TEDGlobal 2011
Allan Jones: A map of the brain
אלן ג'ונס: מפה של המוח
Filmed:
Readability: 4.4
1,269,611 views
כיצד נוכל להתחיל להבין את אופן פעולת המוח? באותו אופן בו אנו מתחילים להבין עיר: על-ידי יצירת מפה. בהרצאה מהממת מבחינה חזותית, אלן ג'ונס מראה כיצד קבוצת העבודה שלו ממפה איזה גנים מופעלים בכל שטח זעיר וכיצד הכל מתחבר.
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio
Double-click the English transcript below to play the video.
00:15
Humans have long held a fascination
0
0
2000
מזה זמן רב בני-אדם
00:17
for the human brain.
1
2000
2000
מוקסמים מהמוח.
00:19
We chart it, we've described it,
2
4000
3000
עשינו תרשימים שלו, תארנו אותו,
00:22
we've drawn it,
3
7000
2000
ציירנו אותו,
00:24
we've mapped it.
4
9000
3000
מיפינו אותו.
00:27
Now just like the physical maps of our world
5
12000
3000
אבל בדיוק כמו מפות העולם
00:30
that have been highly influenced by technology --
6
15000
3000
שהושפעו רבות מהטכנולוגיה --
00:33
think Google Maps,
7
18000
2000
לדוגמא מפות גוגל,
00:35
think GPS --
8
20000
2000
או GPS --
00:37
the same thing is happening for brain mapping
9
22000
2000
אותו הדבר קורה היום עם מיפוי מוח
00:39
through transformation.
10
24000
2000
בגלל השינויים הרבים.
00:41
So let's take a look at the brain.
11
26000
2000
הבה נעיף מבט על המוח.
00:43
Most people, when they first look at a fresh human brain,
12
28000
3000
רוב האנשים, כאשר רואים לראשונה מוח אדם טרי,
00:46
they say, "It doesn't look what you're typically looking at
13
31000
3000
הם אומרים, "הוא לא נראה כמו מה שבדרך-כלל רואים
00:49
when someone shows you a brain."
14
34000
2000
כאשר מישהו מראה לך מוח."
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
36000
3000
בדרך-כלל, מה שרואים זה מוח שעבר טיפול. הוא אפור.
00:54
And this outer layer, this is the vasculature,
16
39000
2000
שיכבה חיצונית זו, זוהי מערכת כלי-דם,
00:56
which is incredible, around a human brain.
17
41000
2000
שהיא מדהימה, סביב המוח האנושי.
00:58
This is the blood vessels.
18
43000
2000
אלה הם כלי-הדם.
01:00
20 percent of the oxygen
19
45000
3000
20 אחוז מהחמצן
01:03
coming from your lungs,
20
48000
2000
שמגיע מהריאות,
01:05
20 percent of the blood pumped from your heart,
21
50000
2000
20 אחוז מהדם שנשאב מהלב,
01:07
is servicing this one organ.
22
52000
2000
משרתים איבר יחיד זה.
01:09
That's basically, if you hold two fists together,
23
54000
2000
בגדול, אם מחזיקים שני אגרופים צמודים,
01:11
it's just slightly larger than the two fists.
24
56000
2000
הוא קצת יותר גדול מהם.
01:13
Scientists, sort of at the end of the 20th century,
25
58000
3000
מדענים, בסביבות סוף המאה ה-20,
01:16
learned that they could track blood flow
26
61000
2000
למדו שהם יכולים לעקוב
01:18
to map non-invasively
27
63000
3000
אחר זרם דם כדי למפות בצורה לא-פולשנית,
01:21
where activity was going on in the human brain.
28
66000
3000
מקומות בהם יש פעילות במוח האדם.
01:24
So for example, they can see in the back part of the brain,
29
69000
3000
לדוגמא, הם יכולים להסתכל בחלק האחורי של המוח,
01:27
which is just turning around there.
30
72000
2000
שבדיוק פונים לשם.
01:29
There's the cerebellum; that's keeping you upright right now.
31
74000
2000
יש את המוח הקטן; שמחזיק אותנו זקופים ממש עכשיו.
01:31
It's keeping me standing. It's involved in coordinated movement.
32
76000
3000
הוא מחזיק אותי עומד. הוא קשור בתנועה מתואמת.
01:34
On the side here, this is temporal cortex.
33
79000
3000
כאן בצד, זוהי אונה רקתית.
01:37
This is the area where primary auditory processing --
34
82000
3000
זהו המקום בו מתרחש עיבוד השמיעה הראשוני --
01:40
so you're hearing my words,
35
85000
2000
כך אתם שומעים את מילותיי,
01:42
you're sending it up into higher language processing centers.
36
87000
2000
אתם משגרים אותן אל מרכזי עיבוד שפה יותר גבוהים.
01:44
Towards the front of the brain
37
89000
2000
בקידמת המוח מתרחשים
01:46
is the place in which all of the more complex thought, decision making --
38
91000
3000
התהליכים היותר מורכבים של מחשבה, קבלת החלטות --
01:49
it's the last to mature in late adulthood.
39
94000
4000
אזור זה הוא האחרון להתפתח בתקופת הבגרות המאוחרת.
01:53
This is where all your decision-making processes are going on.
40
98000
3000
כאן מתרחשים כל תהליכי קבלת ההחלטות.
