TEDGlobal 2012
Susan Solomon: The promise of research with stem cells
Susan Solomon: Az őssejtekkel végzett kutatás ígérete
Filmed:
Readability: 4.9
927,801 views
"Testünk saját javítókészletének" nevezve az őssejteket, Susan Soloman támogatja a kutatást, amely laborban előállított őssejteket használ. Az egyedi pluripotens őssejtvonalak tenyésztésével a csoportja kísérleti körülményeket hoz létre, amelyek felgyorsíthatják a betegségek kezelésére irányuló kutatásokat -- és talán a személyre szabott kezeléshez vezetnek, amely nemcsak egy bizonyos betegséget, hanem egy bizonyos embert céloz meg.
Susan Solomon - Stem cell research advocate
Susan Solomon enables support for human stem cell research, aiming to cure major diseases and empower more personalized medicine. Full bio
Susan Solomon enables support for human stem cell research, aiming to cure major diseases and empower more personalized medicine. Full bio
Double-click the English transcript below to play the video.
00:17
So, embryonic stem cells
0
1121
2989
Az embrionális őssejtek
00:20
are really incredible cells.
1
4110
3300
valóban hihetetlen sejtek.
00:23
They are our body's own repair kits,
2
7410
2788
A testünk saját javítókészletei,
00:26
and they're pluripotent, which means they can morph into
3
10198
2964
és pluripotensek, ami azt jelenti, hogy
00:29
all of the cells in our bodies.
4
13162
2432
mindenféle sejtté átváltozhatnak.
00:31
Soon, we actually will be able to use stem cells
5
15594
2688
Hamarosan képesek leszünk az őssejteket arra használni,
00:34
to replace cells that are damaged or diseased.
6
18282
2985
hogy helyettesítsék a károsodott vagy megbetegedett sejteket.
00:37
But that's not what I want to talk to you about,
7
21267
2431
De nem erről akarok beszélni,
00:39
because right now there are some really
8
23698
2678
mivel most éppen van néhány igazán
00:42
extraordinary things that we are doing with stem cells
9
26376
3946
rendkívüli dolog, amit az őssejtekkel csinálunk,
00:46
that are completely changing
10
30322
1607
amelyek teljesen megváltoztatják azt,
00:47
the way we look and model disease,
11
31929
2899
ahogy látjuk és modellezzük a betegségeket,
00:50
our ability to understand why we get sick,
12
34828
2519
a képességünket arra, hogy megértsük, miért betegszünk meg,
00:53
and even develop drugs.
13
37347
2431
sőt még a gyógyszerfejlesztést is.
00:55
I truly believe that stem cell research is going to allow
14
39778
4313
Én igazán hiszem, hogy az őssejtkutatás lehetővé teszi
00:59
our children to look at Alzheimer's and diabetes
15
44091
4505
a gyermekeink számára, hogy úgy tekintsenek az Alzheimer-kórra és a diabéteszre,
01:04
and other major diseases the way we view polio today,
16
48596
4391
valamint más főbb betegségekre, mint ahogy ma mi tekintünk a himlőre,
01:08
which is as a preventable disease.
17
52987
3201
vagyis megelőzhető betegségként.
01:12
So here we have this incredible field, which has
18
56188
3223
Tehát itt van ez a hihetetlen terület, amely
01:15
enormous hope for humanity,
19
59411
4387
hatalmas remény az emberiség számára,
01:19
but much like IVF over 35 years ago,
20
63798
3520
de ugyanúgy, ahogy az IVF-et (In Vitro Fertilizáció) 35 évvel ezelőtt,
01:23
until the birth of a healthy baby, Louise,
21
67318
2334
míg az első egészséges baba, Louise meg nem született,
01:25
this field has been under siege politically and financially.
22
69652
5069
ezt a területet is támadják politikailag és pénzügyileg.
01:30
Critical research is being challenged instead of supported,
23
74721
4272
A kritikus fontosságú kutatásokat támogatás helyett kifogásolják,
01:34
and we saw that it was really essential to have
24
78993
4360
és úgy láttuk, alapvetően szükséges, hogy legyenek
01:39
private safe haven laboratories where this work
25
83353
3531
magán, biztonságos menedéklaborjaink, ahol ezt a munkát
01:42
could be advanced without interference.
26
86884
2830
beavatkozás nélkül vihetjük előre.
01:45
And so, in 2005,
27
89714
2531
És így 2005-ben
01:48
we started the New York Stem Cell Foundation Laboratory
28
92245
2612
megalapítottuk a New York Stem Cell Foundation Laboratoryt (New York-i Őssejt Alapítvány Laboratóriuma)
01:50
so that we would have a small organization that could
29
94857
3589
azért, hogy legyen egy kis szervezetünk,
01:54
do this work and support it.
