TED2016
Riccardo Sabatini: How to read the genome and build a human being
ריקרדו סבטיני: כיצד לקרוא את הגנום ולבנות אדם
Filmed:
Readability: 3.6
1,834,677 views
סודות, מחלה ויופי נכתבים כולם בגנום האנושי, המערכת השלמה של הוראות גנטיות הדרושות כדי לבנות אדם. עכשיו, כפי שהמדען והיזם ריקרדו סבטיני מראה לנו, יש לנו את היכולת לקרוא את הקוד המורכב הזה, שחוזה דברים כמו גובה, צבע עיניים, גיל, ואפילו מבנה פנים - הכל מתוך מבחנה של דם. ובקרוב, סבטיני אומר, ההבנה החדשה שלנו של הגנום תאפשר לנו לבצע טיפולים מותאמים אישית במחלות כמו סרטן. יש לנו את הכוח לשנות חיים כפי שאנו מכירים אותם. איך נשתמש בזה?
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Double-click the English transcript below to play the video.
00:12
For the next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
במשך 16 הדקות הבאות,
אני הולך לקחת אתכם למסע
אני הולך לקחת אתכם למסע
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
שהוא כנראה החלום הגדול ביותר
של האנושות:
של האנושות:
00:18
to understand the code of life.
2
6508
2015
להבין את הקוד של החיים.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
אז בשבילי, הכל התחיל לפני שנים
רבות מאוד.
רבות מאוד.
00:23
when I met the first 3D printer.
4
11839
2723
כשפגשתי את מדפסת התלת-מימד הראשונה.
00:26
The concept was fascinating.
5
14586
1674
הרעיון היה מרתק.
00:28
A 3D printer needs three elements:
6
16284
2022
מדפסת תלת-מימד צריכה שלושה אלמנטים:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
קצת מידע, כמה
חומר גלם, אנרגיה מסוימת,
חומר גלם, אנרגיה מסוימת,
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
וזה יכול לייצר כל אובייקט
שלא היה שם קודם.
שלא היה שם קודם.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
עסקתי בפיזיקה, חזרתי הביתה
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
והבנתי שאני בעצם
תמיד הכרתי מדפסת תלת-מימד.
תמיד הכרתי מדפסת תלת-מימד.
00:44
And everyone does.
11
32140
1336
וכל אחד מכיר.
00:45
It was my mom.
12
33500
1158
זו היתה אמא שלי.
00:46
(Laughter)
13
34682
1001
(צחוק)
00:47
My mom takes three elements:
14
35707
2414
לאמי נחוצים שלושה אלמנטים:
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
קצת מידע, שהוא בין
אבי ואמי במקרה זה,
אבי ואמי במקרה זה,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
אלמנטים של גלם ואנרגיה באותה
מדיה, זהו מזון.
מדיה, זהו מזון.
00:58
and after several months, produces me.
17
46323
2508
ולאחר כמה חודשים, מייצרת אותי.
01:00
And I was not existent before.
18
48855
1812
ולא הייתי קיים לפני כן.
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
אז מלבד ההלם של אמא שלי
שמגלה שהיא מדפסת 3D,
שמגלה שהיא מדפסת 3D,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
אני מייד הוקסמתי מדבר זה.
01:11
the first one, the information.
21
59239
1717
הראשון, המידע.
01:12
What amount of information does it take
22
60980
2251
מהי כמות המידע הנחוצה
01:15
to build and assemble a human?
23
63255
1936
לבנות ולהרכיב אדם?
01:17
Is it much? Is it little?
24
65215
1574
האם זה הרבה? האם מעט?
01:18
How many thumb drives can you fill?
25
66813
2180
כמה כוננים קשיחים אתם יכולים למלא?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
ובכן, למדתי פיזיקה בהתחלה
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
ולקחתי אומדן בקירוב זה של אדם
כפיסת לגו ענקית.
כפיסת לגו ענקית.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
אז דמיינו שאבני הבניין הם
אטומים קטנים
אטומים קטנים
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
ויש מימן כאן, פחמן כאן, חנקן כאן.