01:56
It's the place where you're deciding right now
41
101000
2000
זה האזור בו אתם מחליטים ברגע זה
01:58
you probably aren't going to order the steak for dinner.
42
103000
3000
שאינכם מתכוונים להזמין את הסטייק לארוחה.
02:01
So if you take a deeper look at the brain,
43
106000
2000
כך שאם מתבוננים יותר עמוק לתוך המוח,
02:03
one of the things, if you look at it in cross-section,
44
108000
2000
אם מסתכלים עליו בחתך רוחב,
02:05
what you can see
45
110000
2000
מה שמבחינים
02:07
is that you can't really see a whole lot of structure there.
46
112000
3000
הוא שלא ניתן לראות את המבנה לפרטיו.
02:10
But there's actually a lot of structure there.
47
115000
2000
אבל למעשה יש בזה המון פירוט.
02:12
It's cells and it's wires all wired together.
48
117000
2000
אלה תאים וחיווטים המחוברים זה לזה.
02:14
So about a hundred years ago,
49
119000
2000
לפני כמאה שנה,
02:16
some scientists invented a stain that would stain cells.
50
121000
2000
כמה מדענים המציאו חומר שצובע תאים.
02:18
And that's shown here in the the very light blue.
51
123000
3000
הוא נראה כאן בתכלת בהירה.
02:21
You can see areas
52
126000
2000
ניתן לראות אזורים
02:23
where neuronal cell bodies are being stained.
53
128000
2000
בהם תאי עצב נצבעים.
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
130000
3000
ורואים שזה לא אחיד. יש הרבה מבנים.
02:28
So the outer part of that brain
55
133000
2000
כך שהחלק החיצוני של המוח
02:30
is the neocortex.
56
135000
2000
הוא הניאו-קורטקס.
02:32
It's one continuous processing unit, if you will.
57
137000
3000
אם תרצו, זוהי יחידת עיבוד אחת רצופה.
02:35
But you can also see things underneath there as well.
58
140000
2000
אבל ניתן גם לראות דברים מתחת.
02:37
And all of these blank areas
59
142000
2000
וכל האזורים הריקים הללו
02:39
are the areas in which the wires are running through.
60
144000
2000
הם האזורים בהם עוברים הסיבים.
02:41
They're probably less cell dense.
61
146000
2000
ככל הנראה הם פחות צפופים בתאים.
02:43
So there's about 86 billion neurons in our brain.
62
148000
4000
ישנם כ-86 מיליארד תאי-עצב במוח שלנו.
02:47
And as you can see, they're very non-uniformly distributed.
63
152000
3000
וכפי שרואים, הם אינם מפוזרים באופן אחיד.
02:50
And how they're distributed really contributes
64
155000
2000
אופן פיזורם קובע מהותית
02:52
to their underlying function.
65
157000
2000
את צורת פעולתם.
02:54
And of course, as I mentioned before,
66
159000
2000
וכפי שהזכרתי קודם,
02:56
since we can now start to map brain function,
67
161000
3000
מאחר ואנו יכולים עתה להתחיל למפות את פעילות המוח,
02:59
we can start to tie these into the individual cells.
68
164000
3000
נוכל להתחיל ולקשור אותם לתאים מוגדרים.
03:02
So let's take a deeper look.
69
167000
2000
הבה נתבונן יותר עמוק.
03:04
Let's look at neurons.
70
169000
2000
נתבונן בתאי-עצב.
03:06
So as I mentioned, there are 86 billion neurons.
71
171000
2000
כפי שאמרתי, ישנם 86 מיליארד תאי-עצב.
03:08
There are also these smaller cells as you'll see.
72
173000
2000
יש גם תאים יותר קטנים כפי שרואים.
03:10
These are support cells -- astrocytes glia.
73
175000
2000
אלה כולם תאים תומכים -- אסטרוציטים, תאי גלייה.
03:12
And the nerves themselves
74
177000
3000
העצבים עצמם,
03:15
are the ones who are receiving input.
75
180000
2000
הם אלה שמקבלים את הקלט.
03:17
They're storing it, they're processing it.
76
182000
2000
הם מאחסנים אותו, הם מעבדים אותו.
03:19
Each neuron is connected via synapses
77
184000
4000
כל עצב מחובר באמצעות סינפסה
03:23
to up to 10,000 other neurons in your brain.
78
188000
3000
לעד 10,000 תאי-עצב אחרים במוח שלנו.
03:26
And each neuron itself
79
191000
2000
כל תא-עצב
03:28
is largely unique.
80
193000
2000
הוא מאוד ייחודי.
03:30
The unique character of both individual neurons
81
195000
2000
האופי הייחודי, הן של תאי-העצב הבודדים
03:32
and neurons within a collection of the brain
82
197000
2000
והן של תאי-העצב בתוך איזור במוח,
03:34
are driven by fundamental properties
83
199000
3000
נקבע על-ידי מאפיינים
03:37
of their underlying biochemistry.
84
202000
2000
ביוכימיים בסיסיים.
03:39
These are proteins.
85
204000
2000
אלה הם חלבונים.
03:41
They're proteins that are controlling things like ion channel movement.
86
206000
3000
חלבונים המווסתים דברים כמו תנועת תעלות יונים.
03:44
They're controlling who nervous system cells partner up with.
87
209000
4000
הם שולטים על הקשרים שיוצרים תאי מערכת עצבים.