30
98446
3312
amely csinálhatja és támogathatja ezt a munkát.
01:57
What we saw very quickly is the world of both medical
31
101758
3385
Nagyon gyorsan észrevettük, hogy mind a gyógyszerkutatás,
02:01
research, but also developing drugs and treatments,
32
105143
3376
mind a gyógyszer- és gyógykezelés-fejlesztés világát,
02:04
is dominated by, as you would expect, large organizations,
33
108519
3713
ahogy az várható is volt, nagy szervezetek uralják,
02:08
but in a new field, sometimes large organizations
34
112232
3119
de egy új területen néha a nagy szervezeteknek
02:11
really have trouble getting out of their own way,
35
115351
2168
nehéz elhagyni a régi módszereket,
02:13
and sometimes they can't ask the right questions,
36
117519
2436
és néha nem tudják feltenni a megfelelő kérdéseket.
02:15
and there is an enormous gap that's just gotten larger
37
119955
3356
Van egy egyre bővülő, hatalmas rés
02:19
between academic research on the one hand
38
123311
3211
a tudományos kutatás és egyrészt a
02:22
and pharmaceutical companies and biotechs
39
126522
2701
gyógyszeripari vállalatok és a biotechnológiai cégek között,
02:25
that are responsible for delivering all of our drugs
40
129223
3266
amelyek az összes gyógyszerünk és
02:28
and many of our treatments, and so we knew that
41
132489
2390
sok kezelésünk előállításáért felelősek, és így mi tudtuk, hogy
02:30
to really accelerate cures and therapies, we were going
42
134879
3946
ahhoz, hogy tényleg felgyorsítsuk a gyógyítást és a terápiákat,
02:34
to have to address this with two things:
43
138825
2807
két dologgal kell ezt intéznünk:
02:37
new technologies and also a new research model.
44
141632
3222
új technológiákkal és új kutatási modellel.
02:40
Because if you don't close that gap, you really are
45
144854
3759
Mert ha az ember nem zárja be azt a rést, akkor
02:44
exactly where we are today.
46
148613
1607
pontosan ott van, ahol ma vagyunk.
02:46
And that's what I want to focus on.
47
150220
1667
És erre akarok összpontosítani.
02:47
We've spent the last couple of years pondering this,
48
151887
3550
Az utolsó pár évet ennek a mérlegelésével töltöttük,
02:51
making a list of the different things that we had to do,
49
155437
2391
listát készítettünk azokról a dolgokról, amiket meg kell csinálnunk,
02:53
and so we developed a new technology,
50
157828
2631
és így kifejlesztettünk egy új technológiát.
02:56
It's software and hardware,
51
160459
1251
Ez olyan szoftver és hardver,
02:57
that actually can generate thousands and thousands of
52
161710
3503
amely tulajdonképpen létre tud hozni több ezer
03:01
genetically diverse stem cell lines to create
53
165213
3170
genetikailag különböző őssejtvonalat, hogy létrehozzon
03:04
a global array, essentially avatars of ourselves.
54
168383
3787
egy globális sort, lényegében önmagunk avatárját.
03:08
And we did this because we think that it's actually going
55
172170
3434
Ezt azért csináltuk, mert úgy gondoljuk, hogy ez
03:11
to allow us to realize the potential, the promise,
56
175604
3415
lehetővé teszi, hogy megvalósítsuk a lehetőséget, az ígéretet,
03:14
of all of the sequencing of the human genome,
57
179019
3080
amely a humán genom megszekvenálásából fakad,
03:17
but it's going to allow us, in doing that,
58
182099
2504
de azt is lehetővé teszi, hogy
03:20
to actually do clinical trials in a dish with human cells,
59
184603
5008
klinikai kísérleteket végezzünk Petri-csészében emberi sejtekkel,
03:25
not animal cells, to generate drugs and treatments
60
189611
4159
nem állati sejtekkel, lehetővé teszi, hogy olyan gyógyszereket és gyógykezeléseket állítsunk elő,
03:29
that are much more effective, much safer,
61
193770
3249
amelyek sokkal hatékonyabbak, sokkal biztonságosabbak,
03:32
much faster, and at a much lower cost.
62
197019
3256
sokkal gyorsabbak és sokkal kevesebbe kerülnek.
03:36
So let me put that in perspective for you
63
200275
2384
Hadd mutassam meg nagyobb perspektívába helyezve,
03:38
and give you some context.
64
202659
1416
hadd mutassam meg összefüggéseiben.
