TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
דני היליס: הבנת סרטן דרך פרוטאומיקה -- חקר חלבונים
Filmed:
Readability: 3.6
465,363 views
דני היליס מעלה נימוקים בעד החזית החדשה לחקר סרטן: פרוטאומיקה, חקר של פרוטאינים (חלבונים) בגוף. כפי שהיליס מסביר, חקר הגנום מציג לנו רשימה של מרכיבי הגוף -- בעוד שפרוטאומיקה מציגה לנו מה אותם מרכיבים מייצרים. הבנת מה שמתרחש בגופנו ברמת הפרוטאינים עשויה להוביל לתובנות חדשות בקשר להתפתחות סרטן.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
אני מודה שאני קצת לא שקט עכשיו
00:18
because I'm going to say some radical things,
1
3000
3000
מכיוון שאני הולך לומר כמה דברים לא מקובלים
00:21
about how we should think about cancer differently,
2
6000
3000
על כיצד עלינו לחשוב באופן שונה על סרטן
00:24
to an audience that contains a lot of people
3
9000
2000
לקהל המכיל הרבה אנשים
00:26
who know a lot more about cancer than I do.
4
11000
3000
שיודעים על סרטן הרבה יותר ממני.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
אבל אני גם טוען שאני לא עצבני כפי שהייתי צריך להיות
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
מכיוון שאני די בטוח שאני צודק.
00:35
(Laughter)
7
20000
2000
(צחוק)
00:37
And that this, in fact, will be
8
22000
2000
ושזו למעשה תהיה הדרך
00:39
the way that we treat cancer in the future.
9
24000
3000
שבה נטפל בעתיד בסרטן.
00:43
In order to talk about cancer,
10
28000
2000
כדי לדבר על סרטן,
00:45
I'm going to actually have to --
11
30000
3000
אני למעשה הולך --
00:48
let me get the big slide here.
12
33000
3000
שרק אצליח להראות את השקופית הגדולה.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
תחילה, אנסה לתת לכם נקודת מבט שונה על חקר הגנום.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
ברצוני לשים אותו בפרספקטיבה של תמונה יותר רחבה
00:58
of all the other things that are going on --
15
43000
3000
הכוללת את כל הדברים האחרים שמתרחשים --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
ואז לדבר על משהו שלא שמעתם עליו הרבה, שזה פרוטאומיקה.
01:04
Having explained those,
17
49000
2000
לאחר שהסברתי אותם,
01:06
that will set up for what I think will be a different idea
18
51000
3000
יווצר הרקע למה שאני סבור שיהיה רעיון שונה
01:09
about how to go about treating cancer.
19
54000
2000
על כיצד להתקדם עם טיפול בסרטן.
01:11
So let me start with genomics.
20
56000
2000
ברשותכם אתחיל עם חקר הגנום.
01:13
It is the hot topic.
21
58000
2000
זהו הנושא החם.
01:15
It is the place where we're learning the most.
22
60000
2000
דרכו אנו לומדים המון.
01:17
This is the great frontier.
23
62000
2000
זוהי חזית נהדרת.
01:19
But it has its limitations.
24
64000
3000
אבל יש לה מגבלות משלה.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
ובמיוחד, אולי שמעתם על האנלוגיה
01:25
that the genome is like the blueprint of your body,
26
70000
3000
שהגנום הוא כמו שרטוט של גופנו.
01:28
and if that were only true, it would be great,
27
73000
2000
אבל לו רק זה היה נכון, זה היה נפלא,
01:30
but it's not.
28
75000
2000
אבל זה לא.
01:32
It's like the parts list of your body.
29
77000
2000
זה כמו רשימת חלקים של גופנו.
01:34
It doesn't say how things are connected,
30
79000
2000
זה לא אומר לנו כיצד הדברים מקושרים,
01:36
what causes what and so on.
31
81000
3000
מה גורם למה, וכך הלאה.
01:39
So if I can make an analogy,
32
84000
2000
אז אם אוכל לעשות אנלוגיה,
01:41
let's say that you were trying to tell the difference
33
86000
2000
בוא נאמר שאנו מנסים למצוא את ההבדל
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
בין מסעדה טובה, מסעדה בריאה
01:46
and a sick restaurant,
35
91000
2000
ומסעדה שיש בה ליקויים,
01:48
and all you had was the list of ingredients
36
93000
2000
וכל מה שיש לנו זו רשימת המרכיבים
01:50
that they had in their larder.
37
95000
3000
שנמצאים אצלן במזווה.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
כך שיכול להיות שאם נלך למסעדה צרפתית
01:56
and you looked through it and you found
39
101000
2000
ונסתכל בתוכה ונמצא
01:58
they only had margarine and they didn't have butter,
40
103000
2000
שיש להם מרגרינה ואין להם חמאה,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
נוכל לומר, "אה, אנו מבינים מה לא בסדר כאן.
02:02
I can make them healthy."
42
107000
2000
נוכל להפכה לבריאה."
02:04
And there probably are special cases of that.
43
109000
2000
וכנראה יש מקרים מיוחדים כאלה.
02:06
You could certainly tell the difference
44
111000
2000
בטוח שנוכל להגיד מה ההבדל
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
בין מסעדה סינית למסעדה צרפתית
02:10
by what they had in a larder.
46
115000
2000
לפי מה שיש להן במזווה.
02:12
So the list of ingredients does tell you something,
47
117000
3000
כך שרשימת המרכיבים כן אומרת משהו,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
ולפעמים היא אומרת משהו שהוא לא נכון.
02:19
If they have tons of salt,
49
124000
2000
אם יש להם טונות של מלח,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
ניתן אולי לשער שהם משתמשים ביותר מדי מלח, או משהו דומה.
02:24
But it's limited,
51
129000
2000
אבל כל זה מוגבל,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
כי כדי באמת לדעת אם זו מסעדה בריאה,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
יש צורך לטעום את המזון, יש צורך לדעת מה קורה במטבח,
02:31
you need the product of all of those ingredients.
