ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com
TED2016

Riccardo Sabatini: How to read the genome and build a human being

Riccardo Sabatini: Kako čitati genom i stvoriti ljudsko biće

Filmed:
1,834,677 views

Tajne, bolesti, ljepota - sve je to zapisano u ljudskom genomu, cjelovitom nizu genetskih uputa potrebnih za stvaranje ljudskog bića. Kao znanstvenik i poduzetnik, Riccardo Sabatini nam pokazuje kako posjedujemo moć čitanja tog složenog kôda, predvidjevši stvari poput visine, boje očiju, dobi, čak i oblika lica -- sve to iz samo jedne epruvete krvi. A uskoro, kaže Sabatini, naše novo razumijevanje genoma omogućit će nam osobno prilagođena liječenja bolesti poput raka. Imamo moć mijenjanja života kakvog poznajemo. Kako ćemo je upotrijebiti?
- 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

Double-click the English transcript below to play the video.

00:12
For the nextSljedeći 16 minutesminuta,
I'm going to take you on a journeyputovanje
0
612
2762
U sljedećih 16 minuta
povest ću vas na putovanje
00:15
that is probablyvjerojatno
the biggestnajveći dreamsan of humanityčovječanstvo:
1
3398
3086
koje je vjerojatno
najveći san čovječanstva:
00:18
to understandrazumjeti the codekodirati of life.
2
6508
2015
razumijevanje kôda života.
00:21
So for me, everything startedpočeo
manymnogi, manymnogi yearsgodina agoprije
3
9072
2743
Za mene je sve počelo
prije mnogo, mnogo godina,
00:23
when I metsastali the first 3D printerprinter.
4
11839
2723
kada sam saznao za prvi 3D printer.
00:26
The conceptkoncept was fascinatingfascinantan.
5
14586
1674
Sam koncept je bio fascinantan.
00:28
A 3D printerprinter needspotrebe threetri elementselementi:
6
16284
2022
3D printeru su potrebna tri elementa:
00:30
a bitbit of informationinformacija, some
rawsirov materialmaterijal, some energyenergija,
7
18330
4134
djelić informacije,
nešto sirovine, nešto energije
00:34
and it can produceproizvoditi any objectobjekt
that was not there before.
8
22488
3334
i može proizvesti bilo koji predmet
koji prethodno nije ni postojao.
00:38
I was doing physicsfizika,
I was comingdolazak back home
9
26517
2137
Bavio sam se fizikom, vraćao sam se kući
00:40
and I realizedshvatio that I actuallyzapravo
always knewznao a 3D printerprinter.
10
28678
3438
te shvatio da mi je 3D printer
oduvijek bio poznat.
00:44
And everyonesvatko does.
11
32140
1336
Kao i svima ostalima.
00:45
It was my mommama.
12
33500
1158
Bila je to moja mama.
00:46
(LaughterSmijeh)
13
34682
1001
(Smijeh)
00:47
My mommama takes threetri elementselementi:
14
35707
2414
Moja mama je uzela tri elementa:
00:50
a bitbit of informationinformacija, whichkoji is betweenizmeđu
my fatherotac and my mommama in this casespis,
15
38145
3973
djelić informacije, u ovom slučaju
između mog oca i moje majke,
00:54
rawsirov elementselementi and energyenergija
in the sameisti mediamedia, that is foodhrana,
16
42142
4157
sirovine i energiju
u istom mediju, odnosno hrani,
00:58
and after severalnekoliko monthsmjeseci, producesproizvodi me.
17
46323
2508
i nakon nekoliko mjeseci
proizvela je mene.
01:00
And I was not existentPostoji before.
18
48855
1812
A ja prije toga nisam postojao.
01:02
So apartosim from the shockšok of my mommama
discoveringotkrivanja that she was a 3D printerprinter,
19
50691
3762
Pored zapanjenosti moje mame,
saznavši da je se smatra 3D printerom,
01:06
I immediatelyodmah got mesmerizedhipnotiziran
by that piecekomad,
20
54477
4738
istog trena bio sam opčinjen tim dijelom,
01:11
the first one, the informationinformacija.
21
59239
1717
tim prvim dijelom, informacijom.
01:12
What amountiznos of informationinformacija does it take
22
60980
2251
Koliko informacija je potrebno
01:15
to buildizgraditi and assemblesastaviti a humanljudski?
23
63255
1936
kako bi se izgradio i sastavio čovjek?
01:17
Is it much? Is it little?
24
65215
1574
Mnogo? Malo?
01:18
How manymnogi thumbpalac drivesdiskovi can you fillispuniti?
25
66813
2180
Koliko USB diskova biste mogli ispuniti?
01:21
Well, I was studyingučenje physicsfizika
at the beginningpočetak
26
69017
2624
Pa, na početku sam studirao fiziku
01:23
and I tookuzeo this approximationaproksimacija of a humanljudski
as a giganticgigantski LegoLego piecekomad.
27
71665
5597
i zamislio tu pretpostavku o čovjeku
kao golemoj Lego slagalici.
01:29
So, imaginezamisliti that the buildingzgrada
blocksblokovi are little atomsatomi
28
77286
3785
Dakle, zamislite da su kockice sitni atomi
01:33
and there is a hydrogenvodik here,
a carbonugljen here, a nitrogendušika here.
29
81095
4653
i vodik je ovdje,
ugljik ovdje, a dušik ovdje.