03:39
This is an extremely new field.
65
204075
4832
Ez egy nagyon új terület.
03:44
In 1998, human embryonic stem cells
66
208907
2832
1998-ban azonosították először a humán embrionális őssejteket,
03:47
were first identified, and just nine years later,
67
211739
3512
és mindössze 9 évvel később
03:51
a group of scientists in Japan were able to take skin cells
68
215251
4305
egy tudóscsoport Japánban képes volt a bőrsejteket
03:55
and reprogram them with very powerful viruses
69
219556
3195
újraprogramozni nagyon erős vírusokkal,
03:58
to create a kind of pluripotent stem cell
70
222751
4242
és létrehozni egyfajta pluripotens őssejtet,
04:02
called an induced pluripotent stem cell,
71
226993
2090
amit indukált pluripotens őssejtnek neveznek,
04:04
or what we refer to as an IPS cell.
72
229083
3008
vagyis amit iPS sejtként emlegetünk.
04:07
This was really an extraordinary advance, because
73
232091
3198
Ez tényleg rendkívüli haladás volt, mivel,
04:11
although these cells are not human embryonic stem cells,
74
235289
2544
bár ezek a sejtek nem humán embrionális őssejtek,
04:13
which still remain the gold standard,
75
237833
1794
amelyek mindig is megmaradnak aranystandardnak,
04:15
they are terrific to use for modeling disease
76
239627
3470
nagyon jól használhatók a betegségek modellezésére
04:18
and potentially for drug discovery.
77
243097
2730
és esetleg gyógyszerfejlesztésre.
04:21
So a few months later, in 2008, one of our scientists
78
245827
3040
Néhány hónappal később, 2008-ban az egyik tudósunk
04:24
built on that research. He took skin biopsies,
79
248867
3200
erre a kísérletre épített. Bőr biopsziákat vett,
04:27
this time from people who had a disease,
80
252067
2028
ezúttal olyan emberekből, akik
04:29
ALS, or as you call it in the U.K., motor neuron disease.
81
254095
2914
ALS, vagy ahogy az Egyesült Királyságban hívják, motoneuron betegségben szenvedtek.
04:32
He turned them into the IPS cells
82
257009
1698
Átalakította őket iPS sejtekké,
04:34
that I've just told you about, and then he turned those
83
258707
2686
amikről az előbb beszéltem, majd ezeket az iPS sejteket
04:37
IPS cells into the motor neurons that actually
84
261393
2704
átalakította mozgató idegsejtekké, amelyek
04:39
were dying in the disease.
85
264097
1461
elpusztulnak a betegségben.
04:41
So basically what he did was to take a healthy cell
86
265558
3019
Tehát alapvetően azt csinálta, hogy vett egy egészséges sejtet,
04:44
and turn it into a sick cell,
87
268577
1714
és átalakította beteg sejtté,
04:46
and he recapitulated the disease over and over again
88
270291
3558
és újra meg újra megismételte a betegséget
04:49
in the dish, and this was extraordinary,
89
273849
3360
a Petri-csészében, és ez rendkívüli volt, mivel
04:53
because it was the first time that we had a model
90
277209
2248
ez volt az első eset, hogy élő páciensből származó
04:55
of a disease from a living patient in living human cells.
91
279457
4188
élő emberi sejtekben volt modellünk egy betegségről.
04:59
And as he watched the disease unfold, he was able
92
283645
3120
És ahogy figyelte a betegség kibontakozását, felfedezte,
05:02
to discover that actually the motor neurons were dying
93
286765
3011
hogy a mozgató idegsejtek másképp
05:05
in the disease in a different way than the field
94
289776
2127
pusztulnak el,
05:07
had previously thought. There was another kind of cell
95
291903
2494
mint ahogy korábban gondolták. Volt egy másik fajta sejt,
05:10
that actually was sending out a toxin
96
294397
2201
amely mérget küldött ki,
05:12
and contributing to the death of these motor neurons,
97
296598
2511
és ezzel hozzájárult ezeknek a mozgató idegsejteknek a pusztulásához,
05:15
and you simply couldn't see it
98
299109
1358
és ezt egyszerűen nem lehetett látni,
05:16
until you had the human model.
99
300467
1790
amíg nem volt meg az emberi modellünk.