03:48
And they're controlling
88
213000
2000
בעיקרון הם שולטים על כל דבר
03:50
basically everything that the nervous system has to do.
89
215000
2000
הקשור במערכת עצבים.
03:52
So if we zoom in to an even deeper level,
90
217000
3000
אם נתמקד ברמה יותר עמוקה,
03:55
all of those proteins
91
220000
2000
כל החלבונים האלה
03:57
are encoded by our genomes.
92
222000
2000
מקודדים על-ידי הגנומים שלנו.
03:59
We each have 23 pairs of chromosomes.
93
224000
3000
לכל אחד מאיתנו יש 23 זוגות של כרומוזומים.
04:02
We get one from mom, one from dad.
94
227000
2000
אחד מקבלים מאמא ואחד מאבא.
04:04
And on these chromosomes
95
229000
2000
ובכרומוזומים אלה
04:06
are roughly 25,000 genes.
96
231000
2000
יש בערך 25,000 גנים.
04:08
They're encoded in the DNA.
97
233000
2000
הם מקודדים ב-DNA.
04:10
And the nature of a given cell
98
235000
3000
והאופי של כל תא,
04:13
driving its underlying biochemistry
99
238000
2000
שקובע את הביוכימיה שלו,
04:15
is dictated by which of these 25,000 genes
100
240000
3000
מוכתב על-ידי אילו גנים מתוך ה-25,000
04:18
are turned on
101
243000
2000
יופעלו
04:20
and at what level they're turned on.
102
245000
2000
ובאיזו רמה הם יופעלו.
04:22
And so our project
103
247000
2000
המיזם שלנו
04:24
is seeking to look at this readout,
104
249000
3000
שואף להתבונן בפלט הזה,
04:27
understanding which of these 25,000 genes is turned on.
105
252000
3000
ולהבין איזה מבין 25,000 הגנים הללו מופעלים.
04:30
So in order to undertake such a project,
106
255000
3000
לכן מובן מאליו שכדי לבצע מיזם כזה,
04:33
we obviously need brains.
107
258000
3000
אנו זקוקים למוחות.
04:36
So we sent our lab technician out.
108
261000
3000
לכן שלחנו את טכנאי המעבדה לחפש.
04:39
We were seeking normal human brains.
109
264000
2000
חיפשנו מוחות אדם רגילים.
04:41
What we actually start with
110
266000
2000
התחלנו אצל
04:43
is a medical examiner's office.
111
268000
2000
פתולוג.
04:45
This a place where the dead are brought in.
112
270000
2000
זה המקום אליו מובאים המתים.
04:47
We are seeking normal human brains.
113
272000
2000
אנו מחפשים מוחות אדם רגילים.
04:49
There's a lot of criteria by which we're selecting these brains.
114
274000
3000
יש הרבה קריטריונים לפיהם אנו בוחרים מוחות אלה.
04:52
We want to make sure
115
277000
2000
ברצוננו לוודא
04:54
that we have normal humans between the ages of 20 to 60,
116
279000
3000
שיש בידינו אנשים רגילים בגילאים 20 עד 60,
04:57
they died a somewhat natural death
117
282000
2000
שהם נפטרו במוות טבעי
04:59
with no injury to the brain,
118
284000
2000
ללא פגיעה מוחית,
05:01
no history of psychiatric disease,
119
286000
2000
שאין להם היסטוריה של מחלת נפש,
05:03
no drugs on board --
120
288000
2000
שלא היה שימוש בסמים --
05:05
we do a toxicology workup.
121
290000
2000
אנו עושים בדיקות רעלים.
05:07
And we're very careful
122
292000
2000
אנו מאוד נזהרים בנוגע
05:09
about the brains that we do take.
123
294000
2000
למוחות שאנו בוחרים.
05:11
We're also selecting for brains
124
296000
2000
כמו-כן אנו בוחרים מוחות
05:13
in which we can get the tissue,
125
298000
2000
שניתן ליטול מהם ריקמה,
05:15
we can get consent to take the tissue
126
300000
2000
שאנו יכולים לקבל הסכמה לנטילת הריקמה
05:17
within 24 hours of time of death.
127
302000
2000
בתוך 24 שעות משעת הפטירה.
05:19
Because what we're trying to measure, the RNA --
128
304000
3000
מכיוון שהדבר שאנו מנסים למדוד, ה-RNA --
05:22
which is the readout from our genes --
129
307000
2000
שהוא הפלט מטעם הגנים --
05:24
is very labile,
130
309000
2000
הוא מאוד לא יציב,
05:26
and so we have to move very quickly.
131
311000
2000
ולכן עלינו לפעול במהירות רבה.
05:28
One side note on the collection of brains:
132
313000
3000
הערת שוליים על איסוף מוחות:
05:31
because of the way that we collect,
133
316000
2000
בגלל הדרך בה אנו אוספים,
05:33
and because we require consent,
134
318000
2000
ומשום שאנו זקוקים להסכמה,
05:35
we actually have a lot more male brains than female brains.
135
320000
3000
יש לנו הרבה יותר מוחות של גברים מאשר נשים.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
323000
3000
לגברים יש סבירות הרבה יותר גבוהה למות באופן לא צפוי בשלב מוקדם של חייהם.
