TEDGlobal 2011
Allan Jones: A map of the brain
Allan Jones: Az agy térképe
Filmed:
Readability: 4.4
1,269,611 views
Hogy kezdhetjük megérteni, hogyan működik az agy? Ugyanúgy, ahogy egy várost kezdünk megismerni: térkép készítésével. Ebben a vizuálisan lenyűgöző előadásban Allan Jones megmutatja, hogyan térképezi fel a csoportja, mely gének vannak bekapcsolva az egyes pici területeken, és ezek hogyan kapcsolódnak össze.
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
Az embereket régóta lenyűgözi
00:17
for the human brain.
1
2000
2000
az emberi agy.
00:19
We chart it, we've described it,
2
4000
3000
Részekre osztottuk, leírtuk,
00:22
we've drawn it,
3
7000
2000
lerajzoltuk,
00:24
we've mapped it.
4
9000
3000
térképet készítettünk róla.
00:27
Now just like the physical maps of our world
5
12000
3000
Éppen úgy, mint a fizikai világunk térképeivel,
00:30
that have been highly influenced by technology --
6
15000
3000
amelyeket nagyban befolyásol a technika --
00:33
think Google Maps,
7
18000
2000
gondoljanak csak a Google Maps-re,
00:35
think GPS --
8
20000
2000
a GPS-re --
00:37
the same thing is happening for brain mapping
9
22000
2000
ugyanaz a dolog történik az agy térképezésével is
00:39
through transformation.
10
24000
2000
az átalakulás során.
00:41
So let's take a look at the brain.
11
26000
2000
Tehát vessünk egy pillantást az agyra.
00:43
Most people, when they first look at a fresh human brain,
12
28000
3000
A legtöbb ember, amikor megnéz egy friss emberi agyat,
00:46
they say, "It doesn't look what you're typically looking at
13
31000
3000
azt mondja: "Ez nem úgy néz ki, mint amit tipikusan látsz,
00:49
when someone shows you a brain."
14
34000
2000
amikor valaki megmutat neked egy agyat."
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
36000
3000
Amit tipikusan néz az ember, az egy fixált agy. Szürke.
00:54
And this outer layer, this is the vasculature,
16
39000
2000
Ez a külső réteg, ez az érrendszer,
00:56
which is incredible, around a human brain.
17
41000
2000
ami hihetetlen, az emberi agy körül.
00:58
This is the blood vessels.
18
43000
2000
Ez az érhálózat.
01:00
20 percent of the oxygen
19
45000
3000
Az oxigén 20%-a,
01:03
coming from your lungs,
20
48000
2000
ami a tüdőből jön,
01:05
20 percent of the blood pumped from your heart,
21
50000
2000
a vér 20%-a, amit a szív pumpál,
01:07
is servicing this one organ.
22
52000
2000
ezt az egy szervet szolgálja.
01:09
That's basically, if you hold two fists together,
23
54000
2000
Alapvetően, ha a két öklünket összerakjuk,
01:11
it's just slightly larger than the two fists.
24
56000
2000
az agy csak egy picit nagyobb, mint a két ököl.
01:13
Scientists, sort of at the end of the 20th century,
25
58000
3000
A tudósok a 20. század vége felé rájöttek,
01:16
learned that they could track blood flow
26
61000
2000
hogyan követhetik a véráramot ahhoz,
01:18
to map non-invasively
27
63000
3000
hogy nem invazív módon térképezzék fel,
01:21
where activity was going on in the human brain.
28
66000
3000
hol megy végbe aktivitás az emberi agyban.
01:24
So for example, they can see in the back part of the brain,
29
69000
3000
Így például beleláthatnak az agy hátsó részébe,
01:27
which is just turning around there.
30
72000
2000
ami éppen most fordul ide.
01:29
There's the cerebellum; that's keeping you upright right now.
31
74000
2000
Ez a kisagy; ez tart minket felegyenesedve.
01:31
It's keeping me standing. It's involved in coordinated movement.
32
76000
3000
Ez tart állva. Részt vesz a koordinációs mozgásokban.
01:34
On the side here, this is temporal cortex.
33
79000
3000
Itt oldalt ez a temporális kéreg.
01:37
This is the area where primary auditory processing --
34
82000
3000
Ez az a terület, ahol az elsődleges hallás
01:40
so you're hearing my words,
35
85000
2000
végbemegy -- így hallják a hangomat, és elküldik
01:42
you're sending it up into higher language processing centers.
36
87000
2000
a magasabb rendű nyelvi feldolgozó központokba.
01:44
Towards the front of the brain
37
89000
2000
Az agy elülső része felé haladva itt van
01:46
is the place in which all of the more complex thought, decision making --
38
91000
3000
a bonyolultabb gondolkodás, döntéshozás helye --
01:49
it's the last to mature in late adulthood.
39
94000
4000
ez lesz utoljára érett a késői felnőttkorban.
01:53
This is where all your decision-making processes are going on.
40
98000
3000
Itt megy végbe az összes döntéshozó folyamat.
01:56
It's the place where you're deciding right now
41
101000
2000
Ez az a hely, ahol éppen most talán azt döntik el,
01:58
you probably aren't going to order the steak for dinner.
42
103000
3000
hogy nem rendelnek steaket vacsorára.