01:37
So in the first approximation,
30
85772
1571
אז באומדן בקירוב הראשון,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
אם אני יכול למנות את מספר האטומים
שמרכיבים בן אדם,
שמרכיבים בן אדם,
01:43
I can build it.
32
91734
1387
אני יכול לבנות את זה.
01:45
Now, you can run some numbers
33
93145
2029
כעת, אתם יכולים להריץ כמה מספרים
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
וזה יהיה מספר די מדהים,
01:50
So the number of atoms,
35
98499
2757
אז מספר האטומים,
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
הקובץ שאני אשמור בכונן הקשיח כדי
להרכיב תינוק קטן,
להרכיב תינוק קטן,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
ימלא למעשה טיטאניק שלם
של כוננים קשיחים,
של כוננים קשיחים,
02:02
multiplied 2,000 times.
38
110750
2718
מוכפל פי אלפיים.
02:05
This is the miracle of life.
39
113957
3401
זהו פלא החיים.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
בכל פעם, מעתה והלאה, שאתם
רואים גברת בהריון,
רואים גברת בהריון,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
היא מרכיבה את כמות המידע
הגדולה ביותר
הגדולה ביותר
02:14
that you will ever encounter.
42
122898
1556
שתיתקלו בה אי פעם.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
שיכחו את הנתונים הרבים, שיכחו את
כל מה ששמעתם עליו
כל מה ששמעתם עליו
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
זוהי הכמות הגדולה ביותר של
נתונים שקיימת.
נתונים שקיימת.
02:22
(Applause)
45
130357
3833
(תשואות)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
אבל הטבע, למרבה המזל, הרבה יותר חכם
מפיזיקאי צעיר,
מפיזיקאי צעיר,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
ובארבעה מיליארד שנים, הצליח
לארוז את המידע הזה
לארוז את המידע הזה
02:34
in a small crystal we call DNA.
48
142482
2705
בגביש קטן שאנו קוראים לו DNA.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
פגשנו אותו בפעם הראשונה ב-1950
כשרוזלינד פרנקלין,
כשרוזלינד פרנקלין,
02:41
an amazing scientist, a woman,
50
149941
1556
מדענית מדהימה, אישה,
02:43
took a picture of it.
51
151521
1389
צילמה אותו.
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
אבל זה לקח לנו יותר מ -40 שנים
לתקוע לבסוף בתוך תא אנושי,
לתקוע לבסוף בתוך תא אנושי,
02:50
take out this crystal,
53
158146
1602
להוציא את הגביש הזה,
02:51
unroll it, and read it for the first time.
54
159772
3080
לגולל אותו, ולקרוא אותו בפעם הראשונה.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
הקוד מופיע כאלפבית פשוט למדי
02:58
four letters: A, T, C and G.
56
166880
3772
ארבע אותיות: ,A,T,C,ַַ & G
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
וכדי לבנות אדם צריך שלושה
מיליארד מהם.
מיליארד מהם.
03:06
Three billion.
58
174933
1179
שלושה מיליארד.
03:08
How many are three billion?
59
176136
1579
כמה הם שלושה מיליארד?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
זה לא באמת נראה כמו מספר
הגיוני, נכון?
הגיוני, נכון?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
אז חשבתי איך
יכולתי להסביר את עצמי טוב יותר
יכולתי להסביר את עצמי טוב יותר
03:16
about how big and enormous this code is.
62
184634
3050
כמה גדול וענק הוא קוד זה.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
אבל יש - אני מתכוון,
הולכת להיות לי קצת עזרה,
הולכת להיות לי קצת עזרה,
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
והאדם המתאים ביותר לעזור לי
להציג את הקוד
להציג את הקוד
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
הוא למעשה האדם הראשון
שערך רצף זה, ד"ר קרייג ונטר.
שערך רצף זה, ד"ר קרייג ונטר.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
אז ברוך הבא לבמה ד"ר קרייג ונטר.