05:18
So you could really say that
100
302257
2667
Tehát tényleg azt mondhatjuk, hogy
05:20
researchers trying to understand the cause of disease
101
304924
3906
azok a kutatók, akik megpróbálták megérteni a betegség okát
05:24
without being able to have human stem cell models
102
308830
4152
anélkül, hogy lett volna emberi őssejtmodelljük,
05:28
were much like investigators trying to figure out
103
312982
2760
nagyon hasonlítottak azokhoz a nyomozókhoz, akik megpróbálták kitalálni,
05:31
what had gone terribly wrong in a plane crash
104
315742
3241
mi romlott el szörnyen egy repülőgép-szerencsétlenségben,
05:34
without having a black box, or a flight recorder.
105
318983
3997
anélkül, hogy lett volna fekete dobozuk vagy fedélzeti adatrögzítőjük.
05:38
They could hypothesize about what had gone wrong,
106
322980
2602
Hipotéziseket alkothattak arról, hogy mi romlott el,
05:41
but they really had no way of knowing what led
107
325582
3112
de valójában nem volt módjuk megtudni,
05:44
to the terrible events.
108
328694
2172
mi vezetett a szörnyű eseményekhez.
05:46
And stem cells really have given us the black box
109
330866
4183
Az őssejtek tényleg megadták nekünk a betegségek
05:50
for diseases, and it's an unprecedented window.
110
335049
3968
fekete dobozát, és ez egy példátlan ablak.
05:54
It really is extraordinary, because you can recapitulate
111
339017
3245
Ez valóban rendkívüli, mivel sok-sok betegséget
05:58
many, many diseases in a dish, you can see
112
342262
3247
megismételhetünk a Petri-csészében, és jóval azelőtt láthatjuk,
06:01
what begins to go wrong in the cellular conversation
113
345509
3536
mi kezd elromlani a sejtek közti kommunikációban,
06:04
well before you would ever see
114
349045
2424
mielőtt egyáltalán észrevennénk
06:07
symptoms appear in a patient.
115
351469
2536
a tünetek megjelenését a betegben.
06:09
And this opens up the ability,
116
354005
2523
És ez megnyitja a lehetőséget arra,
06:12
which hopefully will become something that
117
356528
2814
amely remélhetőleg a közeljövőben
06:15
is routine in the near term,
118
359342
2647
mindennapossá fog válni,
06:17
of using human cells to test for drugs.
119
361989
4146
hogy emberi sejteket használjunk a gyógyszerek tesztelésére.
06:22
Right now, the way we test for drugs is pretty problematic.
120
366135
5464
Jelenleg az a mód, ahogy a gyógyszereket tesztelik, eléggé problematikus.
06:27
To bring a successful drug to market, it takes, on average,
121
371599
3318
Egy sikeres gyógyszernek a piacra kerülése átlagosan
06:30
13 years — that's one drug —
122
374917
2186
13 év - ez egyetlen gyógyszer -
06:33
with a sunk cost of 4 billion dollars,
123
377103
3388
4 milliárd dolláros költséggel,
06:36
and only one percent of the drugs that start down that road
124
380491
4867
és azoknak a gyógyszereknek, amelyek elindulnak ezen az úton,
06:41
are actually going to get there.
125
385358
2248
mindössze egy százaléka jut el idáig.
06:43
You can't imagine other businesses
126
387606
2125
Az ember el sem tudja képzelni,
06:45
that you would think of going into
127
389731
1449
hogy lenne még egy olyan vállalkozás,
06:47
that have these kind of numbers.
128
391180
1755
ami ilyen számokat ér el.
06:48
It's a terrible business model.
129
392935
1802
Ez egy szörnyű üzleti modell.
06:50
But it is really a worse social model because of
130
394737
3989
De valójában még rosszabb társadalmi modell amiatt,
06:54
what's involved and the cost to all of us.
131
398726
3328
amit tartalmaz, és amennyibe mindannyiunknak kerül.
06:57
So the way we develop drugs now
132
402054
3752
Tehát a módszer, ahogy ma a gyógyszereket fejlesztjük,
07:01
is by testing promising compounds on --
133
405806
3200
az, hogy teszteljük az ígéretes komponenseket --
07:04
We didn't have disease modeling with human cells,
134
409006
1880
Nem volt emberi sejtes betegségmodellünk,
07:06
so we'd been testing them on cells of mice
135
410886
3464
ezért egerek, vagy más állatok sejtjein teszteljük őket,
07:10
or other creatures or cells that we engineer,
136
414350
3667
vagy olyan sejteken, amiket mi szerkesztettünk meg,
07:13
but they don't have the characteristics of the diseases
137
418017
3061
de azokban nincsenek meg a betegségek jellemzői,
07:16
that we're actually trying to cure.
138
421078
2336
amiket valójában próbálunk meggyógyítani.