02:01
So if you take a deeper look at the brain,
43
106000
2000
Szóval, ha mélyebben belenézünk az agyba,
02:03
one of the things, if you look at it in cross-section,
44
108000
2000
ha megnézzük a keresztmetszetét,
02:05
what you can see
45
110000
2000
az egyik dolog, amit látunk az,
02:07
is that you can't really see a whole lot of structure there.
46
112000
3000
hogy nem igazán látunk sok szerkezetet.
02:10
But there's actually a lot of structure there.
47
115000
2000
De valójában nagyon strukturált.
02:12
It's cells and it's wires all wired together.
48
117000
2000
A sejtjei és vezetékei mind össze vannak kötve egymással.
02:14
So about a hundred years ago,
49
119000
2000
Kb. 100 évvel ezelőtt néhány tudós
02:16
some scientists invented a stain that would stain cells.
50
121000
2000
felfedezett egy festéket, ami megfesti a sejteket.
02:18
And that's shown here in the the very light blue.
51
123000
3000
Ez látható itt a nagyon világos kék részen.
02:21
You can see areas
52
126000
2000
Láthatjuk azokat a területeket,
02:23
where neuronal cell bodies are being stained.
53
128000
2000
ahol az idegsejttestek meg vannak festve.
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
130000
3000
És amit látunk, nem egységes. Bonyolult szerkezetet látunk.
02:28
So the outer part of that brain
55
133000
2000
Szóval az agy külső része
02:30
is the neocortex.
56
135000
2000
a neocortex (magyarul új agykéreg).
02:32
It's one continuous processing unit, if you will.
57
137000
3000
Ez egy folytonos feldolgozóegység, ha úgy tetszik.
02:35
But you can also see things underneath there as well.
58
140000
2000
De alatta is láthatunk dolgokat.
02:37
And all of these blank areas
59
142000
2000
Ezek a fehér területek azok a helyek,
02:39
are the areas in which the wires are running through.
60
144000
2000
amiken keresztül a vezetékek futnak.
02:41
They're probably less cell dense.
61
146000
2000
Ezek valószínűleg kevesebb sejtet tartalmaznak.
02:43
So there's about 86 billion neurons in our brain.
62
148000
4000
Körülbelül 86 milliárd idegsejt található az agyunkban.
02:47
And as you can see, they're very non-uniformly distributed.
63
152000
3000
És amint látják, nagyon egyenlőtlenül oszlanak el.
02:50
And how they're distributed really contributes
64
155000
2000
Az, hogy hogyan oszlanak el, kapcsolatban van
02:52
to their underlying function.
65
157000
2000
az alapműködésükkel.
02:54
And of course, as I mentioned before,
66
159000
2000
És természetesen, ahogy már korábban említettem,
02:56
since we can now start to map brain function,
67
161000
3000
mivel elkezdtük feltérképezni az agy működését,
02:59
we can start to tie these into the individual cells.
68
164000
3000
elkezdhetjük hozzákötni az egyedi sejtekhez.
03:02
So let's take a deeper look.
69
167000
2000
Nézzük csak meg mélyebben.
03:04
Let's look at neurons.
70
169000
2000
Nézzük az idegsejteket.
03:06
So as I mentioned, there are 86 billion neurons.
71
171000
2000
Tehát amint mondtam, 86 milliárd idegsejtünk van.
03:08
There are also these smaller cells as you'll see.
72
173000
2000
Vannak még ezek a kisebb sejtek is, ahogy látni fogják.
03:10
These are support cells -- astrocytes glia.
73
175000
2000
Ezek támasztósejtek -- astrocyta gliasejtek.
03:12
And the nerves themselves
74
177000
3000
Maguk az idegek azok,
03:15
are the ones who are receiving input.
75
180000
2000
amik a bemenő jeleket kapják.
03:17
They're storing it, they're processing it.
76
182000
2000
Tárolják és feldolgozzák.
03:19
Each neuron is connected via synapses
77
184000
4000
Minden idegsejt szinapszisokon keresztül kapcsolódik
03:23
to up to 10,000 other neurons in your brain.
78
188000
3000
legalább tízezer másik idegsejthez az agyban.
03:26
And each neuron itself
79
191000
2000
És minden idegsejt önmaga is
03:28
is largely unique.
80
193000
2000
jórészt egyedi.
03:30
The unique character of both individual neurons
81
195000
2000
Mind az egyes idegsejtek, mind az agyon belüli
03:32
and neurons within a collection of the brain
82
197000
2000
idegsejtek együttesének egyedi jellegzetességeit
03:34
are driven by fundamental properties
83
199000
3000
alapvető biokémiájuk
03:37
of their underlying biochemistry.
84
202000
2000
sarkalatos tulajdonságai irányítják.
03:39
These are proteins.
85
204000
2000
Ezek fehérjék.
03:41
They're proteins that are controlling things like ion channel movement.
86
206000
3000
Olyan fehérjék, amelyek olyasmit szabályoznak, mint az ioncsatornák.
03:44
They're controlling who nervous system cells partner up with.
87
209000
4000
Azt irányítják, hogy kivel társulnak az idegrendszer sejtjei.
03:48
And they're controlling
88
213000
2000
Alapvetően mindent ezek
03:50
basically everything that the nervous system has to do.