03:32
(Applause)
67
200997
6931
(תשואות)
03:39
Not the man in the flesh,
68
207952
2256
לא האיש עצמו,
03:43
but for the first time in history,
69
211448
2345
אבל בפעם הראשונה בהיסטוריה,
03:45
this is the genome of a specific human,
70
213817
3462
זה הגנום המבוקש של אדם מסוים,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
שמודפס דף אחר דף, אות אחר אות:
03:53
262,000 pages of information,
72
221087
3996
262,000 עמודים של מידע,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 ק"ג, שנשלחו
מארצות הברית לקנדה
מארצות הברית לקנדה
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
בזכות ברונו באודן,
Lulu.com, חברת סטארט-אפ, עשתה הכל.
Lulu.com, חברת סטארט-אפ, עשתה הכל.
04:06
It was an amazing feat.
75
234362
1463
זה היה הישג מדהים.
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
אבל זוהי התפיסה החזותית
של מה הוא הקוד של חיים.
של מה הוא הקוד של חיים.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
ועכשיו, בפעם הראשונה,
אני יכול לעשות משהו מהנה.
אני יכול לעשות משהו מהנה.
04:14
I can actually poke inside it and read.
78
242672
2547
אני יכול למעשה לנבור בתוכו ולקרוא.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
אז תנו לי לקחת ספר מעניין ... כמו זה.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
יש לי הערה;
זה ספר די גדול.
זה ספר די גדול.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
אז רק כדי שתוכלו לראות
מהו הקוד של החיים.
מהו הקוד של החיים.
04:32
Thousands and thousands and thousands
82
260566
3391
אלפים על אלפים ואלפים
04:35
and millions of letters.
83
263981
2670
ומיליוני אותיות.
04:38
And they apparently make sense.
84
266675
2396
והם כנראה הגיוניים.
04:41
Let's get to a specific part.
85
269095
1757
בואו ונגיע לחלק מסוים.
04:43
Let me read it to you:
86
271571
1362
תנו לי להקריא לכם אותו;
04:44
(Laughter)
87
272957
1021
(צחוק)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it sounds like mute letters,
89
278965
2067
לכם זה נשמע כמו אותיות אילמות,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
אבל רצף זה נותן
את צבע העיניים לקרייג.
את צבע העיניים לקרייג.
04:57
I'll show you another part of the book.
91
285633
1932
אני אראה לכם עוד חלק מהספר.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
זה למעשה קצת
יותר מסובך.
יותר מסובך.
05:02
Chromosome 14, book 132:
93
290983
2647
כרומוזום 14, בספר 132:
05:05
(Laughter)
94
293654
2090
(צחוק)
05:07
As you might expect.
95
295768
1277
כפי שהיה אפשר לצפות.
05:09
(Laughter)
96
297069
3466
(צחוק)
05:14
"ATT, CTT, GATT."
97
302857
4507
".ATT, CTT, GATT."
05:20
This human is lucky,
98
308329
1687
אדם זה הוא בר מזל,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
כי אם תפספסו רק 2 אותיות במיקום הזה --
05:26
two letters of our three billion --
100
314581
1877
שתי אותיות מתוך שלושת המיליארד שלנו --
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
הוא יהיה נידון למחלה איומה:
05:30
cystic fibrosis.
102
318525
1440
סיסטיק פיברוזיס (בעברית: לַיֶּפֶת כִּיסְתִית).
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
אין לנו תרופה לזה,
אנחנו לא יודעים לרפא את זה,
אנחנו לא יודעים לרפא את זה,
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
ורק שתי אותיות מבדילות בין
מה שהננו.
מה שהננו.
05:39
A wonderful book, a mighty book,
105
327585
2705
ספר נפלא, ספר אדיר,
05:43
a mighty book that helped me understand
106
331115
1998
ספר אדיר שעזר לי להבין
05:45
and show you something quite remarkable.
107
333137
2753
ולהראות לכם משהו די מדהים.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
כל אחד מכם -- מה שעושה אותי,
אותי ואותכם, אותכם --
אותי ואותכם, אותכם --
05:52
is just about five million of these,
109
340939
2954
זם רק כחמישה מיליון מאלה,
05:55
half a book.