01:37
So in the first approximationaproksimacija,
30
85772
1571
Prema prvoj pretpostavci,
01:39
if I can listpopis the numberbroj of atomsatomi
that composesastaviti a humanljudski beingbiće,
31
87367
4343
ako bih mogao navesti broj atoma
od kojih se sastoji ljudsko biće,
01:43
I can buildizgraditi it.
32
91734
1387
mogao bih ga sagraditi.
01:45
Now, you can runtrčanje some numbersbrojevi
33
93145
2029
Možete provjeriti brojke
01:47
and that happensdogađa se to be
quitedosta an astonishingzačuđujući numberbroj.
34
95198
3277
i to izgleda kao prilično
zapanjujući broj.
01:50
So the numberbroj of atomsatomi,
35
98499
2757
Dakle, broj atoma,
01:53
the filedatoteka that I will saveuštedjeti in my thumbpalac
drivepogon to assemblesastaviti a little babydijete,
36
101280
4755
dokument koji bih sačuvao na USB-u
kako bih sastavio jednu bebu,
01:58
will actuallyzapravo fillispuniti an entirečitav TitanicTitanic
of thumbpalac drivesdiskovi --
37
106059
4667
zapravo bi ispunio prostor
veličine Titanika punog USB-ova,
02:02
multipliedmnože 2,000 timesputa.
38
110750
2718
pomnoženo 2.000 puta.
02:05
This is the miraclečudo of life.
39
113957
3401
To je čudo života.
02:09
EverySvaki time you see from now on
a pregnanttrudna ladydama,
40
117382
2612
Od sada, svaki put kada ugledate trudnicu,
02:12
she's assemblingsastavljanje the biggestnajveći
amountiznos of informationinformacija
41
120018
2856
ona u sebi sadrži
najveću količinu informacija
02:14
that you will ever encountersusret.
42
122898
1556
koju ćete ikad susresti.
02:16
ForgetZaboravi bigvelika datapodaci, forgetzaboraviti
anything you heardčuo of.
43
124478
2950
Zaboravite velike količine podataka,
ili bilo što što ste čuli.
02:19
This is the biggestnajveći amountiznos
of informationinformacija that existspostoji.
44
127452
2881
To je najveća količina
informacija koja postoji.
02:22
(ApplausePljesak)
45
130357
3833
(Pljesak)
02:26
But naturepriroda, fortunatelysrećom, is much smarterpametnije
than a youngmladi physicistfizičar,
46
134214
4644
No, srećom, priroda je
daleko pametnija od mladog fizičara
02:30
and in fourčetiri billionmilijardi yearsgodina, managedupravlja
to packpaket this informationinformacija
47
138882
3576
i u četiri milijarde godina
uspjela je složiti ove informacije
02:34
in a smallmali crystalkristal we call DNADNK.
48
142482
2705
u mali kristal koji zovemo DNK.
02:37
We metsastali it for the first time in 1950
when RosalindRosalind FranklinFranklin,
49
145605
4312
Prvi put smo saznali za njega 1950.
kada je Rosalind Franklin,
02:41
an amazingnevjerojatan scientistnaučnik, a womanžena,
50
149941
1556
nevjerojatna znanstvenica,
02:43
tookuzeo a pictureslika of it.
51
151521
1389
napravila sliku kristala.
02:44
But it tookuzeo us more than 40 yearsgodina
to finallykonačno pokeguranje insideiznutra a humanljudski cellćelija,
52
152934
5188
No, trebalo nam je više od 40 godina
da konačno prodremo u ljudsku stanicu,
02:50
take out this crystalkristal,
53
158146
1602
izvadimo taj kristal,
02:51
unrollpostaviti it, and readčitati it for the first time.
54
159772
3080
odmotamo ga i prvi puta pročitamo.
02:55
The codekodirati comesdolazi out to be
a fairlypošteno simplejednostavan alphabetabeceda,
55
163615
3241
Ispostavilo se da je kôd
prilično jednostavna abeceda,
02:58
fourčetiri lettersslova: A, T, C and G.
56
166880
3772
četiri slova: A, T, C i G.
03:02
And to buildizgraditi a humanljudski,
you need threetri billionmilijardi of them.
57
170676
3490
A kako biste sagradili čovjeka,
potrebno vam je tri milijarde njih.
03:06
ThreeTri billionmilijardi.
58
174933
1179
Tri milijarde.
03:08
How manymnogi are threetri billionmilijardi?
59
176136
1579
Koliko je tri milijarde?
03:09
It doesn't really make
any senseosjećaj as a numberbroj, right?
60
177739
2762
Sam broj zaista nema
nikakvog smisla, zar ne?
03:12
So I was thinkingmišljenje how
I could explainobjasniti myselfsebe better
61
180525
4085
Stoga sam razmišljao
kako bih si bolje objasnio
03:16
about how bigvelika and enormousogroman this codekodirati is.
62
184634
3050
koliko je velik i ogroman ovaj kôd.
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
Ali evo ga, mislim, imat ću malu pomoć,
03:22
and the bestnajbolje personosoba to help me
introducepredstaviti the codekodirati
64
190786
3227
a najbolja osoba koja bi mi
pomogla predstaviti kôd,
03:26
is actuallyzapravo the first man
to sequenceslijed it, DrDr. CraigCraig VenterVenter.
65
194037
3522
zapravo je prvi čovjek
koji ga je sekvencirao, dr. Craig Venter.
03:29
So welcomeDobrodošli onstagena pozornici, DrDr. CraigCraig VenterVenter.
66
197583
3390
Stoga, pozdravite dr. Craiga Ventera.