89
215000
2000
szabályoznak, amit az idegrendszer csinál.
03:52
So if we zoom in to an even deeper level,
90
217000
3000
Ha még mélyebb szintre közelítünk,
03:55
all of those proteins
91
220000
2000
ezek a fehérjék mind
03:57
are encoded by our genomes.
92
222000
2000
bele vannak kódolva a genomunkba.
03:59
We each have 23 pairs of chromosomes.
93
224000
3000
Mindannyiunknak 23 pár kromoszómája van.
04:02
We get one from mom, one from dad.
94
227000
2000
A párokból egyet anyutól, egyet aputól kapunk.
04:04
And on these chromosomes
95
229000
2000
És ezeken a kromoszómákon
04:06
are roughly 25,000 genes.
96
231000
2000
durván 25 ezer gén van.
04:08
They're encoded in the DNA.
97
233000
2000
A DNS-be vannak belekódolva.
04:10
And the nature of a given cell
98
235000
3000
Egy adott sejt természetét,
04:13
driving its underlying biochemistry
99
238000
2000
amelyet alapvető biokémiája irányít,
04:15
is dictated by which of these 25,000 genes
100
240000
3000
az szabja meg, hogy ebből a 25 ezer génből
04:18
are turned on
101
243000
2000
melyik van bekapcsolva,
04:20
and at what level they're turned on.
102
245000
2000
és milyen szinten van bekapcsolva.
04:22
And so our project
103
247000
2000
A projektünk ezt a kiolvasott információt kutatja,
04:24
is seeking to look at this readout,
104
249000
3000
megnézzük ezt az információt, hogy megtudjuk,
04:27
understanding which of these 25,000 genes is turned on.
105
252000
3000
ebből a 25 ezer génből melyik van bekapcsolva.
04:30
So in order to undertake such a project,
106
255000
3000
A projekt végrehajtásához
04:33
we obviously need brains.
107
258000
3000
nyilvánvalóan agyakra van szükségünk.
04:36
So we sent our lab technician out.
108
261000
3000
Ezért kiküldtük a labortechnikusunkat.
04:39
We were seeking normal human brains.
109
264000
2000
Szabályos emberi agyakat keresünk.
04:41
What we actually start with
110
266000
2000
Az orvosszakértői
04:43
is a medical examiner's office.
111
268000
2000
hivatalban kezdtük.
04:45
This a place where the dead are brought in.
112
270000
2000
Ez az a hely, ahova a halottakat viszik.
04:47
We are seeking normal human brains.
113
272000
2000
Szabályos emberi agyakat keresünk.
04:49
There's a lot of criteria by which we're selecting these brains.
114
274000
3000
Sok kritérium alapján választjuk ki ezeket az agyakat.
04:52
We want to make sure
115
277000
2000
Biztosnak kell lennünk abban,
04:54
that we have normal humans between the ages of 20 to 60,
116
279000
3000
hogy 20-60 éves közötti átlagos emberek,
04:57
they died a somewhat natural death
117
282000
2000
akik valamilyen természetes halállal haltak meg,
04:59
with no injury to the brain,
118
284000
2000
amely nem károsította az agyukat,
05:01
no history of psychiatric disease,
119
286000
2000
nincs pszichiátriai kórelőzményük,
05:03
no drugs on board --
120
288000
2000
nem drogoztak --
05:05
we do a toxicology workup.
121
290000
2000
toxikológiai vizsgálatot végzünk.
05:07
And we're very careful
122
292000
2000
Nagyon óvatosak vagyunk
05:09
about the brains that we do take.
123
294000
2000
az aggyal, amit elviszünk.
05:11
We're also selecting for brains
124
296000
2000
Olyan agyakat választunk,
05:13
in which we can get the tissue,
125
298000
2000
amelyekben a szövetet,
05:15
we can get consent to take the tissue
126
300000
2000
a szövet elviteléhez való hozzájárulást
05:17
within 24 hours of time of death.
127
302000
2000
a halál után 24 órán belül megkaphatjuk.
05:19
Because what we're trying to measure, the RNA --
128
304000
3000
Mivel amit mérni akarunk, az RNS --
05:22
which is the readout from our genes --
129
307000
2000
amely a génjeink kiolvasott információja --
05:24
is very labile,
130
309000
2000
nagyon labilis,
05:26
and so we have to move very quickly.
131
311000
2000
így nagyon gyorsan kell lépnünk.
05:28
One side note on the collection of brains:
132
313000
3000
Egy széljegyzet az agyak gyűjtéséhez:
05:31
because of the way that we collect,
133
316000
2000
a gyűjtés módja miatt,
05:33
and because we require consent,
134
318000
2000
és mivel hozzájárulást kérünk,
05:35
we actually have a lot more male brains than female brains.
135
320000
3000
sokkal több férfiagyunk van, mint női.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
323000
3000
A férfiak sokkal nagyobb valószínűséggel halnak hirtelen halált
05:41
And men are much more likely
137
326000
2000
életük teljében. És a férfiaknak sokkal valószínűbb, hogy
05:43
to have their significant other, spouse, give consent
138
328000
3000
van egy fontos valakijük, házastársuk, aki
05:46
than the other way around.
139
331000
2000
beleegyezését adja, mint a másik nemnek.