110
343917
1228
חצי ספר.
05:58
For the rest,
111
346015
1663
באשר לשאר,
05:59
we are all absolutely identical.
112
347702
2562
כולנו זהים לחלוטין.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
חמש מאות עמודים הם
נס החיים שהוא אתם.
נס החיים שהוא אתם.
06:07
The rest, we all share it.
114
355050
2531
את השאר, כולנו חולקים.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
אז תחשבו על זה שוב
כשאנחנו חושבים שאנחנו שונים.
כשאנחנו חושבים שאנחנו שונים.
06:12
This is the amount that we share.
116
360538
2221
זוהי הכמות שאנו חולקים.
06:15
So now that I have your attention,
117
363441
3429
אז עכשיו כשקיבלתי את
תשומת הלב שלכם,
תשומת הלב שלכם,
06:18
the next question is:
118
366894
1359
השאלה הבאה היא:
06:20
How do I read it?
119
368277
1151
איך אני קורא את זה?
06:21
How do I make sense out of it?
120
369452
1509
איך אני מוצא בזה היגיון?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
ובכן, עד כמה שתוכלו להיות טובים
בהרכבת רהיטים שוודיים,
בהרכבת רהיטים שוודיים,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
את חוברת ההוראות הזו בחיים לא
תוכלו לפצח.
תוכלו לפצח.
06:31
(Laughter)
123
379260
1603
(צחוק)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
וכך, ב 2014, שני טדסטרים
מפורסמים,
מפורסמים,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
פיטר דיאמנדיס וקרייג ונטר עצמו,
06:38
decided to assemble a new company.
126
386587
1927
החליטו לייסד חברה חדשה,
06:40
Human Longevity was born,
127
388538
1412
"אריכות ימי אדם" נולדה,
06:41
with one mission:
128
389974
1370
עם משימה אחת
06:43
trying everything we can try
129
391368
1861
מנסים את כל מה שאנו יכולים
לעשות
לעשות
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
ולומדים כל מה שאנו יכולים ללמוד
מן הספרים האלה,
מן הספרים האלה,
06:48
with one target --
131
396036
1705
במטרה אחת --
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
להגשים את החלום של
רפואה אישית,
רפואה אישית,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
להבין אילו דברים צריכים להיעשות
כדי לזכות בבריאות טובה יותר
כדי לזכות בבריאות טובה יותר
06:57
and what are the secrets in these books.
134
405478
2283
ומה הם הסודות בספרים האלה.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
צוות מדהים, 40 מדעני נתונים
הרבה, הרבה יותר אנשים,
הרבה, הרבה יותר אנשים,
07:04
a pleasure to work with.
136
412603
1350
שתענוג לעבוד איתם.
07:05
The concept is actually very simple.
137
413977
2253
הרעיון הוא למעשה מאוד פשוט.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
אנחנו הולכים להשתמש בטכנולוגיה
שנקראת למידת מכונה.
שנקראת למידת מכונה.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
מצד אחד יש לנו גנומים -
אלפים מהם
אלפים מהם
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
מהצד השני, אספנו את מסד
הנתונים הגדול ביותר של בני אדם:
הנתונים הגדול ביותר של בני אדם:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
פנוטיפים, סריקת 3D, תמ"ג -
כל מה שאתם יכולים לחשוב עליו.
כל מה שאתם יכולים לחשוב עליו.
07:24
Inside there, on these two opposite sides,
142
432340
2899
בפנים שם, על שני צדדים
מנוגדים אלה,
מנוגדים אלה,
07:27
there is the secret of translation.
143
435263
2442
ישנו סוד התרגום.
07:29
And in the middle, we build a machine.
144
437729
2472
ובאמצע אנו בונים מכונה.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
אנחנו בונים מכונה
ואנחנו מאמנים מכונה
ואנחנו מאמנים מכונה
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
טוב, לא בדיוק מכונה אחת,
הרבה, הרבה מכונות --
הרבה, הרבה מכונות --
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
לנסות להבין ולתרגם את
הגנום בפנוטיפ.