07:19
You know, we're not mice, and you can't go into
139
423414
3046
Tudják, mi nem egerek vagyunk, és az ember nem mehet bele
07:22
a living person with an illness
140
426460
2418
egy élő beteg személybe és húzhat ki belőle
07:24
and just pull out a few brain cells or cardiac cells
141
428878
2928
néhány agysejtet vagy szívsejtet,
07:27
and then start fooling around in a lab to test
142
431806
2289
és kezdhet el kószálni a laborban,
07:29
for, you know, a promising drug.
143
434095
3561
ígéretes gyógyszert keresve.
07:33
But what you can do with human stem cells, now,
144
437656
3585
De most a humán őssejtekkel meg lehet csinálni,
07:37
is actually create avatars, and you can create the cells,
145
441241
4337
hogy valójában avatárokat hozunk létre, és létre lehet hozni
07:41
whether it's the live motor neurons
146
445578
1967
a sejteket, mindegy, hogy élő mozgató idegsejtek,
07:43
or the beating cardiac cells or liver cells
147
447545
3010
vagy a szív dobogó sejtjei vagy májsejtek
07:46
or other kinds of cells, and you can test for drugs,
148
450555
4109
vagy másfajta sejtek, és tesztelhetjük a gyógyszereket,
07:50
promising compounds, on the actual cells
149
454664
3125
az ígéretes összetevőket az aktuális sejteken,
07:53
that you're trying to affect, and this is now,
150
457789
3631
amelyekre megpróbálunk hatni, és ez most van,
07:57
and it's absolutely extraordinary,
151
461420
2814
és ez abszolút rendkívüli,
08:00
and you're going to know at the beginning,
152
464234
3156
és tudni fogjuk kezdettől fogva,
08:03
the very early stages of doing your assay development
153
467390
3744
a mérés kifejlesztésének nagyon korai stádiumától,
08:07
and your testing, you're not going to have to wait 13 years
154
471134
3389
és a teszteléstől, nem kell 13 évet várni,
08:10
until you've brought a drug to market, only to find out
155
474523
3319
amíg a gyógyszer piacra kerül, csak hogy kiderüljön,
08:13
that actually it doesn't work, or even worse, harms people.
156
477842
5056
hogy ez nem működik, vagy ami még rosszabb, árt az embereknek.
08:18
But it isn't really enough just to look at
157
482898
4340
De igazából nem elég csak ránézni a
08:23
the cells from a few people or a small group of people,
158
487238
3782
néhány emberből vagy egy embercsoportból származó sejtekre,
08:26
because we have to step back.
159
491020
1644
mert hátrébb kell lépnünk.
08:28
We've got to look at the big picture.
160
492664
1851
A nagy képet kell néznünk.
08:30
Look around this room. We are all different,
161
494515
3136
Nézzenek körül ebben a teremben. Mindannyian különbözők vagyunk,
08:33
and a disease that I might have,
162
497651
2740
és egy olyan betegség, ami esetleg nekem van,
08:36
if I had Alzheimer's disease or Parkinson's disease,
163
500391
2877
ha Alzheimer-kórom vagy Parkinson-kórom lenne,
08:39
it probably would affect me differently than if
164
503268
3766
valószínűleg másképp hatna rám, mintha
08:42
one of you had that disease,
165
507034
1641
valakinek Önök közül ilyen betegsége lenne,
08:44
and if we both had Parkinson's disease,
166
508675
4345
és ha mindkettőnknek Parkinson-kórja lenne,
08:48
and we took the same medication,
167
513020
2268
és ugyanazt a gyógyszert szednénk,
08:51
but we had different genetic makeup,
168
515288
2747
de más a genetikai összeállításunk,
08:53
we probably would have a different result,
169
518035
2285
valószínűleg más lenne az eredmény,
08:56
and it could well be that a drug that worked wonderfully
170
520320
3731
és meglehet, hogy az a gyógyszer, ami csodálatosan
08:59
for me was actually ineffective for you,
171
524051
3579
hatásos nálam, nem hatna Önre,
09:03
and similarly, it could be that a drug that is harmful for you
172
527630
4692
és hasonlóan, lehet, hogy az a gyógyszer, ami árt Önnek,
09:08
is safe for me, and, you know, this seems totally obvious,
173
532322
4302
biztonságos a számomra, és tudják, ez teljesen nyilvánvalónak látszik,
09:12
but unfortunately it is not the way
174
536624
2728
de sajnos, a gyógyszeripar
09:15
that the pharmaceutical industry has been developing drugs
175
539352
3186
nem így fejleszti a gyógyszereket,
09:18
because, until now, it hasn't had the tools.
176
542538
3986
mivel mostanáig nem voltak meg az eszközei.