05:48
(Laughter)
140
333000
4000
(Nevetés)
05:52
So the first thing that we do at the site of collection
141
337000
2000
Tehát az első dolog, amit a begyűjtés
05:54
is we collect what's called an MR.
142
339000
2000
helyén teszünk, hogy beszerezzük az MR-t.
05:56
This is magnetic resonance imaging -- MRI.
143
341000
2000
Ez a mágneses rezonanciás képalkotás -- MRI.
05:58
It's a standard template by which we're going to hang the rest of this data.
144
343000
3000
Ez egy standard sablon, amellyel a többi adatot fogjuk be.
06:01
So we collect this MR.
145
346000
2000
Tehát megcsináljuk az MR-t. Úgy gondoljanak rá,
06:03
And you can think of this as our satellite view for our map.
146
348000
2000
hogy ez a térképünk műholdas nézete.
06:05
The next thing we do
147
350000
2000
A következő dolog, amit csinálunk,
06:07
is we collect what's called a diffusion tensor imaging.
148
352000
3000
a diffúziós tenzor leképezés.
06:10
This maps the large cabling in the brain.
149
355000
2000
Ez az agy nagy idegpályáit térképezi le.
06:12
And again, you can think of this
150
357000
2000
Úgy gondolhatnak erre, ha tetszik, mintha
06:14
as almost mapping our interstate highways, if you will.
151
359000
2000
az államok közötti autópályákat térképeznénk.
06:16
The brain is removed from the skull,
152
361000
2000
Az agyat kiveszik a koponyából,
06:18
and then it's sliced into one-centimeter slices.
153
363000
3000
aztán egy centiméteres szeletekre vágják.
06:21
And those are frozen solid,
154
366000
2000
Ezeket megfagyasztják,
06:23
and they're shipped to Seattle.
155
368000
2000
majd elszállítják Seattle-be.
06:25
And in Seattle, we take these --
156
370000
2000
Mi Seattle-ben fogjuk ezeket --
06:27
this is a whole human hemisphere --
157
372000
2000
ez egy teljes emberi félteke --, és betesszük
06:29
and we put them into what's basically a glorified meat slicer.
158
374000
2000
őket alapvetően egy megszépített hússzeletelőbe.
06:31
There's a blade here that's going to cut across
159
376000
2000
Van itt egy penge, ami átvágja a
06:33
a section of the tissue
160
378000
2000
szövetmetszetet,
06:35
and transfer it to a microscope slide.
161
380000
2000
és átalakítja mikroszkópos metszetté.
06:37
We're going to then apply one of those stains to it,
162
382000
2000
Aztán az egyik festékkel megfestjük,
06:39
and we scan it.
163
384000
2000
és megvizsgáljuk.
06:41
And then what we get is our first mapping.
164
386000
3000
Amit így kapunk, az az első térképezésünk.
06:44
So this is where experts come in
165
389000
2000
Itt jönnek a képbe a szakértők,
06:46
and they make basic anatomic assignments.
166
391000
2000
és alapvető anatómiai felosztást végeznek.
06:48
You could consider this state boundaries, if you will,
167
393000
3000
Államhatároknak is képzelhetik ezeket,
06:51
those pretty broad outlines.
168
396000
2000
azokat a meglehetősen durva körvonalakat.
06:53
From this, we're able to then fragment that brain into further pieces,
169
398000
4000
Ebből aztán az agyat további darabokra tudjuk szétszedni,
06:57
which then we can put on a smaller cryostat.
170
402000
2000
amiket majd egy kisebb kriosztátba tehetünk.
06:59
And this is just showing this here --
171
404000
2000
Éppen ezt mutatom itt --
07:01
this frozen tissue, and it's being cut.
172
406000
2000
ez a fagyasztott szövet, amit éppen vágnak.
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
408000
3000
Ez húsz mikron vastag, körülbelül egy kisbaba hajszálának a szélességével egyenlő.
07:06
And remember, it's frozen.
174
411000
2000
Ne felejtsék el, meg van fagyasztva.
07:08
And so you can see here,
175
413000
2000
Itt láthatják, hogy egy régimódi
07:10
old-fashioned technology of the paintbrush being applied.
176
415000
2000
technikát, ecsetet alkalmazunk.
07:12
We take a microscope slide.
177
417000
2000
Fogunk egy mikroszkópos metszetet.
07:14
Then we very carefully melt onto the slide.
178
419000
3000
Nagyon óvatosan ráolvasztjuk a tárgylemezre.
07:17
This will then go onto a robot
179
422000
2000
Ezután egy robotra kerül,
07:19
that's going to apply one of those stains to it.
180
424000
3000
amely valamelyik festéket alkalmazza.
07:26
And our anatomists are going to go in and take a deeper look at this.
181
431000
3000
Jönnek az anatómusaink , és alaposabban megnézik.
07:29
So again this is what they can see under the microscope.
182
434000
2000
Ezt látják a mikroszkóp alatt.
07:31
You can see collections and configurations
183
436000
2000
Nagy és kis sejtek halmozódását
07:33
of large and small cells
184
438000
2000
és alakzatait látják
07:35
in clusters and various places.
185
440000
2000
csoportokba rendeződve, különböző helyeken.
07:37
And from there it's routine. They understand where to make these assignments.