הגנום בפנוטיפ.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
מהן האותיות האלו, ומה
הן עושות?
הן עושות?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
זו גישה שיכולה לשמש לכל דבר,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
אבל להשתמש בה בגנומיקה
זה מסובך במיוחד.
זה מסובך במיוחד.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
לאט לאט גדלנו ורצינו
לבנות אתגרים שונים.
לבנות אתגרים שונים.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
התחלנו מההתחלה,
מתכונות משותפות לכולם.
מתכונות משותפות לכולם.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
תכונות שכיחות הן נוחות
כי הן נפוצות,
כי הן נפוצות,
08:01
everyone has them.
154
469197
1184
לכולם יש אותן.
08:02
So we started to ask our questions:
155
470405
2494
אז התחלנו לשאול
את השאלות שלנו:
את השאלות שלנו:
08:04
Can we predict height?
156
472923
1380
האם נוכל לחזות גובה?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
האם נוכל לקרוא את הספרים
ולחזות את הגובה שלכם?
ולחזות את הגובה שלכם?
08:09
Well, we actually can,
158
477186
1151
ובכן, אנו למעשה יכולים,
08:10
with five centimeters of precision.
159
478361
1793
עם חמישה סנטימטרים של דיוק.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
BMI תלוי למדי
באורח החיים שלכם,
באורח החיים שלכם,
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
אבל אנחנו עדיין יכולים, אנו מקבלים בקירוב,
8 קילוגרמים של דיוק.
8 קילוגרמים של דיוק.
08:19
Can we predict eye color?
162
487225
1231
האם נוכל לחזות צבע עיניים?
08:20
Yeah, we can.
163
488480
1158
כן, אנחנו יכולים.
08:21
Eighty percent accuracy.
164
489662
1324
80 אחוזים דיוק.
08:23
Can we predict skin color?
165
491466
1858
האם נוכל לחזות צבע עור?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
כן אנחנו יכולים, דיוק של 80 אחוז.
08:27
Can we predict age?
167
495813
1340
האם נוכל לחזות גיל?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
אנחנו יכולים, כי ככל הנראה,
הקוד משתנה במהלך חייכם.
הקוד משתנה במהלך חייכם.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
זה הולך ומתקצר, אתם מאבדים
פיסות, מתקבלות תוספות.
פיסות, מתקבלות תוספות.
08:37
We read the signals, and we make a model.
170
505190
2555
אנו קוראים את האותות ואנחנו
עושים מודל.
עושים מודל.
08:40
Now, an interesting challenge:
171
508438
1475
עכשיו, אתגר מעניין:
08:41
Can we predict a human face?
172
509937
1729
האם נוכל לחזות פרצוף אנושי?
08:45
It's a little complicated,
173
513014
1278
זה קצת מסובך,
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
כי פרצוף אנושי מפוזר בין
מיליוני אותיות אלו.
מיליוני אותיות אלו.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
ופרצוף אנושי אינו
אובייקט מוגדר היטב מאוד.
אובייקט מוגדר היטב מאוד.
08:52
So, we had to build an entire tier of it
176
520184
2051
אז היינו נאלצים לבנות נדבך
שלם של זה
שלם של זה
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
ללמוד וללמד את המכונה
מה זה פרצוף,
מה זה פרצוף,
08:56
and embed and compress it.
178
524993
2037
ולהטביע ולכבוש אותו.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
ואם אתם מרגישים נוח עם
למידת מכונה,
למידת מכונה,
09:01
you understand what the challenge is here.
180
529326
2284
אתם מבינים מהו האתגר כאן.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
עכשיו, לאחר 15 שנים, אנו קוראים
את הרצף הראשון --
את הרצף הראשון --
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
באוקטובר זה התחלנו לראות כמה
אותות.
אותות.
09:13
And it was a very emotional moment.
183
541049
2455
וזה היה רגע מאוד מרגש.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
מה שאתם רואים כאן הוא נושא
שעולה במעבדה שלנו.
שעולה במעבדה שלנו.
09:19
This is a face for us.