03:32
(ApplausePljesak)
67
200997
6931
(Pljesak)
03:39
Not the man in the fleshmeso,
68
207952
2256
Ne čovjek glavom i bradom,
03:43
but for the first time in historypovijest,
69
211448
2345
već po prvi puta u povijesti,
03:45
this is the genomegenom of a specificspecifično humanljudski,
70
213817
3462
ovo je genom određenog čovjeka,
03:49
printedtiskan page-by-pagestranicu po stranicu, letter-by-letterslovo po slovo:
71
217303
3760
otisnut stranicu po stranicu,
slovo po slovo:
03:53
262,000 pagesstranica of informationinformacija,
72
221087
3996
262.000 stranica informacija,
03:57
450 kilogramskilograma, shippeddostavljaju
from the UnitedUjedinjeni StatesDržava to CanadaKanada
73
225107
4364
450 kilograma, isporučenih
iz SAD-a u Kanadu,
04:01
thanksHvala to BrunoBruno BowdenBowden,
LuluLulu.comcom, a start-uppuštanje u pogon, did everything.
74
229495
4843
zahvaljujući Bruni Bowdenu,
dostupno na Lulu.com, sve je odrađeno.
04:06
It was an amazingnevjerojatan featpodvig.
75
234362
1463
Bio je to fantastičan podvig.
04:07
But this is the visualvidni perceptionpercepcija
of what is the codekodirati of life.
76
235849
4297
Ali ovo je vizualni doživljaj
onoga što je kôd života.
04:12
And now, for the first time,
I can do something funzabava.
77
240170
2478
A sada, po prvi puta,
mogu učiniti nešto zabavno.
04:14
I can actuallyzapravo pokeguranje insideiznutra it and readčitati.
78
242672
2547
Mogu, zapravo, zaviriti unutra i čitati.
04:17
So let me take an interestingzanimljiv
bookrezervirati ... like this one.
79
245243
4625
Dozvolite mi da uzmem
zanimljivu knjigu... poput ove.
04:25
I have an annotationprimjedba;
it's a fairlypošteno bigvelika bookrezervirati.
80
253077
2534
Samo jedna opaska;
knjiga je prilično obimna.
04:27
So just to let you see
what is the codekodirati of life.
81
255635
3727
Samo da vidite što je kôd života.
04:32
ThousandsTisuće and thousandstisuća and thousandstisuća
82
260566
3391
Na tisuće i tisuće i tisuće
04:35
and millionsmilijuni of lettersslova.
83
263981
2670
i milijune slova.
04:38
And they apparentlyočigledno make senseosjećaj.
84
266675
2396
I ona očito daju neki smisao.
04:41
Let's get to a specificspecifično partdio.
85
269095
1757
Pogledajmo jedan specifičan dio.
Dozvolite da vam ga pročitam:
04:43
Let me readčitati it to you:
86
271571
1362
04:44
(LaughterSmijeh)
87
272957
1021
(Smijeh)
04:46
"AAGAAG, AATAAT, ATAATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it soundszvukovi like muteisključivanje lettersslova,
89
278965
2067
Vama ovo zvuči
kao obična slova bez smisla,
04:53
but this sequenceslijed givesdaje
the colorboja of the eyesoči to CraigCraig.
90
281056
4041
no, ovaj redoslijed
određuje Craigovu boju očiju.
Pokazat ću vam jedan drugi dio iz knjige.
04:57
I'll showpokazati you anotherjoš partdio of the bookrezervirati.
91
285633
1932
04:59
This is actuallyzapravo a little
more complicatedsložen.
92
287589
2094
Ovaj je, zapravo, nešto složeniji.
05:02
ChromosomeKromosoma 14, bookrezervirati 132:
93
290983
2647
Kromosom 14, knjiga 132:
05:05
(LaughterSmijeh)
94
293654
2090
(Smijeh)
05:07
As you mightmoć expectočekivati.
95
295768
1277
Kao što biste i očekivali.
05:09
(LaughterSmijeh)
96
297069
3466
(Smijeh)
05:14
"ATTATT, CTTJEDAN PUCANJ, GATTGATT-A."
97
302857
4507
"ATT, CTT, GATT."
05:20
This humanljudski is luckysretan,
98
308329
1687
Ova osoba ima sreće,
05:22
because if you misspropustiti just
two lettersslova in this positionpoložaj --
99
310040
4517
jer ako izostavite
samo dva slova u ovom redoslijedu,
05:26
two lettersslova of our threetri billionmilijardi --
100
314581
1877
dva slova od tri milijarde,
05:28
he will be condemnedproklet
to a terribleužasan diseasebolest:
101
316482
2019
ova osoba bit će osuđena
na užasnu bolest:
05:30
cysticcistične fibrosisfibroza.
102
318525
1440
cističnu fibrozu.
05:31
We have no curelijek for it,
we don't know how to solveriješiti it,
103
319989
3413
Za nju još nemamo lijek,
ne znamo kako je izliječiti,
05:35
and it's just two lettersslova
of differencerazlika from what we are.
104
323426
3755
a samo su dva slova različita
od onih koja mi ostali imamo.
05:39
A wonderfulpredivan bookrezervirati, a mightymoćni bookrezervirati,
105
327585
2705
Predivna knjiga, moćna knjiga,
05:43
a mightymoćni bookrezervirati that helpedpomogao me understandrazumjeti
106
331115
1998
moćna knjiga koja mi je pomogla razumjeti
05:45
and showpokazati you something quitedosta remarkableizvanredan.
107
333137
2753
i pokazati vam nešto zaista izvanredno.