186
442000
2000
Innen kezdve már rutinmunka jön. Tudják, hol kell megcsinálni
07:39
And they can make basically what's a reference atlas.
187
444000
3000
a felosztásokat. Alapvetően egy referenciaatlaszt tudnak készíteni.
07:42
This is a more detailed map.
188
447000
2000
Ez egy részletesebb térkép.
07:44
Our scientists then use this
189
449000
2000
A tudósaink aztán ezt használják arra,
07:46
to go back to another piece of that tissue
190
451000
3000
hogy visszatérjenek ugyanannak a szövetnek egy
07:49
and do what's called laser scanning microdissection.
191
454000
2000
másik darabjához, és lézer mikrodisszekciót végezzenek.
07:51
So the technician takes the instructions.
192
456000
3000
A technikus megkapja az utasításokat.
07:54
They scribe along a place there.
193
459000
2000
Körberajzol egy helyet.
07:56
And then the laser actually cuts.
194
461000
2000
Aztán a lézer kivágja.
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
463000
3000
Látják azt a kék pontot, amit kivág. Aztán ez a szövet leesik.
08:01
You can see on the microscope slide here,
196
466000
2000
Itt láthatják a mikroszkopikus metszetet,
08:03
that's what's happening in real time.
197
468000
2000
ez valós időben történik.
08:05
There's a container underneath that's collecting that tissue.
198
470000
3000
Van egy tartály alatta, ami felfogja a szövetet.
08:08
We take that tissue,
199
473000
2000
Vesszük ezt a szövetet,
08:10
we purify the RNA out of it
200
475000
2000
alapvető technológia segítségével
08:12
using some basic technology,
201
477000
2000
RNS-t tisztítunk belőle,
08:14
and then we put a florescent tag on it.
202
479000
2000
aztán egy fluoreszcens jelet teszünk rá.
08:16
We take that tagged material
203
481000
2000
Fogjuk ezt a megjelölt anyagot,
08:18
and we put it on to something called a microarray.
204
483000
3000
és egy microarray-re tesszük.
08:21
Now this may look like a bunch of dots to you,
205
486000
2000
Ez most Önöknek lehet, hogy úgy néz ki, mint egy csomó pont,
08:23
but each one of these individual dots
206
488000
2000
de ezeknek az egyedi pontoknak mindegyike
08:25
is actually a unique piece of the human genome
207
490000
2000
valójában a humán genom egy egyedi darabja,
08:27
that we spotted down on glass.
208
492000
2000
amit üvegre képeztünk le.
08:29
This has roughly 60,000 elements on it,
209
494000
3000
Durván 60 ezer elem van rajta,
08:32
so we repeatedly measure various genes
210
497000
3000
tehát a genomban lévő 25 ezer gén
08:35
of the 25,000 genes in the genome.
211
500000
2000
változatait többször mérjük.
08:37
And when we take a sample and we hybridize it to it,
212
502000
3000
Amikor veszünk egy mintát és hozzá hibridizáljuk,
08:40
we get a unique fingerprint, if you will,
213
505000
2000
egy egyedi lenyomatot kapunk, ha úgy tetszik, mennyiségileg
08:42
quantitatively of what genes are turned on in that sample.
214
507000
3000
megkapjuk, hogy abban a mintában mely gének vannak bekapcsolva.
08:45
Now we do this over and over again,
215
510000
2000
Ezt a folyamatot újra és újra megcsináljuk
08:47
this process for any given brain.
216
512000
3000
egy adott agy esetében.
08:50
We're taking over a thousand samples for each brain.
217
515000
3000
Mindegyik agyból több mint ezer mintát veszünk.
08:53
This area shown here is an area called the hippocampus.
218
518000
3000
Ez a terület, amit itt látnak, a hippokampusz.
08:56
It's involved in learning and memory.
219
521000
2000
Ez a tanulásban és a memóriában játszik szerepet.
08:58
And it contributes to about 70 samples
220
523000
3000
És ez körülbelül 70 mintával járul hozzá
09:01
of those thousand samples.
221
526000
2000
ahhoz az ezer mintához.
09:03
So each sample gets us about 50,000 data points
222
528000
4000
Mindegyik minta körülbelül 50 ezer adatpontot ad nekünk,
09:07
with repeat measurements, a thousand samples.
223
532000
3000
ismételt mérésekkel, ezer mintából.
09:10
So roughly, we have 50 million data points
224
535000
2000
Így durván 50 millió adatpontunk van
09:12
for a given human brain.
225
537000
2000
egy adott emberi agy esetében.
09:14
We've done right now
226
539000
2000
Éppen most csináltunk meg
09:16
two human brains-worth of data.
227
541000
2000
két emberi agynyi adatot.
09:18
We've put all of that together
228
543000
2000
Ezeket egy dologgá
09:20
into one thing,
229
545000
2000
illesztjük össze,
09:22
and I'll show you what that synthesis looks like.
230
547000
2000
és megmutatom Önöknek, hogy néz ki ez a szintézis.
09:24
It's basically a large data set of information
231
549000
3000
Ez alapvetően egy nagy információs adathalmaz,
09:27
that's all freely available to any scientist around the world.
232
552000
3000
amely szabadon elérhető bármelyik tudós számára a világon.