54
136000
3000
צריך את המוצר הסופי של כל אותם המרכיבים.
02:34
So if I look at a person
55
139000
2000
כך שאם אני מסתכל במישהו
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
ומסתכל בגנום של אותו אדם, זה אותו סיפור.
02:39
The part of the genome that we can read
57
144000
2000
אותו חלק של גנום שאנו יכולים לקרוא
02:41
is the list of ingredients.
58
146000
2000
הוא רשימת המרכיבים.
02:43
And so indeed,
59
148000
2000
ואכן כך באמת,
02:45
there are times when we can find ingredients
60
150000
2000
יש מקרים בהם אנו יכולים למצוא מרכיבים
02:47
that [are] bad.
61
152000
2000
שהם רעים.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
סיסטיק פיברוזיס היא דוגמא למחלה
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
שבה יש רק מרכיב רע ואז יש מחלה,
02:54
and we can actually make a direct correspondence
64
159000
3000
ואנו יכולים לקשר ישירות
02:57
between the ingredient and the disease.
65
162000
3000
בין המרכיב והמחלה.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
אבל ברוב המקרים, צריך לדעת מה באמת קורה במטבח,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
מפני שלרוב, אנשים חולים היו פעם בריאים --
03:05
they have the same genome.
68
170000
2000
ויש להם את אותו הגנום.
03:07
So the genome really tells you much more
69
172000
2000
כך שהגנום בעצם מספר לנו הרבה יותר
03:09
about predisposition.
70
174000
2000
על הנטיה המוקדמת למחלה.
03:11
So what you can tell
71
176000
2000
כך שמה שניתן לומר
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
הוא ההבדל בין אדם אסיאתי לאדם ארופאי
03:15
by looking at their ingredients list.
73
180000
2000
על-ידי הסתכלות ברשימת המרכיבים שלהם.
03:17
But you really for the most part can't tell the difference
74
182000
3000
אבל ברוב המקרים לא ניתן להבדיל
03:20
between a healthy person and a sick person --
75
185000
3000
בין אדם בריא לאדם חולה --
03:23
except in some of these special cases.
76
188000
2000
מלבד אותם מקרים מיוחדים.
03:25
So why all the big deal
77
190000
2000
אז על מה כל הרעש
03:27
about genetics?
78
192000
2000
עם גנטיקה?
03:29
Well first of all,
79
194000
2000
ובכן, קודם כל,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
אנו יכולים לקרוא אותה, שזה דבר נפלא.
03:34
It is very useful in certain circumstances.
81
199000
3000
היא מאוד יעילה בנסיבות מסויימות.
03:37
It's also the great theoretical triumph
82
202000
3000
היא גם ניצחון תיאורטי גדול
03:40
of biology.
83
205000
2000
של ביולוגיה.
03:42
It's the one theory
84
207000
2000
זוהי התאוריה היחידה
03:44
that the biologists ever really got right.
85
209000
2000
שביולוגים יצאו בה צודקים.
03:46
It's fundamental to Darwin
86
211000
2000
היא מהווה אבן יסוד
03:48
and Mendel and so on.
87
213000
2000
אצל דארווין ומנדל וכך הלאה.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
היא המקרה היחיד שבו התאמת רעיון שנחזה תיאורטית.
03:54
So Mendel had this idea of a gene
89
219000
2000
למנדל היה הרעיון של גן
03:56
as an abstract thing,
90
221000
3000
בתור דבר מופשט.
03:59
and Darwin built a whole theory
91
224000
2000
ודארווין בנה תאוריה שלמה
04:01
that depended on them existing,
92
226000
2000
שהיתה תלויה בקיומם.
04:03
and then Watson and Crick
93
228000
2000
ואז ואטסון וקריק
04:05
actually looked and found one.
94
230000
2000
בעצם הסתכלו ומצאו כזה.
04:07
So this happens in physics all the time.
95
232000
2000
דבר כזה קורה בפיזיקה כל הזמן.
04:09
You predict a black hole,
96
234000
2000
חוזים חור שחור,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
ואז מתבוננים דרך טלסקופ והנה הוא, בדיוק כפי שנחזה.
04:14
But it rarely happens in biology.
98
239000
2000
אבל בביולוגיה זה קורה לעיתים רחוקות.
04:16
So this great triumph -- it's so good,
99
241000
3000
כך שהניצחון הגדול הזה -- הוא כל-כך טוב --
04:19
there's almost a religious experience
100
244000
2000
שהוא כמעט כמו חוויה דתית
04:21
in biology.
101
246000
2000
בביולוגיה.
04:23
And Darwinian evolution
102
248000
2000
ומהפכת דארווין
04:25
is really the core theory.
103
250000
3000
היא באמת תאוריית הליבה.
04:30
So the other reason it's been very popular
104
255000
2000
הסיבה השניה שהיא הפכה למאוד פופולרית
04:32
is because we can measure it, it's digital.
105
257000
3000
היא בגלל שניתן למדוד אותה, היא דיגיטלית.
04:35
And in fact,
106
260000
2000
ולמעשה,
04:37
thanks to Kary Mullis,
107
262000
2000
תודות לקארי מוליס,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
ניתן בעיקרון למדוד את הגנום שלנו במטבח
04:43
with a few extra ingredients.
109
268000
3000
בעזרת כמה מרכיבים נוספים.
04:46
So for instance, by measuring the genome,
110
271000
3000
כך לדוגמא, על-ידי מדידת הגנום,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
למדנו המון על כיצד אנו קשורים לחיות ממינים אחרים
04:53
by the closeness of our genome,
112
278000
3000
באמצעות הקירבה של הגנום שלנו,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
או כיצד אנו מהווים קרובי-משפחה -- עץ המשפחה,
04:59
or the tree of life.