185
547619
1928
זהו פרצוף בשבילנו.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
אז אנחנו לוקחים פרצוף אמיתי של סובייקט,
אנו מפחיתים את מורכבותו,
אנו מפחיתים את מורכבותו,
09:25
because not everything is in your face --
187
553226
1970
מפני שלא הכל נמצא בפרצופכם --
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
הרבה תכונות ופגמים ואסימטריות
מגיעים מחייכם.
מגיעים מחייכם.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
אנחנו יוצרים סימטריה בפנים,
ומריצים את האלגוריתם שלנו
ומריצים את האלגוריתם שלנו
09:35
The results that I show you right now,
190
563245
1898
התוצאות שאני מראה לכם
ממש כעת
ממש כעת
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
הם התחזית שיש לנו מתוך הדם.
09:41
(Applause)
192
569596
1524
(תשואות)
09:43
Wait a second.
193
571144
1435
חכו שנייה.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
בשניות אלו עיניכם צופות,
שמאל וימין, ימין ושמאל,
שמאל וימין, ימין ושמאל,
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
והמוח שלכם רוצה שהתמונות
האלו יהי זהות.
האלו יהי זהות.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
אז אני מבקש מכם לעשות
תרגיל אחר, אם להיות כנה.
תרגיל אחר, אם להיות כנה.
09:55
Please search for the differences,
197
583743
2287
בבקשה חפשו את ההבדלים,
09:58
which are many.
198
586054
1361
שהם רבים,
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
הכמות הגדולה ביותר של אותות
מגיעה מהמגדר,
מגיעה מהמגדר,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
ואז יש גיל, BMI,
הרכיב האתני של אדם.
הרכיב האתני של אדם.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
ומדרוג מעל האות הזה הוא הרבה
יותר מסובך.
יותר מסובך.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
אבל מה שאתם רואים כאן,
אפילו בהבדלים,
אפילו בהבדלים,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
נותן לכם להבין שאנחנו נמצאים
במגרש הנכון,
במגרש הנכון,
10:17
that we are getting closer.
204
605919
1348
שאנחנו מתקרבים
10:19
And it's already giving you some emotions.
205
607291
2349
וזה כבר מעורר בכם כמה רגשות,
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
זה נושא אחר שמוצא את מקומו,
10:24
and this is a prediction.
207
612391
1409
וזו תחזית.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
בפנים קצת יותר קטנים , לא
קיבלנו את מבנה הגולגולת השלם,
קיבלנו את מבנה הגולגולת השלם,
10:30
but still, it's in the ballpark.
209
618444
2651
אבל עדיין זה במגרש.
10:33
This is a subject that comes in our lab,
210
621634
2224
זהו נושא שעולה במעבדה שלנו,
10:35
and this is the prediction.
211
623882
1443
וזו התחזית.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
אז אנשים אלה מעולם לא נראו
באימון של המכונה.
באימון של המכונה.
10:42
These are the so-called "held-out" set.
213
630756
2837
אלה הם מי שנקראים
קבוצה ב"השהייה".
קבוצה ב"השהייה".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
אבל אלה הם אנשים שבהם אתם
לעולם לא תאמינו.
לעולם לא תאמינו.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
אנחנו מפרסמים הכל בפרסום
מדעי,
מדעי,
10:52
you can read it.
216
640081
1151
אתם יכולים לקרוא את זה.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
אבל מאחר ואנחנו על הבמה,
כריס אתגר אותי.
כריס אתגר אותי.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
אני כנראה חשפתי את עצמי
וניסיתי לחזות
וניסיתי לחזות
10:59
someone that you might recognize.
219
647274
2831
מישהו שאתם עשויים לזהות.
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
אז במבחנה זו של דם --
והאמינו לי, אין לכם שום מושג
והאמינו לי, אין לכם שום מושג
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
מה שהיינו צריכים לעשות כדי שיהיה לנו
את הדם הזה עכשיו, כאן -
את הדם הזה עכשיו, כאן -
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
במבחנה זו של דם ישנה כמות של מידע ביולוגי
11:13
that we need to do a full genome sequence.