09:22
And so we need to move away
177
546524
2292
El kell mozdulnunk
09:24
from this one-size-fits-all model.
178
548816
2954
ettől az egy-méret-mindenkinek-jó modelltől.
09:27
The way we've been developing drugs is essentially
179
551770
3177
Az, ahogyan mi fejlesztjük a gyógyszereket,
09:30
like going into a shoe store,
180
554947
1379
alapvetően olyan, mintha az ember bemenne a cipőboltba,
09:32
no one asks you what size you are, or
181
556326
2283
és senki sem kérdezné meg, mi a mérete vagy hogy
09:34
if you're going dancing or hiking.
182
558609
2210
táncolni megy-e vagy túrázni.
09:36
They just say, "Well, you have feet, here are your shoes."
183
560819
2808
Csak azt mondanák: "Nos, Önnek van lába, tessék a cipő."
09:39
It doesn't work with shoes, and our bodies are
184
563627
3600
Ez nem működik a cipőkkel, a testünk pedig
09:43
many times more complicated than just our feet.
185
567227
3472
sokkal bonyolultabb, mint a lábunk.
09:46
So we really have to change this.
186
570699
2541
Tehát tényleg változtatnunk kell ezen.
09:49
There was a very sad example of this in the last decade.
187
573240
5184
Az elmúlt évtizedben volt erre egy nagyon szomorú példa.
09:54
There's a wonderful drug, and a class of drugs actually,
188
578424
2648
Van egy csodálatos gyógyszer, és tulajdonképpen egy gyógyszercsoport,
09:56
but the particular drug was Vioxx, and
189
581072
2680
de az a bizonyos gyógyszer a Vioxx volt,
09:59
for people who were suffering from severe arthritis pain,
190
583752
4376
és azoknak az embereknek, akik komoly artritiszes fájdalmaktól szenvedtek,
10:04
the drug was an absolute lifesaver,
191
588128
3392
ez a gyógyszer abszolút életmentő volt,
10:07
but unfortunately, for another subset of those people,
192
591520
5080
de sajnos, az emberek egy része számára
10:12
they suffered pretty severe heart side effects,
193
596600
4769
nagyon súlyos kardiológiai mellékhatásokat okozott,
10:17
and for a subset of those people, the side effects were
194
601369
2728
és az emberek egy részénél ezek a mellékhatások,
10:19
so severe, the cardiac side effects, that they were fatal.
195
604097
3897
a kardiológiai mellékhatások olyan súlyosak voltak, hogy belehaltak.
10:23
But imagine a different scenario,
196
607994
4042
De képzeljenek el egy más forgatókönyvet,
10:27
where we could have had an array, a genetically diverse array,
197
612036
4302
ahol lett volna egy tömbünk, egy genetikailag változatos tömbünk
10:32
of cardiac cells, and we could have actually tested
198
616338
3626
a szívsejtekből, és le tudtuk volna tesztelni a gyógyszert,
10:35
that drug, Vioxx, in petri dishes, and figured out,
199
619964
5081
a Vioxx-ot Petri-csészékben, és kideríthettük volna,
10:40
well, okay, people with this genetic type are going to have
200
625045
3744
hogy az ilyen genetikai típusú embereknél
10:44
cardiac side effects, people with these genetic subgroups
201
628789
5000
kardiológiai mellékhatásai lesznek, az emilyen genetikai alcsoportnak
10:49
or genetic shoes sizes, about 25,000 of them,
202
633789
5144
vagy genetikai cipőméretnek, körülbelül 25 ezer embernek
10:54
are not going to have any problems.
203
638933
2760
semmi baja nem lesz.
10:57
The people for whom it was a lifesaver
204
641693
2615
Azok az emberek, akik számára életmentő volt,
11:00
could have still taken their medicine.
205
644308
1677
még mindig szedhetnék a gyógyszert.
11:01
The people for whom it was a disaster, or fatal,
206
645985
4386
Azoknak, akik számára csapás volt, vagy halálos,
11:06
would never have been given it, and
207
650371
2091
sosem adták volna, és
11:08
you can imagine a very different outcome for the company,
208
652462
2583
el lehet képzelni egy teljesen más eredményt a cég számára,
11:10
who had to withdraw the drug.
209
655045
2768
amelynek vissza kellett vonnia a gyógyszert.