05:41
And men are much more likely
137
326000
2000
ולגברים יש סבירות יותר גבוהה
05:43
to have their significant other, spouse, give consent
138
328000
3000
שבת-זוגם תתן את הסכמתה
05:46
than the other way around.
139
331000
2000
מאשר המצב ההפוך.
05:48
(Laughter)
140
333000
4000
(צחוק)
05:52
So the first thing that we do at the site of collection
141
337000
2000
לכן הדבר הראשון שאנו עושים באתר האיסוף
05:54
is we collect what's called an MR.
142
339000
2000
זה ליטול את מה שנקרא MR.
05:56
This is magnetic resonance imaging -- MRI.
143
341000
2000
זוהי הדמיה בתהודה מגנטית -- MRI.
05:58
It's a standard template by which we're going to hang the rest of this data.
144
343000
3000
זוהי תבנית סטנדרטית שבאמצעותה נציג את כל הנתונים.
06:01
So we collect this MR.
145
346000
2000
אנו אוספים את ה-MR.
06:03
And you can think of this as our satellite view for our map.
146
348000
2000
מעין מבט-על לצורך המפה שלנו.
06:05
The next thing we do
147
350000
2000
הדבר הבא שאנו עושים
06:07
is we collect what's called a diffusion tensor imaging.
148
352000
3000
זו הדמיית DTI.
06:10
This maps the large cabling in the brain.
149
355000
2000
היא ממפה את הכבלים הגדולים במוח.
06:12
And again, you can think of this
150
357000
2000
אפשר לחשוב על זה כמעט
06:14
as almost mapping our interstate highways, if you will.
151
359000
2000
כמו מיפוי של כבישים מהירים בין-עירוניים.
06:16
The brain is removed from the skull,
152
361000
2000
המוח מוסר מהגולגולת,
06:18
and then it's sliced into one-centimeter slices.
153
363000
3000
ואז נפרס לפרוסות בנות 1 ס"מ.
06:21
And those are frozen solid,
154
366000
2000
הן עוברות הקפאה
06:23
and they're shipped to Seattle.
155
368000
2000
ונשלחות לסיאטל.
06:25
And in Seattle, we take these --
156
370000
2000
בסיאטל אנו נוטלים אותן --
06:27
this is a whole human hemisphere --
157
372000
2000
זוהי אונת מוח אנושית שלמה --
06:29
and we put them into what's basically a glorified meat slicer.
158
374000
2000
ואנו שמים אותן בחותך הבשר המהולל.
06:31
There's a blade here that's going to cut across
159
376000
2000
יש להב שיחתוך
06:33
a section of the tissue
160
378000
2000
מקטע מהריקמה,
06:35
and transfer it to a microscope slide.
161
380000
2000
ואז להעבירו אל זכוכית נושאת.
06:37
We're going to then apply one of those stains to it,
162
382000
2000
לאחר-מכן צובעים אותו
06:39
and we scan it.
163
384000
2000
ואז סורקים אותו.
06:41
And then what we get is our first mapping.
164
386000
3000
כך מקבלים את המיפוי הראשון.
06:44
So this is where experts come in
165
389000
2000
כאן נכנסים לפעולה המומחים שלנו
06:46
and they make basic anatomic assignments.
166
391000
2000
והם מבצעים משימות אנטומיות פשוטות.
06:48
You could consider this state boundaries, if you will,
167
393000
3000
אפשר לדמיין את קוי-המיתאר העבים הללו
06:51
those pretty broad outlines.
168
396000
2000
בתור גבולות בין מדינות.
06:53
From this, we're able to then fragment that brain into further pieces,
169
398000
4000
מכאן אנו יכולים לפצל את פיסת המוח לחלקים יותר קטנים, שאותם אפשר להניח
06:57
which then we can put on a smaller cryostat.
170
402000
2000
על-גבי התקן השומר על טמפרטורה נמוכה.
06:59
And this is just showing this here --
171
404000
2000
כאן פשוט רואים את כל זה --
07:01
this frozen tissue, and it's being cut.
172
406000
2000
את הריקמה הקפואה, כאשר היא נחתכת.
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
408000
3000
העובי של זה הוא 20 מיקרון, שזה כמו עובי שיער תינוק.
07:06
And remember, it's frozen.
174
411000
2000
ויש לזכור שזה קפוא.
07:08
And so you can see here,
175
413000
2000
כאן ניתן לראות טכנולוגיה ישנה --
07:10
old-fashioned technology of the paintbrush being applied.
176
415000
2000
שימוש במברשת צבע.
07:12
We take a microscope slide.
177
417000
2000
לוקחים זכוכית נושאת
07:14
Then we very carefully melt onto the slide.
178
419000
3000
ומתיכים מתחתיה בזהירות.
07:17
This will then go onto a robot
179
422000
2000
אחר-כך זה מועבר לרובוט
07:19
that's going to apply one of those stains to it.
180
424000
3000
שיצבע אותו באחד הצבעים ההם.
07:26
And our anatomists are going to go in and take a deeper look at this.
181
431000
3000
חוקרי האנטומיה יבחנו את זה באופן יותר מעמיק.
07:29
So again this is what they can see under the microscope.
182
434000
2000
וזה מה שהם רואים תחת מיקרוסקופ.
07:31
You can see collections and configurations
183
436000
2000
ניתן לראות ריכוזים ומבנים
07:33
of large and small cells
184
438000
2000
של תאים גדולים וקטנים
07:35
in clusters and various places.