223
661748
2277
שאנחנו צריכים כדי לייצר רצף מלא
של גנום.
של גנום.
11:16
We just need this amount.
224
664049
2070
אנו רק צריכים את הסכום הזה.
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
הרצנו את הרצף הזה, ואני הולך
לעשות את זה אתכם.
לעשות את זה אתכם.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
והתחלנו לרבד את כל ההבנה שיש לנו.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
במבחנת הדם, צפינו שזה זכר.
11:29
And the subject is a male.
228
677134
1364
והסובייקט הוא זכר.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
צפינו שגובהו מטר ו-76 ס"מ.
11:33
The subject is a meter and 77 cm.
230
681458
2392
והסובייקט הוא 77 ס"מ.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
אז צפינו שהוא בן 76:
הסובייקט בן 82.
הסובייקט בן 82.
11:40
We predict his age, 38.
232
688701
2632
צפינו שגילו הוא 38.
11:43
The subject is 35.
233
691357
1904
הסובייקט בן 35.
11:45
We predict his eye color.
234
693851
2124
אנו צופים את צבע עיניו.
11:48
Too dark.
235
696824
1211
כהה מדי.
11:50
We predict his skin color.
236
698059
1555
אנו צופים את צבע עורו.
11:52
We are almost there.
237
700026
1410
אנחנו כמעט שם.
11:53
That's his face.
238
701899
1373
אלה הפנים שלו.
11:57
Now, the reveal moment:
239
705172
3269
כעת, רגע החשיפה:
12:00
the subject is this person.
240
708465
1770
הסובייקט הוא אדם זה.
12:02
(Laughter)
241
710259
1935
(צחוק)
12:04
And I did it intentionally.
242
712218
2058
ועשיתי זאת בכוונה.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
אני מאוד ספציפי ומוזר
מבחינת מוצא אתני.
מבחינת מוצא אתני.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
דרום אירופאים, איטלקים --
הם אף פעם לא מתאימים במודלים.
הם אף פעם לא מתאימים במודלים.
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
וזה מיוחד -- שאתניות היא
מקרה פינתי מורכב עבור המודל שלנו.
מקרה פינתי מורכב עבור המודל שלנו.
12:18
But there is another point.
246
726144
1509
אך קיימת נקודה נוספת.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
לכן, אחד הדברים שאנו משתמשים
בהם הרבה כדי להכיר אנשים
בהם הרבה כדי להכיר אנשים
12:23
will never be written in the genome.
248
731178
1722
לא ייכתב לעולם בגנום.
12:24
It's our free will, it's how I look.
249
732924
2317
זה הרצון החופשי שלנו, זה איך אני נראה.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
לא התספורת שלי במקרה זה,
אבל חיתוך הזקן שלי.
אבל חיתוך הזקן שלי.
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
אז אני הולך להראות לכם, אני הולך,
במקרה זה, ולהעביר אותו -
במקרה זה, ולהעביר אותו -
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
וזה לא יותר
מפוטושופ, לא דוגמנות --
מפוטושופ, לא דוגמנות --
12:36
the beard on the subject.
253
744884
1713
הזקן על האובייקט.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
ומיד, אנחנו מקבלים
תחושה הרבה יותר טובה.
תחושה הרבה יותר טובה.
12:42
So, why do we do this?
255
750955
2709
אז, למה אנחנו עושים את זה?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
אנחנו בהחלט לא עושים את זה
לניבוי גובה
לניבוי גובה
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
או לקחת תמונה יפה מתוך הדם שלכם.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
אנחנו עושים את זה כי אותה הטכנולוגיה
ואותה הגישה,
ואותה הגישה,
13:00
the machine learning of this code,
259
768432
2520
למידת המכונה של קוד זה,
13:02
is helping us to understand how we work,
260
770976
3137
עוזרת לנו להבין איך אנחנו עובדים,
13:06
how your body works,
261
774137
1486
איך הגוף שלכם עובד,
13:07
how your body ages,
262
775647
1665
איך הגוף שלכם מזדקן,
13:09
how disease generates in your body,
263
777336
2769
איך מחלה נוצרת בגוף שלכם,
13:12
how your cancer grows and develops,
264
780129
2972
איך הסרטן שלכם גדל ומתפתח,
13:15
how drugs work
265
783125
1783
איך תרופות עובדות
13:16
and if they work on your body.