114
284000
2000
או עץ החיים.
05:01
There's a huge amount of information about the genetics
115
286000
3000
קיים מידע רב על גנטיקה
05:04
just by comparing the genetic similarity.
116
289000
3000
פשוט על-ידי השוואת דמיון גנטי.
05:07
Now of course, in medical application,
117
292000
2000
עכשיו, כמובן שזה מאוד שימושי
05:09
that is very useful
118
294000
2000
ביישומים רפואיים
05:11
because it's the same kind of information
119
296000
3000
מכיוון שזהו אותו סוג מידע
05:14
that the doctor gets from your family medical history --
120
299000
3000
שהרופאים משיגים מההיסטוריה הרפואית של המשפחה שלנו --
05:17
except probably,
121
302000
2000
אלא שקרוב לוודאי,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
הגנום שלנו יודע הרבה יותר על ההיסטוריה הרפואית שלנו ממה שאנו יודעים.
05:22
And so by reading the genome,
123
307000
2000
וכך על-ידי קריאת הגנום,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
ניתן לדעת הרבה יותר על המשפחה שלנו ממה שאנו עצמנו יודעים.
05:27
And so we can discover things
125
312000
2000
ולכן אנו יכולים לגלות דברים
05:29
that probably you could have found
126
314000
2000
שקרוב לוודאי היה ניתן לגלות
05:31
by looking at enough of your relatives,
127
316000
2000
על-ידי הסתכלות על מספיק קרובים שלנו,
05:33
but they may be surprising.
128
318000
3000
אבל הדברים עשויים להיות מפתיעים.
05:36
I did the 23andMe thing
129
321000
2000
עשיתי חקירה עצמאית של הגנום שלי בשיטת ה-23andMe
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
ומאוד הופתעתי לשמוע שאני שמן וקרח.
05:41
(Laughter)
131
326000
7000
(צחוק)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
אבל לעיתים ניתן ללמוד דברים הרבה יותר מועילים.
05:51
But mostly
133
336000
3000
אבל לרוב
05:54
what you need to know, to find out if you're sick,
134
339000
2000
מה שצריך לדעת כדי למצוא אם אתה חולה
05:56
is not your predispositions,
135
341000
2000
זה לא את הנטיות ההתחלתיות שלך,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
אלא את מה שמתרחש בגופך ממש ברגע זה.
06:01
So to do that, what you really need to do,
137
346000
2000
לכן כדי לעשות זאת, מה שבאמת צריך לעשות
06:03
you need to look at the things
138
348000
2000
זה להסתכל על הדברים
06:05
that the genes are producing
139
350000
2000
שהגנים מייצרים
06:07
and what's happening after the genetics,
140
352000
2000
ועל מה שקורה לאחר הגנטיקה.
06:09
and that's what proteomics is about.
141
354000
2000
וכאן נכנסת לתמונה פרוטאומיקה.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
בדיוק כמו שגנום מערבב את החקר של כל הגנים,
06:14
proteomics is the study of all the proteins.
143
359000
3000
הפרוטאומיקה היא חקר של כל הפרוטאינים (חלבונים).
06:17
And the proteins are all of the little things in your body
144
362000
2000
והפרוטאינים הם כל הדברים הקטנים בגופנו
06:19
that are signaling between the cells --
145
364000
3000
אשר משגרים אותות בין התאים --
06:22
actually, the machines that are operating --
146
367000
2000
למעשה המכונות אשר פועלות.
06:24
that's where the action is.
147
369000
2000
שם כל האקשן.
06:26
Basically, a human body
148
371000
3000
בעיקרון, גוף אדם
06:29
is a conversation going on,
149
374000
3000
זה דו-שיח מתמשך,
06:32
both within the cells and between the cells,
150
377000
3000
הן בתוך התאים והן בין התאים,
06:35
and they're telling each other to grow and to die,
151
380000
3000
והם אומרים האחד לשני לגדול או למות.
06:38
and when you're sick,
152
383000
2000
וכאשר אנחנו חולים,
06:40
something's gone wrong with that conversation.
153
385000
2000
סימן שמשהו השתבש באותו דו-שיח.
06:42
And so the trick is --
154
387000
2000
ולכן התכסיס הוא --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
לצערי, אין דרך קלה
06:47
like we can measure the genome.
156
392000
2000
הדומה לזו של מדידת הגנום.
06:49
So the problem is that measuring --
157
394000
3000
לכן הבעיה היא שמדידה --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
אם מנסים למדוד את כל הפרוטאינים, זה תהליך מאוד מורכב.
06:55
It requires hundreds of steps,
159
400000
2000
זה דורש מאות שלבים,
06:57
and it takes a long, long time.
160
402000
2000
ולוקח המון, המון זמן.
06:59
And it matters how much of the protein it is.
161
404000
2000
וזה משנה בכמה מהפרוטאין עצמו מדובר.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
זה עשוי להיות מאוד משמעותי שפרוטאין השתנה ב-10 אחוז,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
אבל זה לא דבר דיגיטלי מסודר כמו DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
ובעיקרון הבעיה שלנו זה שמישהו באמצע
07:09
of this very long stage,
165
414000
2000
של השלב המאוד ארוך הזה,
07:11
they pause for just a moment,
166
416000
2000
הוא עוצר לרגע,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
ומשאיר משהו באנזים לשניה,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
ופתאום כל המדידות משם ואילך
07:17
don't work.
169
422000
2000
לא טובות.
07:19
And so then people get very inconsistent results
170
424000
2000
ולכן מקבלים תוצאות מאוד לא עיקביות
07:21
when they do it this way.
171
426000
2000
כאשר מבצעים הכל בדרך זאת.
07:23
People have tried very hard to do this.
172
428000
2000
אנשים ניסו בכל מאודם לבצע זאת.