05:48
EverySvaki one of you -- what makesmarke
me, me and you, you --
108
336480
4435
Svatko od vas -- ono zbog čega
sam ja, ja, a vi ste vi --
05:52
is just about fivepet millionmilijuna of these,
109
340939
2954
samo je oko pet milijuna ovih slova,
05:55
halfpola a bookrezervirati.
110
343917
1228
polovica knjige.
05:58
For the restodmor,
111
346015
1663
Što se tiče ostalog,
05:59
we are all absolutelyapsolutno identicalidentičan.
112
347702
2562
posve smo identični.
06:03
FivePet hundredstotina pagesstranica
is the miraclečudo of life that you are.
113
351008
4018
Pet stotina stranica je
čudo života koje predstavljate vi.
06:07
The restodmor, we all sharePodjeli it.
114
355050
2531
Ostalo svi mi dijelimo.
06:09
So think about that again
when we think that we are differentdrugačiji.
115
357605
2909
Zato se sjetite toga
kada pomislite kako smo svi različiti.
06:12
This is the amountiznos that we sharePodjeli.
116
360538
2221
Ovo je količina koju svi dijelimo.
06:15
So now that I have your attentionpažnja,
117
363441
3429
I sada kada imam vašu pažnju,
06:18
the nextSljedeći questionpitanje is:
118
366894
1359
sledeće pitanje je:
06:20
How do I readčitati it?
119
368277
1151
Kako da to pročitam?
06:21
How do I make senseosjećaj out of it?
120
369452
1509
Kako da pronađem smisao u tome?
06:23
Well, for howevermeđutim good you can be
at assemblingsastavljanje Swedishšvedski furniturenamještaj,
121
371409
4240
Pa, koliko god ste dobri
u sastavljanju švedskog namještaja,
06:27
this instructioninstrukcija manualpriručnik
is nothing you can crackpukotina in your life.
122
375673
3563
ovaj priručnik za upotrebu je nešto
što nećete dešifrirati u svom životu.
06:31
(LaughterSmijeh)
123
379260
1603
(Smijeh)
06:32
And so, in 2014, two famouspoznat TEDstersTEDsters,
124
380887
3112
I tako su 2014. godine,
dva čuvena TED-ovca,
06:36
PeterPetar DiamandisDiamandis and CraigCraig VenterVenter himselfsam,
125
384023
2540
Peter Diamandis i Craig Venter osobno,
06:38
decidedodlučio to assemblesastaviti a newnovi companydruštvo.
126
386587
1927
odlučili osnovati novu tvrtku.
06:40
HumanLjudski LongevityDugovječnost was bornrođen,
127
388538
1412
Rođen je Human Longevity,
06:41
with one missionmisija:
128
389974
1370
sa samo jednom misijom:
06:43
tryingtežak everything we can try
129
391368
1861
pokušati sve što možemo
06:45
and learningučenje everything
we can learnnaučiti from these booksknjige,
130
393253
2759
i naučiti sve što
možemo naučiti iz ovih knjiga,
06:48
with one targetcilj --
131
396036
1705
s jednim ciljem,
06:50
makingizrađivanje realstvaran the dreamsan
of personalizedpersonalizirane medicinelijek,
132
398862
2801
ostvariti san o personaliziranoj medicini,
06:53
understandingrazumijevanje what things
should be doneučinio to have better healthzdravlje
133
401687
3767
razumjeti što se treba učiniti
kako bismo bili zdraviji
06:57
and what are the secretstajne in these booksknjige.
134
405478
2283
i koje tajne kriju ove knjige.
07:00
An amazingnevjerojatan teamtim, 40 datapodaci scientistsznanstvenici
and manymnogi, manymnogi more people,
135
408329
4250
Fantastična ekipa, 40 znanstvenika
za podatke i još mnogo, mnogo ljudi,
07:04
a pleasurezadovoljstvo to work with.
136
412603
1350
s kojima je užitak raditi.
07:05
The conceptkoncept is actuallyzapravo very simplejednostavan.
137
413977
2253
Koncept je, zapravo, vrlo jednostavan.
07:08
We're going to use a technologytehnologija
calledzvao machinemašina learningučenje.
138
416254
3158
Koristit ćemo tehnologiju
koja se zove strojno učenje.
07:11
On one sidestrana, we have genomesgenomi --
thousandstisuća of them.
139
419436
4539
S jedne strane imamo genome
-- na tisuće njih.
07:15
On the other sidestrana, we collectedprikupljeni
the biggestnajveći databasebaza podataka of humanljudski beingsbića:
140
423999
3997
S druge strane, sakupili smo
najveću bazu podataka o ljudskim bićima:
07:20
phenotypesfenotipova, 3D scanskenirati, NMRNMR --
everything you can think of.
141
428020
4296
fenotipe, 3D snimke, magnetsku
rezonanciju, sve što vam pada na pamet.
07:24
InsideUnutar there, on these two oppositesuprotan sidesstrane,
142
432340
2899
Unutar toga, na ovim suprotnim stranama,
07:27
there is the secrettajna of translationprijevod.
143
435263
2442
nalazi se tajna prevođenja.
07:29
And in the middlesrednji, we buildizgraditi a machinemašina.
144
437729
2472
A u sredini smo izradili stroj.
07:32
We buildizgraditi a machinemašina
and we trainvlak a machinemašina --
145
440801
2385
Izradili smo stroj i obučili ga --
07:35
well, not exactlytočno one machinemašina,
manymnogi, manymnogi machinesstrojevi --
146
443210
3210
zapravo, ne baš jedan stroj,
već mnogo, mnogo strojeva
07:38
to try to understandrazumjeti and translatePrevedi
the genomegenom in a phenotypefenotip.