266
784932
2314
והאם הן עובדות על גופכם.
13:19
This is a huge challenge.
267
787713
1667
זהו אתגר ענק.
13:21
This is a challenge that we share
268
789894
1638
זהו אתגר שאנו חולקים
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
עם אלפי חוקרים אחרים
ברחבי העולם.
ברחבי העולם.
13:26
It's called personalized medicine.
270
794159
2222
זה נקרא טיפול תרופתי אישי.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
זו היכולת לנוע
מתוך גישה סטטיסטית
מתוך גישה סטטיסטית
13:32
where you're a dot in the ocean,
272
800609
2032
שבה אתם נקודה בים,
13:34
to a personalized approach,
273
802665
1813
לגישה אישית,
13:36
where we read all these books
274
804502
2185
שבה אנו קוראים את כל הספרים האלה
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
ואנחנו מקבלים הבנה של מי אתם בדיוק.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
אבל זה
אתגר מורכב במיוחד ,
אתגר מורכב במיוחד ,
13:45
because of all these books, as of today,
277
813646
3998
בגלל שמכל הספרים האלה, נכון להיום,
13:49
we just know probably two percent:
278
817668
2642
אנחנו רק יודעים כנראה שני אחוז:
13:53
four books of more than 175.
279
821027
3653
ארבעה ספרים של יותר מ -175.
13:58
And this is not the topic of my talk,
280
826021
3206
וזה לא הנושא של השיחה שלי,
14:02
because we will learn more.
281
830145
2598
מפני שנלמד יותר.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
ישנם המוחות הטובים ביותר
בעולם בנושא זה.
בעולם בנושא זה.
14:09
The prediction will get better,
283
837048
1834
התחזית תשתפר.
14:10
the model will get more precise.
284
838906
2253
המודל יהיה יותר מדויק
14:13
And the more we learn,
285
841183
1858
וככל שאנו לומדים יותר,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
יותר נצטרך להתמודד עם
החלטות
החלטות
14:19
that we never had to face before
287
847919
3021
שמעולם לא נאלצנו להתמודד איתן
לפני כן
לפני כן
14:22
about life,
288
850964
1435
על החיים.
14:24
about death,
289
852423
1674
על המוות
14:26
about parenting.
290
854121
1603
על הורות.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
אז אנחנו נוגעים בפרט הפנימי מאוד
על הדרך בה חיינו עובדים.
על הדרך בה חיינו עובדים.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
וזוהי מהפכה שלא יכולה להיות מוגבלת
14:41
in the domain of science or technology.
293
869300
2659
לתחום המדע או הטכנולוגיה.
14:44
This must be a global conversation.
294
872960
2244
זה חייב להיות שיח גלובלי.
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
אנחנו חייבים להתחיל לחשוב על העתיד
שאנחנו בונים כאנושות.
שאנחנו בונים כאנושות.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
אנחנו חייבים להיות באינטראקציה עם קריאייטיביים,
עם אמנים, עם פילוסופים,
עם אמנים, עם פילוסופים,
14:57
with politicians.
297
885127
1510
עם פוליטיקאים
14:58
Everyone is involved,
298
886661
1158
כולם מעורבים,
14:59
because it's the future of our species.
299
887843
2825
כי זה העתיד של המין שלנו.
15:03
Without fear, but with the understanding
300
891273
3968
ללא פחד, אבל עם ההבנה
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
שההחלטות שאנחנו נקבל בשנה הבאה
15:11
will change the course of history forever.
302
899160
3789
ישנו את מהלך ההיסטוריה לנצח.
15:15
Thank you.
303
903732
1160
תודה
15:16
(Applause)
304
904916
10159
(תשואות)
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.
Why you should listen
Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.
In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.
Riccardo Sabatini | Speaker | TED.com