07:25
I tried this a couple of times
173
430000
2000
אני ניסיתי מספר פעמים
07:27
and looked at this problem and gave up on it.
174
432000
2000
ונתקלתי בבעיה זו וויתרתי.
07:29
I kept getting this call from this oncologist
175
434000
2000
המשכתי לקבל טלפונים מאונקולוג
07:31
named David Agus.
176
436000
2000
ששמו דייויד אגוס.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Applied Minds מקבלת המון שיחות
07:36
from people who want help with their problems,
178
441000
2000
מאנשים שרוצים עזרה בבעיותיהם,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
ולא חשבתי שיש סיכוי גדול שהוא יתקשר,
07:41
so I kept on giving him to the delay list.
180
446000
3000
והמשכתי להשאיר אותו בתור לממתינים.
07:44
And then one day,
181
449000
2000
אז יום אחד,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
קיבלתי שיחה מג'ון דואר, ביל ברקמן
07:48
and Al Gore on the same day
183
453000
2000
ואל גור באותו היום
07:50
saying return David Agus's phone call.
184
455000
2000
באומרם שאחזיר טלפון לדייויד אגוס.
07:52
(Laughter)
185
457000
2000
(צחוק)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
אז אמרתי לעצמי, "טוב, זה אחד שלפחות יש לו רעיונות."
07:56
(Laughter)
187
461000
4000
(צחוק)
08:00
So we started talking,
188
465000
2000
אז התחלנו לדבר,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
והוא אמר, "אני באמת זקוק לדרך יותר טובה למדידת פרוטאינים."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
ואני אמרתי, " ראיתי את זה. כבר הייתי שם.
08:07
Not going to be easy."
191
472000
2000
זה לא הולך להיות קל."
08:09
He's like, "No, no. I really need it.
192
474000
2000
והוא אמר, "לא, לא. אני באמת זקוק לזה.
08:11
I mean, I see patients dying every day
193
476000
4000
כלומר, אני רואה חולים נפטרים כל יום
08:15
because we don't know what's going on inside of them.
194
480000
3000
בגלל שאנחנו לא יודעים מה מתרחש בתוכם.
08:18
We have to have a window into this."
195
483000
2000
אנחנו מוכרחים שיהיה לנו חלון-גישה לזה."
08:20
And he took me through
196
485000
2000
והוא עבר איתי
08:22
specific examples of when he really needed it.
197
487000
3000
על דוגמאות ספציפיות על הצורך האמיתי בזה.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
ואני הבנתי שזה באמת יעשה את ההבדל,
08:27
if we could do it,
199
492000
2000
אם נוכל לעשות זאת.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
ואז אמרתי, "טוב, בוא נראה מה אפשר לעשות."
08:31
Applied Minds has enough play money
201
496000
2000
ל-Applied Minds היה מספיק כסף זמין
08:33
that we can go and just work on something
202
498000
2000
כך שיכולנו פשוט לצאת ולעבוד על משהו
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
ללא קבלת מימון או אישור ממישהו.
08:38
So we started playing around with this.
204
503000
2000
התחלנו לשחק עם זה.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
וכאשר עשינו זאת, גילינו שזו היתה הבעיה הבסיסית --
08:43
that taking the sip of coffee --
206
508000
2000
שלגימת לגימה של קפה --
08:45
that there were humans doing this complicated process
207
510000
2000
שאנשים ביצעו את התהליך המסובך
08:47
and that what really needed to be done
208
512000
2000
ומה שהיה צריך לעשות
08:49
was to automate this process like an assembly line
209
514000
3000
זה להפוך את התהליך לאוטומטי כמו בקו-ייצור
08:52
and build robots
210
517000
2000
ולבנות רובוטים
08:54
that would measure proteomics.
211
519000
2000
שימדדו פרוטאומיקה.
08:56
And so we did that,
212
521000
2000
ואז עשינו זאת.
08:58
and working with David,
213
523000
2000
ובעבודה עם דייויד,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
יצרנו חברה קטנה הנקראת Applied Proteomics,
09:03
which makes this robotic assembly line,
215
528000
3000
אשר מייצרת את קו-הייצור הרובוטי הזה,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
אשר מודד באופן רציף ועקבי פרוטאינים.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
אציג לכם איך נראית אותה מדידת פרוטאין.
09:13
Basically, what we do
218
538000
2000
בעיקרון, מה שאנו עושים
09:15
is we take a drop of blood
219
540000
2000
זה לוקחים טיפת דם
09:17
out of a patient,
220
542000
2000
של חולה
09:19
and we sort out the proteins
221
544000
2000
וממיינים את הפרוטאינים
09:21
in the drop of blood
222
546000
2000
בטיפת הדם
09:23
according to how much they weigh,
223
548000
2000
על-פי משקלם,
09:25
how slippery they are,
224
550000
2000
על-פי מידת חלקלקותם,
09:27
and we arrange them in an image.
225
552000
3000
ואנו מסדרים אותם בתמונה.
09:30
And so we can look at literally
226
555000
2000
ואז אנו יכולים להסתכל על
09:32
hundreds of thousands of features at once
227
557000
2000
מאות ואלפי מאפיינים בו-זמנית
09:34
out of that drop of blood.
228
559000
2000
המתקבלים מאותה טיפת דם.
09:36
And we can take a different one tomorrow,
229
561000
2000
ואם נקח מחר עוד טיפת דם,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
הפרוטאינים מחר יהיו שונים --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
הם יהיו שונים לאחר שאוכלים או לאחר שינה.
09:43
They really tell us what's going on there.
232
568000
3000
הם באמת מספרים לנו את מה שמתרחש בפועל.
09:46
And so this picture,
233
571000
2000
כך שתמונה זו,
09:48
which looks like a big smudge to you,
234
573000
2000
הנראית כמו כתם אחד גדול,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
היא בעצם הדבר שגרם לי התרגשות גדולה
09:54
and made me feel like we were on the right track.