09:30
They don't even have to log in to come use this tool,
233
555000
3000
Még csak be sem kell jelentkezniük ennek az eszköznek a használatához,
09:33
mine this data, find interesting things out with this.
234
558000
4000
hogy bányásszanak az adatok között, hogy érdekes dolgokat tudjanak meg.
09:37
So here's the modalities that we put together.
235
562000
3000
Itt van a jelleg, amit összeraktunk.
09:40
You'll start to recognize these things from what we've collected before.
236
565000
3000
Felismerhetik azokat a dolgokat, amikből kiindultunk.
09:43
Here's the MR. It provides the framework.
237
568000
2000
Itt van az MR. Ez adja a vázat.
09:45
There's an operator side on the right that allows you to turn,
238
570000
3000
A jobb oldalon van egy kezelői oldal, ami
09:48
it allows you to zoom in,
239
573000
2000
lehetővé teszi a forgatást, a nagyítást,
09:50
it allows you to highlight individual structures.
240
575000
3000
lehetővé teszi egyedi struktúrák kiemelését.
09:53
But most importantly,
241
578000
2000
De a legfontosabb, hogy most már ebben
09:55
we're now mapping into this anatomic framework,
242
580000
3000
az anatómiai vázban térképezünk, amely egy közös váz
09:58
which is a common framework for people to understand where genes are turned on.
243
583000
3000
az embereknek, hogy megtudják, hol vannak bekapcsolva a gének.
10:01
So the red levels
244
586000
2000
A piros felszínek azok,
10:03
are where a gene is turned on to a great degree.
245
588000
2000
ahol a gének nagymértékben be vannak kapcsolva.
10:05
Green is the sort of cool areas where it's not turned on.
246
590000
3000
A zöld egyfajta hideg terület, ahol nincsenek bekapcsolva.
10:08
And each gene gives us a fingerprint.
247
593000
2000
Mindegyik gén egy ujjlenyomatot ad nekünk.
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
595000
5000
Ne felejtsék el, megvizsgáltuk mind a 25 ezer gént a genomban,
10:15
and have all of that data available.
249
600000
4000
és az összes adatot elérhetővé tettük.
10:19
So what can scientists learn about this data?
250
604000
2000
Mit tanulhatnak a tudósok ezekből az adatokból?
10:21
We're just starting to look at this data ourselves.
251
606000
3000
Mi magunk is éppen most kezdjük megnézni ezeket az adatokat.
10:24
There's some basic things that you would want to understand.
252
609000
3000
Van néhány alap dolog, amit az ember meg szeretne tudni.
10:27
Two great examples are drugs,
253
612000
2000
A gyógyszer a fő példánk ,
10:29
Prozac and Wellbutrin.
254
614000
2000
a Prozac és a Wellbutrin.
10:31
These are commonly prescribed antidepressants.
255
616000
3000
Ezek rendszeresen felírt antidepresszánsok.
10:34
Now remember, we're assaying genes.
256
619000
2000
Ne felejtsék el, géneket vizsgálunk.
10:36
Genes send the instructions to make proteins.
257
621000
3000
A gének küldik a fehérjék készítéséhez az utasításokat.
10:39
Proteins are targets for drugs.
258
624000
2000
A fehérjék a gyógyszerek célpontjai.
10:41
So drugs bind to proteins
259
626000
2000
A gyógyszerek hozzákapcsolódnak a fehérjékhez,
10:43
and either turn them off, etc.
260
628000
2000
és kikapcsolják őket stb.
10:45
So if you want to understand the action of drugs,
261
630000
2000
Ha meg akarjuk érteni a gyógyszerek működését,
10:47
you want to understand how they're acting in the ways you want them to,
262
632000
3000
meg akarjuk érteni, hogyan működnek úgy, ahogy szeretnénk,
10:50
and also in the ways you don't want them to.
263
635000
2000
és úgy, ahogy nem akarjuk, hogy működjenek.
10:52
In the side effect profile, etc.,
264
637000
2000
A mellékhatások profiljában stb.,
10:54
you want to see where those genes are turned on.
265
639000
2000
azt akarjuk látni, hogy azok a gének hol vannak bekapcsolva.
10:56
And for the first time, we can actually do that.
266
641000
2000
És most először ezt tényleg meg tudjuk tenni.
10:58
We can do that in multiple individuals that we've assayed too.
267
643000
3000
Ezt több egyedben is megtehetjük, amiket megvizsgáltunk.
11:01
So now we can look throughout the brain.
268
646000
3000
Tehát körülnézhetünk az agyban.
11:04
We can see this unique fingerprint.
269
649000
2000
Láthatjuk ezeket az egyedi ujjlenyomatokat.
11:06
And we get confirmation.
270
651000
2000
Megerősítést kaphatunk.
11:08
We get confirmation that, indeed, the gene is turned on --
271
653000
3000
Megerősítést kaphatunk, hogy valóban, a gén
11:11
for something like Prozac,
272
656000
2000
be van kapcsolva -- olyasmi esetében, mint a Prozac,
11:13
in serotonergic structures, things that are already known be affected --
273
658000
3000
a szerotonerg szerkezetekben, olyan dolgok esetében, amikről már tudjuk, hogy hatásosak --
11:16
but we also get to see the whole thing.
274
661000
2000
de az egész dolgot is láthatjuk.