11:13
So that is terrific,
210
657813
2816
Szóval ez szörnyű,
11:16
and we thought, all right,
211
660629
1834
és mi úgy gondoltuk, rendben van,
11:18
as we're trying to solve this problem,
212
662463
2759
ahogy próbáltuk megoldani a problémát,
11:21
clearly we have to think about genetics,
213
665222
2197
nyilvánvalóan a genetikára kell gondolnunk,
11:23
we have to think about human testing,
214
667419
2834
az emberi tesztelésre kell gondolnunk,
11:26
but there's a fundamental problem,
215
670253
1579
de van egy alapvető probléma,
11:27
because right now, stem cell lines,
216
671832
2699
mivel most az őssejtvonalakat,
11:30
as extraordinary as they are,
217
674531
1710
amilyen rendkívüliek,
11:32
and lines are just groups of cells,
218
676241
1744
és a vonalak csupán sejtcsoportok,
11:33
they are made by hand, one at a time,
219
677985
4332
ezeket kézzel készítik, egyszerre egyet,
11:38
and it takes a couple of months.
220
682317
2224
és ez eltart pár hónapig.
11:40
This is not scalable, and also when you do things by hand,
221
684541
4366
Ez nem méretezhető, és ráadásul amikor ezt az ember kézzel csinálja,
11:44
even in the best laboratories,
222
688907
1543
még a legjobb laborokban is
11:46
you have variations in techniques,
223
690450
3161
különböző technikák vannak,
11:49
and you need to know, if you're making a drug,
224
693611
3181
és tudnunk kell, hogy ha gyógyszert készítünk,
11:52
that the Aspirin you're going to take out of the bottle
225
696792
1898
az az aszpirin, amit kiveszünk az üvegből
11:54
on Monday is the same as the Aspirin
226
698690
2440
hétfőn, ugyanaz az aszpirin, mint amit
11:57
that's going to come out of the bottle on Wednesday.
227
701130
2081
szerdán fogunk kivenni.
11:59
So we looked at this, and we thought, okay,
228
703211
3791
Tehát megnéztük ezt, és úgy gondoltuk, oké,
12:02
artisanal is wonderful in, you know, your clothing
229
707002
3152
a kézművesség nagyszerű ha ruházatról,
12:06
and your bread and crafts, but
230
710154
2944
kenyérről és a népművészetről van szó,
12:08
artisanal really isn't going to work in stem cells,
231
713098
2983
de nem fog igazán működni az őssejtekkel,
12:11
so we have to deal with this.
232
716081
2390
szóval foglalkoznunk kell vele.
12:14
But even with that, there still was another big hurdle,
233
718471
3920
De még így is volt egy nagy akadály,
12:18
and that actually brings us back to
234
722391
3564
és ezzel visszatérünk
12:21
the mapping of the human genome, because
235
725955
2384
a humán genom térképezéséhez, mert
12:24
we're all different.
236
728339
2711
mindannyian különbözőek vagyunk.
12:26
We know from the sequencing of the human genome
237
731050
2832
A humán genom megszevenálásából tudjuk, hogy
12:29
that it's shown us all of the A's, C's, G's and T's
238
733882
2557
megmutatta nekünk az összes A-t, C-t, G-t és T-t,
12:32
that make up our genetic code,
239
736439
2468
amiből a genetikai kódunk áll,
12:34
but that code, by itself, our DNA,
240
738907
4269
de a kód önmagában, a DNS-ünk
12:39
is like looking at the ones and zeroes of the computer code
241
743176
4599
olyan, mintha egy számítógépes kód egyeseit és nulláit néznénk,
12:43
without having a computer that can read it.
242
747775
2825
anélkül, hogy lenne egy számítógépünk, amely el tudja olvasni.
12:46
It's like having an app without having a smartphone.
243
750600
3288
Olyan, mintha lenne egy appünk okostelefon nélkül.
12:49
We needed to have a way of bringing the biology
244
753888
3884
Kellett egy módszer, amivel behozzuk a biológiát
12:53
to that incredible data,
245
757772
2209
ezekbe a hihetetlen adatokba,
12:55
and the way to do that was to find
246
759981
3115
és a módszernek, ahhoz, hogy ezt megtegyük,
12:58
a stand-in, a biological stand-in,
247
763096
2687
találnia kellett egy hasonmást, egy biológiai hasonmást,
13:01
that could contain all of the genetic information,
248
765783
4025
amely tartalmazza az összes genetikai információt,
13:05
but have it be arrayed in such a way
249
769808
2528
de olyan módon van elrendezve,
13:08
as it could be read together
250
772336
2864
hogy össze lehessen olvasni,
13:11
and actually create this incredible avatar.
251
775200
3256
és tulajdonképpen létrehozni ezt a hihetetlen avatárt.
13:14
We need to have stem cells from all the genetic sub-types
252
778456
3704
Az összes genetikai altípusból szükségünk volt őssejtekre,
13:18
that represent who we are.