147
446444
4544
kako bi se pokušao razumjeti
i prevesti genom u fenotipu.
07:43
What are those lettersslova,
and what do they do?
148
451362
3340
Što su ta slova i čemu ona služe?
07:46
It's an approachpristup that can
be used for everything,
149
454726
2747
To je pristup koji se može
za sve koristiti,
07:49
but usingkoristeći it in genomicsgenomika
is particularlynaročito complicatedsložen.
150
457497
2993
ali je njegova upotreba u genetici
naročito složena.
07:52
Little by little we grewrastao and we wanted
to buildizgraditi differentdrugačiji challengesizazovi.
151
460514
3276
Malo po malo smo rasli
te smo željeli stvoriti drugačije izazove.
07:55
We startedpočeo from the beginningpočetak,
from commonzajednička traitsosobine.
152
463814
2732
Počeli smo od početka,
od zajedničkih osobina.
07:58
CommonZajednički traitsosobine are comfortableudobno
because they are commonzajednička,
153
466570
2603
Zajedničke osobine su prikladne
baš zato što su zajedničke,
08:01
everyonesvatko has them.
154
469197
1184
svi ih imamo.
08:02
So we startedpočeo to askpitati our questionspitanja:
155
470405
2494
Stoga smo počeli postavljati pitanja:
08:04
Can we predictpredvidjeti heightvisina?
156
472923
1380
Možemo li predvidjeti visinu?
Možemo li čitanjem ovih knjiga
predvidjeti vašu visinu?
08:06
Can we readčitati the booksknjige
and predictpredvidjeti your heightvisina?
157
474985
2177
08:09
Well, we actuallyzapravo can,
158
477186
1151
Pa, zapravo možemo,
08:10
with fivepet centimeterscentimetara of precisionpreciznost.
159
478361
1793
preciznošću od pet centimetara.
08:12
BMIBMI is fairlypošteno connectedpovezan to your lifestylenačin života,
160
480178
3135
Indeks tjelesne mase usko je povezan
s vašim načinom života,
08:15
but we still can, we get in the ballparkpribližan,
eightosam kilogramskilograma of precisionpreciznost.
161
483337
3864
ali i dalje možemo pogoditi,
preciznošću od osam kilograma.
Možemo li predvidjeti boju očiju?
08:19
Can we predictpredvidjeti eyeoko colorboja?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Da, možemo.
08:21
EightyOsamdeset percentposto accuracytočnost.
164
489662
1324
Preciznošću od 80%.
08:23
Can we predictpredvidjeti skinkoža colorboja?
165
491466
1858
Možemo li predvidjeti boju kože?
08:25
Yeah we can, 80 percentposto accuracytočnost.
166
493348
2441
Možemo, preciznošću od 80%.
08:27
Can we predictpredvidjeti agedob?
167
495813
1340
Možemo li predvidjeti dob?
08:30
We can, because apparentlyočigledno,
the codekodirati changespromjene duringza vrijeme your life.
168
498121
3739
Možemo, jer izgleda da se kôd
mijenja tijekom vašeg života.
08:33
It getsdobiva shorterkraće, you loseizgubiti pieceskomada,
it getsdobiva insertionsumetanja.
169
501884
3282
Postaje kraći, gubite dijelove,
dodaju se umeci.
08:37
We readčitati the signalssignali, and we make a modelmodel.
170
505190
2555
Čitamo signale i stvaramo model.
08:40
Now, an interestingzanimljiv challengeizazov:
171
508438
1475
A sada, zanimljiv izazov:
08:41
Can we predictpredvidjeti a humanljudski facelice?
172
509937
1729
Možemo li predvidjeti ljudsko lice?
08:45
It's a little complicatedsložen,
173
513014
1278
To je malo složenije,
08:46
because a humanljudski facelice is scatteredraspršene
amongmeđu millionsmilijuni of these lettersslova.
174
514316
3191
jer je ljudsko lice razasuto
među milijunima ovih slova.
08:49
And a humanljudski facelice is not
a very well-defineddobro definiran objectobjekt.
175
517531
2629
A ljudsko lice nije
precizno definiran objekt.
08:52
So, we had to buildizgraditi an entirečitav tierred of it
176
520184
2051
Stoga smo morali napraviti čitav niz njih,
08:54
to learnnaučiti and teachučiti
a machinemašina what a facelice is,
177
522259
2710
kako bismo naučili i uputili stroj
da zna što je lice,
08:56
and embedugraditi and compressoblog it.
178
524993
2037
te ga ugradi i sažme.
08:59
And if you're comfortableudobno
with machinemašina learningučenje,
179
527054
2248
A ako vam je poznato strojno učenje,
09:01
you understandrazumjeti what the challengeizazov is here.
180
529326
2284
razumjet ćete o kakvom
se izazovu ovdje radi.
09:04
Now, after 15 yearsgodina -- 15 yearsgodina after
we readčitati the first sequenceslijed --
181
532108
5991
Sada, nakon 15 godina -- 15 godina nakon
što smo pročitali prvu sekvencu,
09:10
this OctoberTravanj, we startedpočeo
to see some signalssignali.
182
538123
2902
ovog listopada, počeli smo
primjećivati neke signale.
09:13
And it was a very emotionalemotivan momenttrenutak.
183
541049
2455
I bio je to izuzetno emotivan trenutak.
09:15
What you see here is a subjectpredmet
comingdolazak in our lablaboratorija.