236
579000
2000
ונתן לי את התחושה שעלינו על המסלול הנכון.
09:56
So if I zoom into that picture,
237
581000
2000
אם אתקרב לתמונה,
09:58
I can just show you what it means.
238
583000
2000
אוכל להראות לכם מה משמעות הדבר.
10:00
We sort out the proteins -- from left to right
239
585000
3000
אנחנו ממיינים את הפרוטאינים -- משמאל לימין
10:03
is the weight of the fragments that we're getting,
240
588000
3000
זה המשקל של המקטעים שאנו מקבלים.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
ומלמעלה למטה זה כמה הם חלקלקים.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
אנו מתקרבים לכאן כדי להראות לכם חלק קטן מזה.
10:12
And so each of these lines
243
597000
2000
כל אחד מהקוים האלה
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
מייצג אות כלשהו שמתקבל מחוץ למקטע של פרוטאין.
10:17
And you can see how the lines occur
245
602000
2000
וניתן לראות כיצד הקוים נוצרים
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
בקבוצות הקטנות הללו של בום, בום, בום, בום, בום.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
וזה בגלל שאנו מודדים את המשקל בדיוק כה גדול --
10:26
carbon comes in different isotopes,
248
611000
2000
פחמן מופיע בצורת איזוטופים שונים,
10:28
so if it has an extra neutron on it,
249
613000
3000
כך שאם יש בו ניוטרון עודף,
10:31
we actually measure it as a different chemical.
250
616000
4000
אנו למעשה מודדים אותו ככימיקל שונה.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
כך שאנו מודדים כל איזוטופ בתור משהו שונה.
10:38
And so that gives you an idea
252
623000
3000
וזה נותן לכם מושג עד כמה
10:41
of how exquisitely sensitive this is.
253
626000
2000
זה רגיש בצורה יוצאת-דופן.
10:43
So seeing this picture
254
628000
2000
לראות תמונה זו
10:45
is sort of like getting to be Galileo
255
630000
2000
זה כמו להיות גלילאו
10:47
and looking at the stars
256
632000
2000
ולהסתכל על כוכבים
10:49
and looking through the telescope for the first time,
257
634000
2000
ולהתבונן באמצעות הטלסקופ בפעם הראשונה,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
ואז פתאום להגיד, "וואו, זה הרבה יותר מסובך ממה שחשבנו."
10:54
But we can see that stuff out there
259
639000
2000
אבל אנחנו יכולים לראות את הדבר הזה שם
10:56
and actually see features of it.
260
641000
2000
וממש להבחין במאפייניו.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
אז זוהי החתימה שממנה אנו מנסים להוציא תבניות.
11:01
So what we do with this
262
646000
2000
אז מה שאנו עושים עם זה,
11:03
is, for example, we can look at two patients,
263
648000
2000
לדוגמא, אנו יכולים להסתכל על שני חולים,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
אחד שהגיב לתרופה והאחר שלא הגיב,
11:08
and ask, "What's going on differently
265
653000
2000
ולשאול, "מה התרחש שונה
11:10
inside of them?"
266
655000
2000
בכל אחד מהם?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
וכך אנו יכולים לבצע מדידות מספיק מדוייקות
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
שאפשר להניח האחד על השני שני חולים ולראות מה ההבדלים.
11:18
So here we have Alice in green
269
663000
2000
אז יש לנו כאן אליס בירוק
11:20
and Bob in red.
270
665000
2000
ובוב באדום.
11:22
We overlay them. This is actual data.
271
667000
3000
אנו מניחים אותם האחד על השני. אלה נתונים אמיתיים.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
וניתן לראות, ברובם הם חופפים והם בצבע צהוב,
11:28
but there's some things that just Alice has
273
673000
2000
אבל יש דברים שרק לאליס יש אותם
11:30
and some things that just Bob has.
274
675000
2000
ודברים אחרים שרק לבוב יש אותם.
11:32
And if we find a pattern of things
275
677000
3000
ואם אנו מוצאים תבנית של דברים
11:35
of the responders to the drug,
276
680000
3000
של אלה שהגיבו לתרופה,
11:38
we see that in the blood,
277
683000
2000
אנו מבינים שבתוך הדם,
11:40
they have the condition
278
685000
2000
מתקיימים אצלם התנאים
11:42
that allows them to respond to this drug.
279
687000
2000
המאפשרים להם להגיב לתרופה זו.
11:44
We might not even know what this protein is,
280
689000
2000
יכול להיות שאפילו לא נדע מהו אותו פרוטאין,
11:46
but we can see it's a marker
281
691000
2000
אבל אנחנו יכולים לראות שהוא סימן
11:48
for the response to the disease.
282
693000
2000
של תגובה לאותה מחלה.
11:53
So this already, I think,
283
698000
2000
כך שכבר זה, אני סבור,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
מהווה דבר כביר לשימוש בכל מיני תרופות.
11:58
But I think this is actually
285
703000
2000
אבל אני חושב שבעצם
12:00
just the beginning
286
705000
2000
זוהי רק ההתחלה
12:02
of how we're going to treat cancer.
287
707000
2000
של האופן בו אנו הולכים לטפל בסרטן.
12:04
So let me move to cancer.
288
709000
2000
אז אתקדם ברשותכם לסרטן.
12:06
The thing about cancer --
289
711000
2000
העניין עם הסרטן הוא --
12:08
when I got into this,
290
713000
2000
כאשר נכנסתי אל תוך זה,
12:10
I really knew nothing about it,
291
715000
2000
לא ידעתי כלום עליו,
12:12
but working with David Agus,
292
717000
2000
אבל כאשר עבדתי עם דייויד אגוס,
12:14
I started watching how cancer was actually being treated
293
719000
3000
התחלתי לשים לב כיצד בעצם מטפלים בסרטן
12:17
and went to operations where it was being cut out.