185
440000
2000
בקבוצות באזורים שונים.
07:37
And from there it's routine. They understand where to make these assignments.
186
442000
2000
מכאן זו עבודה שגרתית.
07:39
And they can make basically what's a reference atlas.
187
444000
3000
הם יכולים ליצור מין אטלס שהוא מראה-מקום.
07:42
This is a more detailed map.
188
447000
2000
זו מפה יותר מפורטת.
07:44
Our scientists then use this
189
449000
2000
המדענים שלנו משתמשים בזה
07:46
to go back to another piece of that tissue
190
451000
3000
כדי לחזור לפיסה אחרת מאותה ריקמה ולבצע
07:49
and do what's called laser scanning microdissection.
191
454000
2000
את מה שקרוי LMD.
07:51
So the technician takes the instructions.
192
456000
3000
הטכנאים לוקחים את ההוראות.
07:54
They scribe along a place there.
193
459000
2000
הם מסמנים לאורך האזור.
07:56
And then the laser actually cuts.
194
461000
2000
ואז הלייזר ממש חותך.
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
463000
3000
ניתן לראות את הנקודה הכחולה חותכת. ואותה ריקמה נופלת מטה.
08:01
You can see on the microscope slide here,
196
466000
2000
ניתן לראות זאת על הזכוכית הנושאת,
08:03
that's what's happening in real time.
197
468000
2000
שזה מה שקורה בזמן אמת.
08:05
There's a container underneath that's collecting that tissue.
198
470000
3000
ישנו מיכל למטה אשר קולט את הריקמה.
08:08
We take that tissue,
199
473000
2000
אנו לוקחים את הריקמה,
08:10
we purify the RNA out of it
200
475000
2000
מזקקים ממנה את ה-RNA
08:12
using some basic technology,
201
477000
2000
באמצעות טכנולוגיה פשוטה,
08:14
and then we put a florescent tag on it.
202
479000
2000
ואז מצמידים לה תג פלואורוצנטי.
08:16
We take that tagged material
203
481000
2000
אנו לוקחים את החומר המתוייג
08:18
and we put it on to something called a microarray.
204
483000
3000
ומניחים אותו על-גבי מה שנקרא מערך-מיקרו.
08:21
Now this may look like a bunch of dots to you,
205
486000
2000
זה עשוי להיראות לכם כאוסף של נקודות,
08:23
but each one of these individual dots
206
488000
2000
אבל כל אחת מהנקודות
08:25
is actually a unique piece of the human genome
207
490000
2000
היא למעשה גן אנושי ייחודי
08:27
that we spotted down on glass.
208
492000
2000
שניקדנו איתו את הזכוכית.
08:29
This has roughly 60,000 elements on it,
209
494000
3000
יש כאן בערך 60,000 נקודות, וזה אומר
08:32
so we repeatedly measure various genes
210
497000
3000
שאנו עושים מדידות חוזרות של גנים שונים
08:35
of the 25,000 genes in the genome.
211
500000
2000
מ-25,000 הגנים שבגנום.
08:37
And when we take a sample and we hybridize it to it,
212
502000
3000
כאשר אנו נוטלים דוגמית ומכליאים אותה עם זה,
08:40
we get a unique fingerprint, if you will,
213
505000
2000
אנו מקבלים טביעת-אצבע ייחודית
08:42
quantitatively of what genes are turned on in that sample.
214
507000
3000
כמותית של אילו גנים מופעלים באותה דוגמית.
08:45
Now we do this over and over again,
215
510000
2000
אנו עושים זאת שוב ושוב,
08:47
this process for any given brain.
216
512000
3000
את התהליך הזה לכל מוח נתון.
08:50
We're taking over a thousand samples for each brain.
217
515000
3000
אנו נוטלים יותר מאלף דוגמיות מכל מוח.
08:53
This area shown here is an area called the hippocampus.
218
518000
3000
אזור זה המוצג כאן נקרא היפוקמפוס.
08:56
It's involved in learning and memory.
219
521000
2000
הוא קשור בלמידה וזיכרון.
08:58
And it contributes to about 70 samples
220
523000
3000
הוא תורם לכ-70 דוגמיות
09:01
of those thousand samples.
221
526000
2000
מתוך אלף דוגמיות.
09:03
So each sample gets us about 50,000 data points
222
528000
4000
לכן כל דוגמית נותנת לנו כ-50,000 נקודות מידע
09:07
with repeat measurements, a thousand samples.
223
532000
3000
במדידות חוזרות, אלף דוגמיות.
09:10
So roughly, we have 50 million data points
224
535000
2000
לכן יש לנו כ- 50 מיליון נקודות מידע
09:12
for a given human brain.
225
537000
2000
למוח אנושי אחד.
09:14
We've done right now
226
539000
2000
עד עכשיו הספקנו לאסוף מידע
09:16
two human brains-worth of data.
227
541000
2000
השווה-ערך לשני מוחות אנושיים.
09:18
We've put all of that together
228
543000
2000
חיברנו את הכל ביחד
09:20
into one thing,
229
545000
2000
לדבר אחד,
09:22
and I'll show you what that synthesis looks like.
230
547000
2000
ואראה לכם כיצד נראה מיזוג זה.
