondée, il y avait 50 pays dans le monde.
21:22
It turns out there's now about 192.
396
1258000
3000
Il y en a environ 192 de nos jours.
21:25
Country after country is splitting, seceding, succeeding, failing --
397
1261000
4000
Les pays se divisent, se séparent, se succèdent et échouent les uns après les autres.
21:30
and it's all getting very fragmented. And this has not stopped.
398
1266000
5000
ça se fragmente de plus en plus, ça ne s'arrête pas.
21:35
In the 1990s, these are sovereign states
399
1271000
3000
Dans les années 1990, ces pays étaient des pays
21:38
that did not exist before 1990.
400
1274000
2000
qui n'existaient pas avant.
21:40
And this doesn't include fusions or name changes or changes in flags.
401
1276000
5000
Et ça n'inclut pas les fusions ou les changements de noms ou de drapeau.
21:45
We're generating about 3.12 states per year.
402
1281000
3000
Environ 3.12 pays sont générés chaque année.
21:48
People are taking control of their own states,
403
1284000
3000
La population prend le contrôle de leur propre état,
21:51
sometimes for the better and sometimes for the worse.
404
1287000
3000
parfois pour le meilleur et parfois pour le pire.
21:54
And the really interesting thing is,
405
1290000
2000
L'aspect vraiment intéressant est que vous et vos enfants
21:56
you and your kids are empowered to build great empires,
406
1292000
2000
avez le pouvoir de créer de puissants empires
21:58
and you don't need a lot to do it.
407
1294000
2000
et vous n'avez pas besoin de grand chose pour le faire.
22:00
(Music)
408
1296000
2000
( musique )
22:02
And, given that the music is over, I was going to talk
409
1298000
3000
Et comme la chanson touche à sa fin, j'allais expliquer
22:05
about how you can use this to generate a lot of wealth,
410
1301000
3000
comment utiliser ces données pour produire de grandes quantités d'argent,
22:08
and how code works.
411
1304000
2000
et comment ce code fonctionne.
22:10
Moderator: Two minutes.
412
1306000
1000
( modérateur : ) Encore deux minutes!
22:11
(Laughter)
413
1307000
2000
( rires )
22:13
Juan Enriquez: No, I'm going to stop there and we'll do it next year
414
1309000
4000
Non, je vais m'arrêter là et on continuera l'année prochaine
22:17
because I don't want to take any of Laurie's time.
415
1313000
2000
parce que je ne veux pas empiéter sur la présentation de Laurie.
22:20
But thank you very much.
416
1316000
1000
Merci beaucoup.
ABOUT THE SPEAKER
Juan Enriquez - FuturistJuan 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.
Juan Enriquez | Speaker | TED.com