294
722000
3000
והלכתי לניתוחים שבו חתכו והוציאו אותו.
12:20
And as I looked at it,
295
725000
2000
וככל שראיתי את זה,
12:22
to me it didn't make sense
296
727000
2000
לי זה נראה לא הגיוני,
12:24
how we were approaching cancer,
297
729000
2000
האופן בו ניגשנו לסרטן.
12:26
and in order to make sense of it,
298
731000
3000
וכדי להבין זאת,
12:29
I had to learn where did this come from.
299
734000
3000
היה עלי ללמוד מהיכן גישה זו הגיעה.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
אנו מטפלים בסרטן כמעט כאילו זו מחלה מדבקת.
12:36
We're treating it as something that got inside of you
301
741000
2000
אנו מטפלים בו כמשהו שנכנס בנו
12:38
that we have to kill.
302
743000
2000
ושאותו עלינו לחסל.
12:40
So this is the great paradigm.
303
745000
2000
זוהי תבנית החשיבה בגדול.
12:42
This is another case
304
747000
2000
זהו עוד מקרה
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
בו חשיבה תאורטית בביולוגיה באמת עבדה --
12:46
was the germ theory of disease.
306
751000
3000
זו היתה תאוריית החיידקים של מחלות.
12:49
So what doctors are mostly trained to do
307
754000
2000
כך שמה שרופאים הוכשרו בעיקר לעשות
12:51
is diagnose --
308
756000
2000
זה לאבחן --
12:53
that is, put you into a category
309
758000
2000
כלומר לקטלג --
12:55
and apply a scientifically proven treatment
310
760000
2000
ולהפעיל טיפול המוכח מדעית
12:57
for that diagnosis --
311
762000
2000
בעבור אותה אבחנה.
12:59
and that works great for infectious diseases.
312
764000
3000
וזה עובד נהדר עם מחלות מדבקות.
13:02
So if we put you in the category
313
767000
2000
כך שאם נסווג אתכם בתור
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
כאלה שיש להם עגבת, אפשר לתת לכם פניצילין.
13:07
We know that that works.
315
772000
2000
אנו יודעים שזה יעיל.
13:09
If you've got malaria, we give you quinine
316
774000
2000
אם יש לכם מלריה, אפשר לתת כינין,
13:11
or some derivative of it.
317
776000
2000
או איזו שהיא נגזרת שלה.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
וכך זה הדבר הבסיסי שהרופאים הוכשרו לעשות.
13:16
and it's miraculous
319
781000
2000
וזה מופלא,
13:18
in the case of infectious disease --
320
783000
3000
במקרה של מחלה מדבקת --
13:21
how well it works.
321
786000
2000
עד כמה שזה עובד טוב.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
והרבה אנשים בקהל אולי לא היו בחיים
13:26
if doctors didn't do this.
323
791000
2000
אם רופאים לא עשו זאת.
13:28
But now let's apply that
324
793000
2000
אבל עכשיו הבה ניישם זאת
13:30
to systems diseases like cancer.
325
795000
2000
למחלות מערכתיות כמו סרטן.
13:32
The problem is that, in cancer,
326
797000
2000
הבעיה היא שבסרטן,
13:34
there isn't something else
327
799000
2000
אין משהו אחר
13:36
that's inside of you.
328
801000
2000
שנכנס לתוכנו.
13:38
It's you; you're broken.
329
803000
2000
זה אנחנו, אנחנו מקולקלים.
13:40
That conversation inside of you
330
805000
4000
הדו-שיח בתוכנו
13:44
got mixed up in some way.
331
809000
2000
ירד מהפסים איכשהו.
13:46
So how do we diagnose that conversation?
332
811000
2000
אז כיצד אנו מאבחנים דו-שיח זה?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
כיום מה שעושים זה לעשות חלוקה לפי איברי גוף --
13:51
you know, where did it appear? --
334
816000
3000
לפי איפה שהסרטן מופיע --
13:54
and we put you in different categories
335
819000
2000
ושמים אתכם בקטגוריות שונות
13:56
according to the part of the body.
336
821000
2000
על-פי איבר הגוף.
13:58
And then we do a clinical trial
337
823000
2000
ואז עושים ניסוי קליני
14:00
for a drug for lung cancer
338
825000
2000
לתרופה של סרטן ריאות
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
ושל סרטן הערמונית ושל סרטן השד,
14:05
and we treat these as if they're separate diseases
340
830000
3000
ואנו מתיחסים אליהם כאילו היו מחלות שונות
14:08
and that this way of dividing them
341
833000
2000
וכאילו לדרך זו של חלוקה
14:10
had something to do with what actually went wrong.
342
835000
2000
יש קשר עם מה שבאמת השתבש.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
אבל ברור שאין לזה באמת קשר
14:14
with what went wrong
344
839000
2000
עם מה שהשתבש.
14:16
because cancer is a failure of the system.
345
841000
3000
מכיוון שסרטן הוא כישלון של המערכת.
14:19
And in fact, I think we're even wrong
346
844000
2000
ובעצם, אני חושב שאנחנו אף טועים
14:21
when we talk about cancer as a thing.
347
846000
3000
כאשר אנו מדברים על סרטן בתור "דבר".
14:24
I think this is the big mistake.
348
849000
2000
אני חושב שזו שגיאה גדולה.
14:26
I think cancer should not be a noun.
349
851000
4000
אני חושב שסרטן אינו צריך להיות שם-עצם.
14:30
We should talk about cancering
350
855000
2000
עלינו לדבר על סירטון,
14:32
as something we do, not something we have.
351
857000
3000
בתור משהו שאנו עושים, לא משהו שיש לנו.
14:35
And so those tumors,
352
860000
2000
וכך גם הגידולים,
14:37
those are symptoms of cancer.
353
862000
2000
אלה הם התסמינים של סרטן.