09:24
It's basically a large data set of information
231
549000
3000
בעיקרון זה מערך גדול של מידע
09:27
that's all freely available to any scientist around the world.
232
552000
3000
הזמין חינם לכל מדען בעולם.
09:30
They don't even have to log in to come use this tool,
233
555000
3000
אין צורך אפילו להתחבר כדי להשתמש בכלי זה,
09:33
mine this data, find interesting things out with this.
234
558000
4000
לחפור במידע, למצוא עם זה דברים מעניינים.
09:37
So here's the modalities that we put together.
235
562000
3000
הנה האופנויות שאנו מחברים.
09:40
You'll start to recognize these things from what we've collected before.
236
565000
3000
תוכלו לזהות דברים אלה ממה שאספנו קודם.
09:43
Here's the MR. It provides the framework.
237
568000
2000
הנה ה-MR. הוא מספק את המסגרת.
09:45
There's an operator side on the right that allows you to turn,
238
570000
3000
שם מימין יש את הממשק למפעיל שמאפשר להטות,
09:48
it allows you to zoom in,
239
573000
2000
לבצע זום פנימה
09:50
it allows you to highlight individual structures.
240
575000
3000
ולהדגיש מבנים מסויימים.
09:53
But most importantly,
241
578000
2000
אבל הכי חשוב,
09:55
we're now mapping into this anatomic framework,
242
580000
3000
אנו ממפים היום את המערכת האנטומית הזאת,
09:58
which is a common framework for people to understand where genes are turned on.
243
583000
3000
שהיא המערכת המקובלת כדי שאנשים יבינו היכן הגנים מופעלים.
10:01
So the red levels
244
586000
2000
האזורים האדומים הם המקום
10:03
are where a gene is turned on to a great degree.
245
588000
2000
בו הגן מופעל ברמה גבוהה.
10:05
Green is the sort of cool areas where it's not turned on.
246
590000
3000
ירוק זה מין אזורים קרים בהם הוא אינו מופעל.
10:08
And each gene gives us a fingerprint.
247
593000
2000
כל גן נותן לנו טביעת-אצבע.
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
595000
5000
יש לזכור שבחנו את כל 25,000 הגנים שבגנום
10:15
and have all of that data available.
249
600000
4000
וכל המידע הזה זמין.
10:19
So what can scientists learn about this data?
250
604000
2000
מה יכולים המדענים ללמוד ממידע זה?
10:21
We're just starting to look at this data ourselves.
251
606000
3000
אנו בעצמנו רק מתחילים לחקור מידע זה.
10:24
There's some basic things that you would want to understand.
252
609000
3000
יש כמה דברים בסיסיים שהיינו רוצים להבין.
10:27
Two great examples are drugs,
253
612000
2000
שתי דוגמאות מצויינות הן של התרופות,
10:29
Prozac and Wellbutrin.
254
614000
2000
פרוזאק וולבוטרין.
10:31
These are commonly prescribed antidepressants.
255
616000
3000
אלה תרופות שכיחות נגד דיכאון.
10:34
Now remember, we're assaying genes.
256
619000
2000
יש לזכור שאנו בוחנים גנים.
10:36
Genes send the instructions to make proteins.
257
621000
3000
גנים שולחים את ההוראות ליצירת חלבונים.
10:39
Proteins are targets for drugs.
258
624000
2000
חלבונים הם מטרות של תרופות.
10:41
So drugs bind to proteins
259
626000
2000
תרופות מתחברות לחלבונים
10:43
and either turn them off, etc.
260
628000
2000
ובין היתר מפסיקות את פעילותם וכו'.
10:45
So if you want to understand the action of drugs,
261
630000
2000
לכן אם רוצים להבין את פעולת התרופות,
10:47
you want to understand how they're acting in the ways you want them to,
262
632000
3000
צריך להבין כיצד הן פועלות בדרכים שאנו רוצים שיפעלו,
10:50
and also in the ways you don't want them to.
263
635000
2000
וגם בדרכים שאין אנו חפצים בהן.
10:52
In the side effect profile, etc.,
264
637000
2000
בתופעות לוואי וכו',
10:54
you want to see where those genes are turned on.
265
639000
2000
רוצים לראות היכן אותם גנים מופעלים.
10:56
And for the first time, we can actually do that.
266
641000
2000
ולראשונה, אנו ממש יכולים לבצע זאת.
10:58
We can do that in multiple individuals that we've assayed too.
267
643000
3000
אנו גם יכולים לעשות זאת באנשים רבים שבחנו.
11:01
So now we can look throughout the brain.
268
646000
3000
כעת אנו יכולים להסתכל אל תוך המוח.
11:04
We can see this unique fingerprint.
269
649000
2000
אנו יכולים לראות את טביעת-האצבע הייחודית.
11:06
And we get confirmation.
270
651000
2000
ואנו גם מקבלים אישור לכך.
11:08
We get confirmation that, indeed, the gene is turned on --
271
653000
3000
אנו מקבלים אישור שאכן הגן הופעל --
11:11
for something like Prozac,
272
656000
2000
בגלל משהו כמו פרוזאק,
11:13
in serotonergic structures, things that are already known be affected --
273
658000
3000
במערכות של סרוטונין, אפקט שכבר מוכר לנו --
11:16
but we also get to see the whole thing.
274
661000
2000
אבל אנו גם מצליחים לראות את התמונה כולה.