11:18
We also get to see areas that no one has ever looked at before,
275
663000
2000
Olyan területeket is láthatunk, amiket senki nem nézett meg ezelőtt,
11:20
and we see these genes turned on there.
276
665000
2000
és látjuk, hogy ezek a gének itt be vannak kapcsolva.
11:22
It's as interesting a side effect as it could be.
277
667000
3000
Ez olyan érdekes mellékhatás, amilyen csak lehet.
11:25
One other thing you can do with such a thing
278
670000
2000
Egy másik dolog, amit az ilyesmivel meg lehet csinálni,
11:27
is you can, because it's a pattern matching exercise,
279
672000
3000
mivel ez egy mintaillesztési feladat,
11:30
because there's unique fingerprint,
280
675000
2000
mivel egyedi ujjlenyomatok vannak,
11:32
we can actually scan through the entire genome
281
677000
2000
hogy végig pásztázzuk az egész genomot,
11:34
and find other proteins
282
679000
2000
és más fehérjéket keresünk,
11:36
that show a similar fingerprint.
283
681000
2000
amelyeknek hasonló ujjlenyomatuk van.
11:38
So if you're in drug discovery, for example,
284
683000
3000
Ha az ember például a gyógyszerkutatásban
11:41
you can go through
285
686000
2000
dolgozik, végigmehet
11:43
an entire listing of what the genome has on offer
286
688000
2000
a teljes listán, amit a genom ad, hogy esetleg
11:45
to find perhaps better drug targets and optimize.
287
690000
4000
jobb gyógyszercélpontot találjon és optimalizáljon.
11:49
Most of you are probably familiar
288
694000
2000
Önök közül valószínűleg nagyon sokan
11:51
with genome-wide association studies
289
696000
2000
ismerik a genommal kapcsolatos tanulmányokat,
11:53
in the form of people covering in the news
290
698000
3000
ahogy a hírekben közvetítik:
11:56
saying, "Scientists have recently discovered the gene or genes
291
701000
3000
„A tudósok nemrég felfedezték azt a gént vagy géneket,
11:59
which affect X."
292
704000
2000
amely(ek) X-re hat(nak).”
12:01
And so these kinds of studies
293
706000
2000
Ezeket a fajta tanulmányokat
12:03
are routinely published by scientists
294
708000
2000
rendszeresen publikálják a tudósok,
12:05
and they're great. They analyze large populations.
295
710000
2000
és ezek nagyszerűek. Nagy populációkat elemeznek.
12:07
They look at their entire genomes,
296
712000
2000
Megnézik a teljes genomot,
12:09
and they try to find hot spots of activity
297
714000
2000
és megpróbálnak aktivitási forró pontokat találni,
12:11
that are linked causally to genes.
298
716000
3000
amelyek okozatilag a génekhez kapcsolódnak.
12:14
But what you get out of such an exercise
299
719000
2000
De egy ilyen kísérletből egyszerűen csak
12:16
is simply a list of genes.
300
721000
2000
egy génlistát kapunk.
12:18
It tells you the what, but it doesn't tell you the where.
301
723000
3000
Ez megmutatja, hogy mi, de nem mutatja meg, hogy hol.
12:21
And so it's very important for those researchers
302
726000
3000
Ezeknek a kutatóknak nagyon fontos,
12:24
that we've created this resource.
303
729000
2000
hogy létrehoztuk ezt a forrást.
12:26
Now they can come in
304
731000
2000
Most bejöhetnek,
12:28
and they can start to get clues about activity.
305
733000
2000
és kulcsot kaphatnak ezekhez az aktivitásokhoz.
12:30
They can start to look at common pathways --
306
735000
2000
Elkezdhetnek közös útvonalakat keresni --
12:32
other things that they simply haven't been able to do before.
307
737000
3000
más olyan dolgokat, amiket azelőtt nem tudtak megcsinálni.
12:36
So I think this audience in particular
308
741000
3000
Azt hiszem, ez a közönség különösen
12:39
can understand the importance of individuality.
309
744000
3000
megérti az egyéniség fontosságát.
12:42
And I think every human,
310
747000
2000
Úgy gondolom, minden embernek,
12:44
we all have different genetic backgrounds,
311
749000
4000
mindannyiunknak más genetikai háttere van,
12:48
we all have lived separate lives.
312
753000
2000
mindannyian független életet élünk.
12:50
But the fact is
313
755000
2000
De tény,
12:52
our genomes are greater than 99 percent similar.
314
757000
3000
hogy a genomunk több mint 99%-a azonos.
12:55
We're similar at the genetic level.
315
760000
3000
Genetikai szinten azonosak vagyunk.
12:58
And what we're finding
316
763000
2000
És valójában azt találjuk,
13:00
is actually, even at the brain biochemical level,
317
765000
2000
hogy még az agy biokémiai szintjén is
13:02
we are quite similar.
318
767000
2000
meglehetősen hasonlóak vagyunk.
13:04
And so this shows it's not 99 percent,
319
769000
2000
Ez azt mutatja, hogy nem 99%,
13:06
but it's roughly 90 percent correspondence
320
771000
2000
hanem durván 90% egyezés van
13:08
at a reasonable cutoff,
321
773000
3000
egy ésszerű határon belül,
13:11
so everything in the cloud is roughly correlated.