14:39
And so your body is probably cancering all the time,
354
864000
3000
וכך גופנו ככל הנראה עובר סירטון כל הזמן.
14:42
but there are lots of systems in your body
355
867000
3000
אבל קיימות המון מערכות בגופנו
14:45
that keep it under control.
356
870000
2000
אשר שומרות אותו תחת שליטה.
14:47
And so to give you an idea
357
872000
2000
כדי לתת לכם מושג,
14:49
of an analogy of what I mean
358
874000
2000
הנה אנלוגיה למה אני מתכוון
14:51
by thinking of cancering as a verb,
359
876000
3000
בלחשוב על סירטון בתור פועל,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
נדמיין שאנו לא יודעים כלום על שרברבות,
14:57
and the way that we talked about it,
361
882000
2000
וכמו שדיברנו על זה,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
נבוא הביתה ונמצא נזילה במטבח
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
ואז נאמר, "יש מים בבית שלי."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
אנו עשויים לחלק -- השרברב יגיד, "טוב, איפה המים?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"ובכן, הם במטבח." "אה, אז יש לכם מי-מטבח."
15:12
That's kind of the level at which it is.
366
897000
3000
זו בערך השיטה שאנו מאמצים.
15:15
"Kitchen water,
367
900000
2000
"מי-מטבח?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
אז קודם כל, אנחנו ניכנס וננגב חלק גדול מהמים.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
אחר-כך, אנו הרי יודעים שאם נשפריץ פותח-סתימות במטבח,
15:22
that helps.
370
907000
3000
זה עוזר.
15:25
Whereas living room water,
371
910000
2000
בעוד שעבור מי-סלון,
15:27
it's better to do tar on the roof."
372
912000
2000
עדיף לעשות זיפות על הגג."
15:29
And it sounds silly,
373
914000
2000
וזה נשמע טפשי,
15:31
but that's basically what we do.
374
916000
2000
אבל בעיקרון, זה מה שאנו עושים.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
ואני לא אומר שאל לנו לנגב מים אם יש לנו סרטן.
15:36
but I'm saying that's not really the problem;
376
921000
3000
אבל אני אומר שזו לא הבעיה האמיתית;
15:39
that's the symptom of the problem.
377
924000
2000
זהו רק הסימפטום של הבעיה.
15:41
What we really need to get at
378
926000
2000
מה שבאמת עלינו להגיע אליו
15:43
is the process that's going on,
379
928000
2000
הוא התהליך שמתרחש,
15:45
and that's happening at the level
380
930000
2000
והוא מתרחש ברמת
15:47
of the proteonomic actions,
381
932000
2000
הפעולות של פרוטאומיקה,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
המתרחשות ברמה הנוגעת בשאלה מדוע גופנו לא מרפא את עצמו
15:52
in the way that it normally does?
383
937000
2000
באופן שהוא בדרך-כלל עושה?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
מפני שבמצב רגיל גופנו כן מתמודד עם בעיה זו כל הזמן.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
כך גם ביתנו מתמודד עם נזילות כל הזמן.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
אבל הוא מטפל בהן. הוא מנקז אותן וכו'.
16:04
So what we need
387
949000
3000
אז מה שאנו צריכים
16:07
is to have a causative model
388
952000
4000
שיהיה לנו מודל סיבתי
16:11
of what's actually going on,
389
956000
2000
על מה שקורה כאן.
16:13
and proteomics actually gives us
390
958000
3000
ופרוטאומיקה בעצם נותנת לנו
16:16
the ability to build a model like that.
391
961000
3000
את היכולת לבנות מודל כזה.
16:19
David got me invited
392
964000
2000
דייויד הצליח לסדר לי הזמנה
16:21
to give a talk at National Cancer Institute
393
966000
2000
למתן הרצאה במכון הלאומי לסרטן
16:23
and Anna Barker was there.
394
968000
3000
ואנה בארקר היתה שם.
16:27
And so I gave this talk
395
972000
2000
ואז נתתי את ההרצאה
16:29
and said, "Why don't you guys do this?"
396
974000
3000
ושאלתי, "מדוע אתם בעצמכם לא עושים זאת?"
16:32
And Anna said,
397
977000
2000
ואנה אמרה,
16:34
"Because nobody within cancer
398
979000
3000
"מפני שאף אחד מתחום של הסרטן
16:37
would look at it this way.
399
982000
2000
לא יסתכל על זה כך.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
אבל מה שאנו הולכים לעשות זה ליצור תוכנית
16:42
for people outside the field of cancer
401
987000
2000
עבור אנשים מחוץ לתחום של סרטן
16:44
to get together with doctors
402
989000
2000
ולשבת ביחד עם רופאים
16:46
who really know about cancer
403
991000
3000
המתמצאים היטב בסרטן
16:49
and work out different programs of research."
404
994000
4000
ולהכין תוכניות מחקר שונות."
16:53
So David and I applied to this program
405
998000
2000
אז דייויד ואני הגשנו בקשה לתוכנית זו
16:55
and created a consortium
406
1000000
2000
ויצרנו איחוד חברות
16:57
at USC
407
1002000
2000
ב-USC
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
ששם יש כמה מהאונקולוגים הטובים ביותר בעולם
17:02
and some of the best biologists in the world,
409
1007000
3000
וכמה מהביולוגים הטובים ביותר בעולם,
17:05
from Cold Spring Harbor,
410
1010000
2000
מ-Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
סטאנפורד, אוסטין --
17:09
I won't even go through and name all the places --
412
1014000
3000
לא אעבור על כל השמות --
17:12
to have a research project
413
1017000
3000
כדי לקיים מיזם מחקר
17:15
that will last for five years
414
1020000
2000
שיימשך 5 שנים
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
שבמסגרתו אנו ממש הולכים לנסות ולבנות מודל כזה של סרטן.
17:20
We're doing it in mice first,
416
1025000
2000
תחילה ננסה אותו בעכברים.