11:18
We also get to see areas that no one has ever looked at before,
275
663000
2000
אנו גם מצליחים לראות אזורים שאף אחד לא בחן מעולם,
11:20
and we see these genes turned on there.
276
665000
2000
ואנו יכולים לראות את הגנים האלה מופעלים שם.
11:22
It's as interesting a side effect as it could be.
277
667000
3000
זו תופעת לוואי מעניינת.
11:25
One other thing you can do with such a thing
278
670000
2000
דבר נוסף שניתן לעשות עם זה,
11:27
is you can, because it's a pattern matching exercise,
279
672000
3000
בגלל שזה תרגיל בהתאמת תבניות,
11:30
because there's unique fingerprint,
280
675000
2000
כי יש טביעת-אצבע ייחודית,
11:32
we can actually scan through the entire genome
281
677000
2000
אנו יכולים לסרוק את כל הגנום
11:34
and find other proteins
282
679000
2000
ולמצוא חלבונים אחרים
11:36
that show a similar fingerprint.
283
681000
2000
המראים אותה טביעת-אצבע.
11:38
So if you're in drug discovery, for example,
284
683000
3000
כך לדוגמא אם רוצים לגלות תרופות חדשות,
11:41
you can go through
285
686000
2000
ניתן לעבור על כל הרשימה
11:43
an entire listing of what the genome has on offer
286
688000
2000
של מה שהגנום יכול לתת
11:45
to find perhaps better drug targets and optimize.
287
690000
4000
כדי לאתר אולי מטרות עדיפות עבור התרופות ולהפיק מהן את המירב.
11:49
Most of you are probably familiar
288
694000
2000
רבים מכם ודאי מכירים
11:51
with genome-wide association studies
289
696000
2000
מחקרי גנום מלא GWAS בצורת
11:53
in the form of people covering in the news
290
698000
3000
התאמות מכלילות של גנום כאשר שדרי חדשות מספרים
11:56
saying, "Scientists have recently discovered the gene or genes
291
701000
3000
"מדענים גילו לאחרונה את הגן או הגנים
11:59
which affect X."
292
704000
2000
המשפיעים על X".
12:01
And so these kinds of studies
293
706000
2000
מחקרים מהסוג הזה
12:03
are routinely published by scientists
294
708000
2000
מתפרסמים כשיגרה על-ידי המדענים
12:05
and they're great. They analyze large populations.
295
710000
2000
וזה טוב. הם מנתחים אוכלוסיות גדולות.
12:07
They look at their entire genomes,
296
712000
2000
הם מסתכלים על הגנום השלם שלהם,
12:09
and they try to find hot spots of activity
297
714000
2000
ומחפשים אזורי פעילות "חמים"
12:11
that are linked causally to genes.
298
716000
3000
הקשורים באופן סיבתי לגנים.
12:14
But what you get out of such an exercise
299
719000
2000
אבל מה שמתקבל ממחקר כזה
12:16
is simply a list of genes.
300
721000
2000
זו רק רשימה של גנים.
12:18
It tells you the what, but it doesn't tell you the where.
301
723000
3000
היא אומרת לנו מה, אבל לא היכן.
12:21
And so it's very important for those researchers
302
726000
3000
לכן זה מאוד חשוב לחוקרים אלה
12:24
that we've created this resource.
303
729000
2000
שיצרנו את המאגר הזה.
12:26
Now they can come in
304
731000
2000
כעת הם יכולים לבוא
12:28
and they can start to get clues about activity.
305
733000
2000
ולהתחיל לקבל רמזים לגבי פעילות.
12:30
They can start to look at common pathways --
306
735000
2000
הם יכולים להסתכל על מסלולים משותפים --
12:32
other things that they simply haven't been able to do before.
307
737000
3000
דברים שהם פשוט לא יכלו לעשות קודם.
12:36
So I think this audience in particular
308
741000
3000
אני חושב שקהל זה במיוחד
12:39
can understand the importance of individuality.
309
744000
3000
יכול להבין את חשיבות האינדיבידואליות.
12:42
And I think every human,
310
747000
2000
אני סבור שלכל אדם
12:44
we all have different genetic backgrounds,
311
749000
4000
יש רקע גנטי שונה,
12:48
we all have lived separate lives.
312
753000
2000
כולנו חיינו חיים נפרדים זה מזה.
12:50
But the fact is
313
755000
2000
אבל העובדה היא
12:52
our genomes are greater than 99 percent similar.
314
757000
3000
שהגנומים שלנו זהים ביותר מ-99 אחוז.
12:55
We're similar at the genetic level.
315
760000
3000
אנו דומים ברמה הגנטית.
12:58
And what we're finding
316
763000
2000
ומה שאנו מוצאים, שלמעשה,
13:00
is actually, even at the brain biochemical level,
317
765000
2000
אפילו ברמה הביוכימית של המוח,
13:02
we are quite similar.
318
767000
2000
אנו די דומים.
13:04
And so this shows it's not 99 percent,
319
769000
2000
כאן רואים שזה לא 99 אחוז,
13:06
but it's roughly 90 percent correspondence
320
771000
2000
אלא בקירוב 90 אחוז של התאמה
13:08
at a reasonable cutoff,
321
773000
3000
בחתך מייצג, כך שהכל בתוך
13:11
so everything in the cloud is roughly correlated.
322
776000
2000
הענן די תואם אחד לשני.