253
782160
2952
amelyek reprezentálják, hogy kik is vagyunk.
13:21
So this is what we've built.
254
785112
2760
Szóval ezt építettük.
13:23
It's an automated robotic technology.
255
787872
3320
Ez egy automatizált robottechnológia.
13:27
It has the capacity to produce thousands and thousands
256
791192
2608
Megvan a kapacitása ahhoz, hogy több ezer
13:29
of stem cell lines. It's genetically arrayed.
257
793800
4239
őssejtvonalat hozzon létre. Ez genetikailag rendezett.
13:33
It has massively parallel processing capability,
258
798039
3749
Megbízható párhuzamos feldolgozó képességgel rendelkezik,
13:37
and it's going to change the way drugs are discovered,
259
801788
3320
és meg fogja változtatni azt, ahogyan a gyógyszereket felfedezik,
13:41
we hope, and I think eventually what's going to happen
260
805108
3835
reméljük, és azt hiszem, végül is az fog történni,
13:44
is that we're going to want to re-screen drugs,
261
808943
2199
hogy újra akarjuk majd szűrni a gyógyszereket
13:47
on arrays like this, that already exist,
262
811142
2491
ilyen mérésekkel, azokat, amik már léteznek,
13:49
all of the drugs that currently exist,
263
813633
1871
az összes gyógyszert, ami jelenleg létezik,
13:51
and in the future, you're going to be taking drugs
264
815504
2911
és a jövőben az ember olyan gyógyszereket és
13:54
and treatments that have been tested for side effects
265
818415
2872
kezeléseket kap, amelyeket a mellékhatásokat illetően
13:57
on all of the relevant cells,
266
821287
2303
leteszteltek minden releváns sejten,
13:59
on brain cells and heart cells and liver cells.
267
823590
3153
agysejteken és szívsejteken és májsejteken.
14:02
It really has brought us to the threshold
268
826743
3329
Ez tényleg a személyre szabott orvoslás
14:05
of personalized medicine.
269
830072
2214
küszöbére hozott el bennünket.
14:08
It's here now, and in our family,
270
832286
4441
Itt van, és a családunkban,
14:12
my son has type 1 diabetes,
271
836727
2938
a fiamnak 1-es típusú diabétesze van,
14:15
which is still an incurable disease,
272
839665
2648
amely még mindig gyógyíthatatlan betegség,
14:18
and I lost my parents to heart disease and cancer,
273
842313
3442
és a szüleimet szívbetegségben és rákban vesztettem el,
14:21
but I think that my story probably sounds familiar to you,
274
845755
3733
de azt hiszem, a történetem valószínűleg ismerősen cseng Önök számára,
14:25
because probably a version of it is your story.
275
849488
4230
mert valószínűleg az Önök történetének egy változata.
14:29
At some point in our lives, all of us,
276
853718
3944
Életünk egy bizonyos pontján mi mindannyian,
14:33
or people we care about, become patients,
277
857662
2736
vagy azok az emberek, akikkel törődünk, betegek lesznek,
14:36
and that's why I think that stem cell research
278
860398
2609
és ezért gondolom, hogy az őssejtkutatás
14:38
is incredibly important for all of us.
279
863007
3383
hihetetlenül fontos mindannyiunk számára.
14:42
Thank you. (Applause)
280
866390
3668
Köszönöm. (Taps)
14:45
(Applause)
281
870058
7108
(Taps)
ABOUT THE SPEAKER
Susan Solomon - Stem cell research advocateSusan Solomon enables support for human stem cell research, aiming to cure major diseases and empower more personalized medicine.
Why you should listen
Susan Solomon’s health care advocacy stems from personal medical trials—namely, her son’s Type 1 diabetes and her mother’s fatal cancer. Following a successful career as a lawyer and business entrepreneur, Solomon, frustrated by the slow pace of medical research, was inspired to use those skills to follow another passion: accelerating medical research with real-world results as a social entrepreneur. And through her own research and conversations with medical experts, she decided that stem cells (cells that have the ability to morph into any other kind of cell) had the greatest potential to impact peoples’ health.
In 2005, Solomon founded the New York Stem Cell Foundation, now one of the largest nonprofit research institutions and laboratories in this field in the world. The NYSCF Research Institute conducts all facets of stem cell research from growing the cells to drug discovery.
At TEDGlobal 2012, Solomon announced the NYSCF Global Stem Cell Array, the new technology to create thousands of stem cell avatars and genetically array them to functionalize the data from the human genome to revolutionize the way we develop cures and treatments so they are better, safer, less expensive and happen much more quickly.
Susan Solomon | Speaker | TED.com