184
543528
3745
Ovdje vidite ono
što je došlo u naš laboratorij.
09:19
This is a facelice for us.
185
547619
1928
Ovo je za nas lice.
09:21
So we take the realstvaran facelice of a subjectpredmet,
we reducesmanjiti the complexitysloženost,
186
549571
3631
Uzimamo pravo lice ovog subjekta,
učinimo ga manje složenim,
09:25
because not everything is in your facelice --
187
553226
1970
jer nije sve u vašem licu,
09:27
lots of featuresznačajke and defectsoštećenja
and asymmetriesasimetrije come from your life.
188
555220
3786
mnoge crte, nedostaci i asimetrija
potječu iz vašeg života.
09:31
We symmetrizesymmetrize the facelice,
and we runtrčanje our algorithmalgoritam.
189
559030
3469
Ujednačavamo simetriju lica
i provlačimo ga kroz naš algoritam.
09:35
The resultsrezultati that I showpokazati you right now,
190
563245
1898
Rezultati koje vam upravo pokazujem,
09:37
this is the predictionproricanje we have
from the bloodkrv.
191
565167
3372
predviđanja su koja dobivamo iz krvi.
09:41
(ApplausePljesak)
192
569596
1524
(Pljesak)
09:43
Wait a seconddrugi.
193
571144
1435
Pričekajte na tren.
09:44
In these secondssekundi, your eyesoči are watchinggledanje,
left and right, left and right,
194
572603
4692
U ovim trenucima, vaše oči promatraju
lijevo i desno, lijevo i desno,
09:49
and your brainmozak wants
those picturesSlike to be identicalidentičan.
195
577319
3930
a vaš mozak želi da te slike budu jednake.
09:53
So I askpitati you to do
anotherjoš exercisevježba, to be honestpošten.
196
581273
2446
Zato tražim od vas drugu vježbu,
da budete iskreni.
09:55
Please searchtraži for the differencesRazlike,
197
583743
2287
Zamolit ću vas da potražite razlike,
09:58
whichkoji are manymnogi.
198
586054
1361
a ima ih mnogo.
09:59
The biggestnajveći amountiznos of signalsignal
comesdolazi from genderrod,
199
587439
2603
Najveća količina signala dolazi od spola,
10:02
then there is agedob, BMIBMI,
the ethnicityetnička pripadnost componentsastavni dio of a humanljudski.
200
590066
5201
zatim je tu dob, indeks tjelesne mase
te čovjekovo etničko obilježje.
10:07
And scalingskaliranje up over that signalsignal
is much more complicatedsložen.
201
595291
3711
Sve dalje preko tog signala
postaje daleko složenije.
10:11
But what you see here,
even in the differencesRazlike,
202
599026
3250
Ali ono što vidite ovdje,
čak i uz razlike,
10:14
letsomogućuje you understandrazumjeti
that we are in the right ballparkpribližan,
203
602300
3595
dozvoljava vam da shvatite
kako smo na dobrom putu,
10:17
that we are gettinguzimajući closerbliže.
204
605919
1348
i sve smo bliže.
10:19
And it's alreadyveć givingdavanje you some emotionsemocije.
205
607291
2349
Ovo vam već stvara neke dojmove.
10:21
This is anotherjoš subjectpredmet
that comesdolazi in placemjesto,
206
609664
2703
Ovo je još jedan primjer koji se posložio,
10:24
and this is a predictionproricanje.
207
612391
1409
i ovo je predviđanje.
10:25
A little smallermanji facelice, we didn't get
the completepotpun cranialkranijalni structurestruktura,
208
613824
4596
Nešto manje lice, ovdje nismo dobili
potpunu strukturu lubanje,
10:30
but still, it's in the ballparkpribližan.
209
618444
2651
no, ipak, blizu je.
10:33
This is a subjectpredmet that comesdolazi in our lablaboratorija,
210
621634
2224
Ovo je primjer koji je
došao u naš laboratorij,
10:35
and this is the predictionproricanje.
211
623882
1443
a ovo je predviđanje.
10:38
So these people have never been seenvidio
in the trainingtrening of the machinemašina.
212
626056
4676
Dakle, stroj u svojoj obradi
nikada nije imao ove ljude.
10:42
These are the so-calledtakozvani "held-outodržava se" setset.
213
630756
2837
Ovo je tzv. "izostavljeni" skup.
10:45
But these are people that you will
probablyvjerojatno never believe.
214
633617
3740
Ovi ljudi vam vjerojatno nikada
neće djelovati uvjerljivo.
10:49
We're publishingobjavljivanje everything
in a scientificznanstvena publicationobjavljivanje,
215
637381
2676
Sve objavljujemo u znanstvenim časopisima
10:52
you can readčitati it.
216
640081
1151
i možete pročitati.
10:53
But sinceod we are onstagena pozornici,
ChrisChris challengedizazvan me.
217
641256
2344
Ali budući smo na sceni,
Chris me je izazvao.
10:55
I probablyvjerojatno exposedizložen myselfsebe
and triedpokušala to predictpredvidjeti
218
643624
3626
Vjerojatno sam se otkrio
i pokušao predvidjeti
10:59
someonenetko that you mightmoć recognizeprepoznati.
219
647274
2831
nekoga koga biste mogli prepoznati.