13:13
And then we find some outliers,
323
778000
2000
אבל אנו מוצאים כמה מחוץ לתחום,
13:15
some things that lie beyond the cloud.
324
780000
3000
כמה הנמצאים מחוץ לענן.
13:18
And those genes are interesting,
325
783000
2000
הגנים הללו מעוררים עניין,
13:20
but they're very subtle.
326
785000
2000
אבל ההבדלים מאוד עדינים.
13:22
So I think it's an important message
327
787000
3000
לכן אני סבור שזה מסר חשוב
13:25
to take home today
328
790000
2000
לקחת היום הביתה
13:27
that even though we celebrate all of our differences,
329
792000
3000
והוא שלמרות שאנו משבחים את הנבדלות בינינו,
13:30
we are quite similar
330
795000
2000
אנו די דומים
13:32
even at the brain level.
331
797000
2000
אפילו ברמת המוח.
13:34
Now what do those differences look like?
332
799000
2000
איך נראים ההבדלים הללו?
13:36
This is an example of a study that we did
333
801000
2000
זוהי דוגמא למחקר שעשינו
13:38
to follow up and see what exactly those differences were --
334
803000
2000
כדי לעקוב ולראות מה הם בדיוק ההבדלים --
13:40
and they're quite subtle.
335
805000
2000
והם די עדינים.
13:42
These are things where genes are turned on in an individual cell type.
336
807000
4000
אלה הם הדברים בגללם גנים מתעוררים בתאים מסויימים בלבד.
13:46
These are two genes that we found as good examples.
337
811000
3000
אלה הם שני גנים שמצאנו כדוגמאות טובות.
13:49
One is called RELN -- it's involved in early developmental cues.
338
814000
3000
אחד נקרא RELN -- קשור באותות התפתחותיים מוקדמים.
13:52
DISC1 is a gene
339
817000
2000
DISC1 הוא גן
13:54
that's deleted in schizophrenia.
340
819000
2000
שנשמט בסכיזופרניה.
13:56
These aren't schizophrenic individuals,
341
821000
2000
אלה לא אנשים סכיזופרניים,
13:58
but they do show some population variation.
342
823000
3000
אבל הם כן מציגים שוני מהאוכלוסיה הרגילה.
14:01
And so what you're looking at here
343
826000
2000
אז מה שרואים כאן
14:03
in donor one and donor four,
344
828000
2000
בתורם 1 ותורם 4,
14:05
which are the exceptions to the other two,
345
830000
2000
שהם שונים משני האחרים,
14:07
that genes are being turned on
346
832000
2000
שגנים מופעלים
14:09
in a very specific subset of cells.
347
834000
2000
במערכות-מישנה מאוד מסויימות של תאים.
14:11
It's this dark purple precipitate within the cell
348
836000
3000
אלה הכתמים הכהים הסגולים בתוך התא
14:14
that's telling us a gene is turned on there.
349
839000
3000
האומרים לנו שגן הופעל שם.
14:17
Whether or not that's due
350
842000
2000
אם זה בגלל הרקע הגנטי של אותו אדם
14:19
to an individual's genetic background or their experiences,
351
844000
2000
או בגלל חוויותיו,
14:21
we don't know.
352
846000
2000
איננו יודעים.
14:23
Those kinds of studies require much larger populations.
353
848000
3000
מחקרים כאלה דורשים אוכלוסיות הרבה יותר גדולות.
14:28
So I'm going to leave you with a final note
354
853000
2000
לסיום אשאיר אתכם עם הערה אחרונה
14:30
about the complexity of the brain
355
855000
3000
על מורכבות המוח
14:33
and how much more we have to go.
356
858000
2000
ועד כמה הרבה עוד עלינו לעבור.
14:35
I think these resources are incredibly valuable.
357
860000
2000
אני סבור שמאגרי מידע אלה חשובים עד מאוד.
14:37
They give researchers a handle
358
862000
2000
הם נותנים לחוקרים כיוון
14:39
on where to go.
359
864000
2000
לאן להתקדם.
14:41
But we only looked at a handful of individuals at this point.
360
866000
3000
אבל בדקנו רק קומץ אנשים בשלב זה.
14:44
We're certainly going to be looking at more.
361
869000
2000
בטוח שנבדוק עוד.
14:46
I'll just close by saying
362
871000
2000
אסיים באומרי
14:48
that the tools are there,
363
873000
2000
שהכלים כבר קיימים,
14:50
and this is truly an unexplored, undiscovered continent.
364
875000
4000
וזוהי באמת יבשת שלמה שעדיין לא נתגלתה ולא נחקרה.
14:54
This is the new frontier, if you will.
365
879000
4000
אם תרצו, זוהי החזית החדשה.
14:58
And so for those who are undaunted,
366
883000
2000
ולכן עבור כל אלה העשויים ללא חת
15:00
but humbled by the complexity of the brain,
367
885000
2000
אבל חשים ענווה מול מורכבות המוח,
15:02
the future awaits.
368
887000
2000
העתיד מחכה לכם.
15:04
Thanks.
369
889000
2000
תודה.
15:06
(Applause)
370
891000
9000
(מחיאות כפיים)
ABOUT THE SPEAKER
Allan Jones - Brain scientistAs CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.
Why you should listen
The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.
Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.
He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."
Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>
Allan Jones | Speaker | TED.com