322
776000
2000
tehát a felhőben minden nagyjából összefüggésben van.
13:13
And then we find some outliers,
323
778000
2000
Találunk néhány távol álló pontot,
13:15
some things that lie beyond the cloud.
324
780000
3000
olyanokat, amik a felhőn kívül találhatók.
13:18
And those genes are interesting,
325
783000
2000
És azok a gének érdekesek,
13:20
but they're very subtle.
326
785000
2000
de nagyon apróak.
13:22
So I think it's an important message
327
787000
3000
Azt hiszem, egy fontos üzenet,
13:25
to take home today
328
790000
2000
amit ma hazavihetnek, hogy annak ellenére,
13:27
that even though we celebrate all of our differences,
329
792000
3000
hogy a különbségeinket hangsúlyozzuk,
13:30
we are quite similar
330
795000
2000
meglehetősen hasonlóak vagyunk
13:32
even at the brain level.
331
797000
2000
még az agy szintjén is.
13:34
Now what do those differences look like?
332
799000
2000
Hogy néznek ki a különbségek?
13:36
This is an example of a study that we did
333
801000
2000
Ez egy olyan tanulmányból vett példa, amit azért végeztünk,
13:38
to follow up and see what exactly those differences were --
334
803000
2000
hogy lássuk, pontosan mik ezek a különbségek --
13:40
and they're quite subtle.
335
805000
2000
és ezek bizony elég apróak.
13:42
These are things where genes are turned on in an individual cell type.
336
807000
4000
Ezek olyan dolgok, ahol a gének be vannak kapcsolva egy egyedi sejttípusban.
13:46
These are two genes that we found as good examples.
337
811000
3000
Itt van két gén, amit jó példának találtunk.
13:49
One is called RELN -- it's involved in early developmental cues.
338
814000
3000
Az egyiket úgy hívják: RELN -- ez a korai fejlődési utasításokban vesz részt.
13:52
DISC1 is a gene
339
817000
2000
A DISC1 egy olyan gén,
13:54
that's deleted in schizophrenia.
340
819000
2000
amely törölve van a skizofréniában.
13:56
These aren't schizophrenic individuals,
341
821000
2000
Ezek nem skizofrén egyedek,
13:58
but they do show some population variation.
342
823000
3000
de bizonyos ingadozást mutatnak a populációban.
14:01
And so what you're looking at here
343
826000
2000
Amit itt látnak,
14:03
in donor one and donor four,
344
828000
2000
az egyes és négyes donorban,
14:05
which are the exceptions to the other two,
345
830000
2000
a másik kettővel ellentétben,
14:07
that genes are being turned on
346
832000
2000
hogy bekapcsolt gének vannak
14:09
in a very specific subset of cells.
347
834000
2000
a sejtek egy nagyon specifikus alcsoportjában.
14:11
It's this dark purple precipitate within the cell
348
836000
3000
Ez a sötétlila üledék a sejten belül
14:14
that's telling us a gene is turned on there.
349
839000
3000
mutatja, hogy egy gén ott be van kapcsolva.
14:17
Whether or not that's due
350
842000
2000
Azt, hogy vajon ez az egyed genetikai hátterének
14:19
to an individual's genetic background or their experiences,
351
844000
2000
vagy a tapasztalatainak köszönhető-e,
14:21
we don't know.
352
846000
2000
nem tudjuk.
14:23
Those kinds of studies require much larger populations.
353
848000
3000
Az ilyesféle vizsgálatok sokkal nagyobb populációt igényelnek.
14:28
So I'm going to leave you with a final note
354
853000
2000
Egy utolsó megjegyzéssel távozom,
14:30
about the complexity of the brain
355
855000
3000
az agy összetettségére vonatkozóan,
14:33
and how much more we have to go.
356
858000
2000
és hogy milyen sokat kell még haladnunk.
14:35
I think these resources are incredibly valuable.
357
860000
2000
Azt hiszem, ezek a források hihetetlenül értékesek.
14:37
They give researchers a handle
358
862000
2000
Fogódzót adnak a kutatóknak azzal
14:39
on where to go.
359
864000
2000
kapcsolatban, hogy merre menjenek.
14:41
But we only looked at a handful of individuals at this point.
360
866000
3000
De eddig csak egy maroknyi egyedet néztünk meg.
14:44
We're certainly going to be looking at more.
361
869000
2000
Biztos, hogy többet fogunk megnézni.
14:46
I'll just close by saying
362
871000
2000
Azzal zárom,
14:48
that the tools are there,
363
873000
2000
hogy az eszközök ott vannak,
14:50
and this is truly an unexplored, undiscovered continent.
364
875000
4000
és ez valóban egy felderítetlen, felfedezetlen kontinens.
14:54
This is the new frontier, if you will.
365
879000
4000
Ez az új határ, ha úgy tetszik.
14:58
And so for those who are undaunted,
366
883000
2000
És azokat, akik rettenthetetlenek,
15:00
but humbled by the complexity of the brain,
367
885000
2000
de alázatossá teszi őket az agy összetettsége,
15:02
the future awaits.
368
887000
2000
várja a jövő.
15:04
Thanks.
369
889000
2000
Köszönöm.
15:06
(Applause)
370
891000
9000
(Taps)
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