11:02
So, in this vialbočica of bloodkrv --
and believe me, you have no ideaideja
220
650470
4425
Dakle, u ovoj epruveti krvi --
i vjerujte mi, nemate pojma
11:06
what we had to do to have
this bloodkrv now, here --
221
654919
2880
što smo sve morali učiniti
da bismo donijeli krv danas ovdje,
11:09
in this vialbočica of bloodkrv is the amountiznos
of biologicalbiološki informationinformacija
222
657823
3901
u ovoj epruveti krvi je
količina bioloških informacija
koja nam je potrebna
za sekvenciranje čitavog genoma.
11:13
that we need to do a fullpuni genomegenom sequenceslijed.
223
661748
2277
11:16
We just need this amountiznos.
224
664049
2070
Samo nam je ovoliko potrebno.
11:18
We ranran this sequenceslijed,
and I'm going to do it with you.
225
666528
3205
Izvršili smo sekvenciranje
i učinit ću to s vama.
11:21
And we startpočetak to layersloj up
all the understandingrazumijevanje we have.
226
669757
3979
Počinjemo raslojavati
svo znanje koje imamo.
11:25
In the vialbočica of bloodkrv,
we predictedpredvidjeti he's a malemuški.
227
673760
3350
Iz ove epruvete krvi,
predvidjeli smo da se radi o muškarcu.
11:29
And the subjectpredmet is a malemuški.
228
677134
1364
Subjekt i jest muškarac.
11:30
We predictpredvidjeti that he's a metermetar and 76 cmcm.
229
678996
2438
Predvidjeli smo da je visok 176 cm.
11:33
The subjectpredmet is a metermetar and 77 cmcm.
230
681458
2392
Subjekt je visok 177 cm.
11:35
So, we predictedpredvidjeti that he's 76;
the subjectpredmet is 82.
231
683874
4110
Nadalje, predvidjeli smo
da ima 76 kg, zapravo ima 82 kg.
11:40
We predictpredvidjeti his agedob, 38.
232
688701
2632
Predvidjeli smo da ima 38 godina.
11:43
The subjectpredmet is 35.
233
691357
1904
Subjekt ima 35 godina.
11:45
We predictpredvidjeti his eyeoko colorboja.
234
693851
2124
Predvidjeli smo njegovu boju očiju.
11:48
Too darkmrak.
235
696824
1211
Pretamna je.
11:50
We predictpredvidjeti his skinkoža colorboja.
236
698059
1555
Predvideli smo boju kože.
11:52
We are almostskoro there.
237
700026
1410
Skoro da smo pogodili.
11:53
That's his facelice.
238
701899
1373
Ovo je njegovo lice.
11:57
Now, the revealotkriti momenttrenutak:
239
705172
3269
A sada, trenutak razotkrivanja:
12:00
the subjectpredmet is this personosoba.
240
708465
1770
subjekt je ova osoba.
12:02
(LaughterSmijeh)
241
710259
1935
(Smijeh)
12:04
And I did it intentionallynamjerno.
242
712218
2058
Učinio sam to namjerno.
12:06
I am a very particularposebno
and peculiarosebujan ethnicityetnička pripadnost.
243
714300
3692
Ja sam vrlo specifičnog,
osebujnog porijekla.
12:10
SouthernJužni EuropeanEuropski, ItaliansTalijani --
they never fitodgovara in modelsmodeli.
244
718016
2950
Južni Europljani, Talijani --
nikada se ne uklapaju u kalupe.
12:12
And it's particularposebno -- that ethnicityetnička pripadnost
is a complexkompleks cornerugao casespis for our modelmodel.
245
720990
5130
A specifično je -- etničko porijeklo je
složeni izuzetak za naš model.
Ali, ovdje je još nešto ključno.
12:18
But there is anotherjoš pointtočka.
246
726144
1509
12:19
So, one of the things that we use
a lot to recognizeprepoznati people
247
727677
3477
Dakle, nešto što mnogo koristimo
kako bismo prepoznali ljude,
12:23
will never be writtennapisan in the genomegenom.
248
731178
1722
nikada neće biti zapisano u genomu.
12:24
It's our freebesplatno will, it's how I look.
249
732924
2317
To je naša slobodna volja, naš izgled.
12:27
Not my haircutšišanje in this casespis,
but my beardbrada cutrez.
250
735265
3229
Ne moja frizura,
u ovom slučaju, već moja brada.
12:30
So I'm going to showpokazati you, I'm going to,
in this casespis, transferprijenos it --
251
738518
3553
Stoga ću vam pokazati,
u ovom slučaju ću to prenijeti,
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingmanekenstvo --
252
742095
2765
a ovo nije ništa više
od Photoshopa, nije modeliranje,
12:36
the beardbrada on the subjectpredmet.
253
744884
1713
brada ovog subjekta.
12:38
And immediatelyodmah, we get
much, much better in the feelingosjećaj.
254
746621
3472
I odmah imamo mnogo, mnogo bolji dojam.
12:42
So, why do we do this?
255
750955
2709
Dakle, zašto ovo radimo?
12:47
We certainlysigurno don't do it
for predictingpredviđanje heightvisina
256
755938
5140
Sigurno to ne radimo
kako bismo predvidjeli visinu,
12:53
or takinguzimanje a beautifullijep pictureslika
out of your bloodkrv.
257
761102
2372
ili da bismo izradili
predivnu sliku iz vaše krvi.