17:22
and we will kill a lot of mice
417
1027000
2000
ונגרום למותם של המון עכברים
17:24
in the process of doing this,
418
1029000
2000
בבצענו זאת,
17:26
but they will die for a good cause.
419
1031000
2000
אבל הם ימותו למען מטרה טובה.
17:28
And we will actually try to get to the point
420
1033000
3000
ואנחנו בהחלט ננסה להגיע לנקודה
17:31
where we have a predictive model
421
1036000
2000
בה יש לנו מודל היכול לנבא
17:33
where we can understand,
422
1038000
2000
ושבו נוכל להבין,
17:35
when cancer happens,
423
1040000
2000
מתי סרטן קורה,
17:37
what's actually happening in there
424
1042000
2000
מה בעצם קורה בתוכו
17:39
and which treatment will treat that cancer.
425
1044000
3000
ואיזה טיפול יכול לטפל באותו סרטן.
17:42
So let me just end with giving you a little picture
426
1047000
3000
אז ברשותכם אסיים בכך שאתן לכם תמונה
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
של איך לפי דעתי ייראה הטיפול העתידי בסרטן.
17:48
So I think eventually,
428
1053000
2000
אני חושב שבסופו של דבר,
17:50
once we have one of these models for people,
429
1055000
2000
ברגע שיהיה בידינו אחד המודלים הללו בשביל אנשים,
17:52
which we'll get eventually --
430
1057000
2000
שנגיע אליו בסוף --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
כוונתי, שהקבוצה שלנו לא תגיע אליו ממש --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
אבל בסוף יהיה לנו מודל ממוחשב מצויין --
17:59
sort of like a global climate model for weather.
433
1064000
3000
משהו כמו מודל גלובלי לאקלים.
18:02
It has lots of different information
434
1067000
3000
יהיה בו המון מידע מכל הסוגים
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
על מהו התהליך המתרחש בדו-שיח של הפרוטאומיקה
18:08
on many different scales.
436
1073000
2000
ברמות רבות ושונות.
18:10
And so we will simulate
437
1075000
2000
וכך נעשה הדמיה
18:12
in that model
438
1077000
2000
באותו מודל
18:14
for your particular cancer --
439
1079000
3000
בשביל סרטן מסויים --
18:17
and this also will be for ALS,
440
1082000
2000
וזה יהיה גם בשביל ALS,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
או כל סוג אחר של מחלה הגורמת לפגיעה בעצבים,
18:22
things like that --
442
1087000
2000
ודברים דומים --
18:24
we will simulate
443
1089000
2000
נעשה הדמיה
18:26
specifically you,
444
1091000
2000
שלכם באופן ספציפי,
18:28
not just a generic person,
445
1093000
2000
לא רק של האדם ככלל,
18:30
but what's actually going on inside you.
446
1095000
2000
אלא של מה שבעצם מתרחש בתוככם.
18:32
And in that simulation, what we could do
447
1097000
2000
ובאותה הדמיה, מה שנוכל לעשות
18:34
is design for you specifically
448
1099000
2000
זה לתכנן עבורכם ספציפית
18:36
a sequence of treatments,
449
1101000
2000
רצף של טיפולים,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
ואלה יכולים להיות טיפולים מאוד עדינים, כמויות מאוד קטנות של תרופות.
18:41
It might be things like, don't eat that day,
451
1106000
3000
זה יכול להיות דברים כמו, אל תאכל היום את זה,
18:44
or give them a little chemotherapy,
452
1109000
2000
או לתת להם טיפול כימותרפי קטן,
18:46
maybe a little radiation.
453
1111000
2000
אולי קצת קרינה.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
כמובן שנבצע לפעמים ניתוח קטן וכך הלאה.
18:51
But design a program of treatments specifically for you
455
1116000
3000
אבל נבנה תוכנית טיפולים במיוחד בשבילך
18:54
and help your body
456
1119000
3000
ונסייע לגופך
18:57
guide back to health --
457
1122000
3000
למצוא את הדרך בחזרה לבריאות --
19:00
guide your body back to health.
458
1125000
2000
להדריך את גופך בדרכו חזרה לבריאות.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
מפני שגופך יעשה את מירב העבודה בתיקון עצמו
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
אם אנו רק נשמש לו משענת בדרכים שהן שגויות.
19:09
We put it in the equivalent of splints.
461
1134000
2000
נכניס משהו דמוי לוח-קיבוע.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
בעיקרון בגופנו יש המון מנגנונים
19:13
for fixing cancer,
463
1138000
2000
לתיקון סרטן,
19:15
and we just have to prop those up in the right way
464
1140000
3000
ואנו רק צריכים לתמוך בגופנו ולכוון אותו לדרך הנכונה
19:18
and get them to do the job.
465
1143000
2000
ולגרום לו לעשות את העבודה.
19:20
And so I believe that this will be the way
466
1145000
2000
ולכן אני מאמין שזו תהיה הדרך
19:22
that cancer will be treated in the future.
467
1147000
2000
בה יטפלו בסרטן בעתיד.
19:24
It's going to require a lot of work,
468
1149000
2000
תידרש עדיין עבודה רבה,
19:26
a lot of research.
469
1151000
2000
המון מחקר.
19:28
There will be many teams like our team
470
1153000
3000
תהיינה הרבה קבוצות כמו שלנו
19:31
that work on this.
471
1156000
2000
שתעבודנה על זה.
19:33
But I think eventually,
472
1158000
2000
אבל אני סבור שבסופו של דבר,
19:35
we will design for everybody
473
1160000
2000
אנו נבנה עבור כל אחד
19:37
a custom treatment for cancer.
474
1162000
4000
טיפול בסרטן התפור עבורו.
19:41
So thank you very much.
475
1166000
2000
אז תודה רבה לכם.
19:43
(Applause)
476
1168000
6000
(מחיאות כפיים)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com