12:56
We do it because the sameisti technologytehnologija
and the sameisti approachpristup,
258
764390
4018
Radimo to jer ista ova
tehnologija i isti pristup,
13:00
the machinemašina learningučenje of this codekodirati,
259
768432
2520
strojno učenje ovog kôda,
13:02
is helpingpomoć us to understandrazumjeti how we work,
260
770976
3137
pomaže nam razumjeti
kako funkcioniramo,
13:06
how your bodytijelo worksdjela,
261
774137
1486
kako vaše tijelo funkcionira,
13:07
how your bodytijelo agesdobi,
262
775647
1665
kako vaše tijelo stari,
13:09
how diseasebolest generatesgenerira in your bodytijelo,
263
777336
2769
kako nastaje bolest u vašem tijelu,
13:12
how your cancerRak growsraste and developsrazvija,
264
780129
2972
kako u vama raste i razvija se rak,
13:15
how drugslijekovi work
265
783125
1783
kako djeluju lijekovi
13:16
and if they work on your bodytijelo.
266
784932
2314
i djeluju li na vaše tijelo.
13:19
This is a hugeogroman challengeizazov.
267
787713
1667
To je ogroman izazov.
13:21
This is a challengeizazov that we sharePodjeli
268
789894
1638
To je zajednički izazov nas
13:23
with thousandstisuća of other
researchersistraživači around the worldsvijet.
269
791556
2579
i tisuće drugih istraživača
diljem svijeta.
13:26
It's calledzvao personalizedpersonalizirane medicinelijek.
270
794159
2222
Zove se personalizirana medicina.
13:29
It's the abilitysposobnost to movepotez
from a statisticalstatistički approachpristup
271
797125
3460
To je mogućnost da se odmaknemo
od statističkog pristupa,
13:32
where you're a dottočka in the oceanokean,
272
800609
2032
u kojem ste samo točkica u oceanu,
13:34
to a personalizedpersonalizirane approachpristup,
273
802665
1813
prema osobno prilagođenom pristupu,
13:36
where we readčitati all these booksknjige
274
804502
2185
gdje čitamo sve ove knjige
13:38
and we get an understandingrazumijevanje
of exactlytočno how you are.
275
806711
2864
i dobivamo saznanje o tome
kako ste baš vi.
13:42
But it is a particularlynaročito
complicatedsložen challengeizazov,
276
810260
3362
Ali ovo je izrazito složen izazov,
13:45
because of all these booksknjige, as of todaydanas,
277
813646
3998
jer od svih ovih knjiga
koje ste danas vidjeli,
13:49
we just know probablyvjerojatno two percentposto:
278
817668
2642
znamo vjerojatno samo 2%.
13:53
fourčetiri booksknjige of more than 175.
279
821027
3653
Četiri knjige od njih preko 175.
13:58
And this is not the topictema of my talk,
280
826021
3206
A ovo nije tema mog govora,
14:02
because we will learnnaučiti more.
281
830145
2598
jer ćemo saznati i više.
14:05
There are the bestnajbolje mindsmisli
in the worldsvijet on this topictema.
282
833378
2669
Najveći umovi na svijetu
bave se ovim pitanjem.
14:09
The predictionproricanje will get better,
283
837048
1834
Predviđanje će postati bolje,
14:10
the modelmodel will get more preciseprecizan.
284
838906
2253
model će biti sve precizniji.
14:13
And the more we learnnaučiti,
285
841183
1858
I što više naučimo,
14:15
the more we will
be confrontedsuočeni with decisionsodluke
286
843065
4830
više ćemo biti suočeni s odlukama,
14:19
that we never had to facelice before
287
847919
3021
s kojima se prije nismo susretali,
14:22
about life,
288
850964
1435
o životu,
14:24
about deathsmrt,
289
852423
1674
o smrti,
14:26
about parentingroditeljstvo.
290
854121
1603
o roditeljstvu.
Dakle, dodirujemo samu unutarnju
pojedinost onoga kako život funkcionira.
14:32
So, we are touchingdirljiv the very
innerunutrašnji detaildetalj on how life worksdjela.
291
860626
4746
14:38
And it's a revolutionrevolucija
that cannotNe možete be confinedograničena
292
866118
3158
A to je revolucija
koja ne može biti ograničena
14:41
in the domaindomena of scienceznanost or technologytehnologija.
293
869300
2659
na područje znanosti ili tehnologije.
14:44
This mustmora be a globalglobalno conversationrazgovor.
294
872960
2244
To mora biti globalna rasprava.
14:47
We mustmora startpočetak to think of the futurebudućnost
we're buildingzgrada as a humanityčovječanstvo.
295
875798
5217
Moramo početi razmišljati o budućnosti
koju gradimo kao o čovječanstvu.
14:53
We need to interactinterakcija with creativesoglasi,
with artistsizvođači, with philosophersfilozofi,
296
881039
4064
Moramo surađivati s kreativcima,
umjetnicima, filozofima,
14:57
with politicianspolitičari.
297
885127
1510
s političarima.
14:58
EveryoneSvi is involvedumiješan,
298
886661
1158
Svi su uključeni,
14:59
because it's the futurebudućnost of our speciesvrsta.
299
887843
2825
jer se radi o budućnosti naše vrste.
15:03
WithoutBez fearstrah, but with the understandingrazumijevanje
300
891273
3968
Bez straha, ali uz razumijevanje
15:07
that the decisionsodluke
that we make in the nextSljedeći yeargodina
301
895265
3871
da će odluke koje donesemo
u sljedećoj godini
15:11
will changepromijeniti the coursenaravno of historypovijest foreverzauvijek.
302
899160
3789
zauvijek promijeniti tijek povijesti.
15:15
Thank you.
303
903732
1160
Hvala.
15:16
(ApplausePljesak)
304
904916
10159
(Pljesak)
Translated by Sanda L
Reviewed by Tilen Pigac

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com