TEDMED 2009
David Agus: A new strategy in the war on cancer
David Agus: Új stratégia a rák elleni harcban
Filmed:
Readability: 4.3
830,903 views
A hagyományos rákkezelések - magyarázza David Agus - "rövidlátóan" a bűnös sejtekre fókuszálnak, kiragadva őket a szervezet egészéből. Egy új, a teljes testet elemző és gyógyító interdiszciplináris szemléletet javasol, amely atípusos gyógyszereket, számítógépes modellezést és fehérjeanalízist alkalmaz.
David Agus - Cancer Doctor
Although a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer. Full bio
Although a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer. Full bio
Double-click the English transcript below to play the video.
00:15
I'm a cancer doctor, and I walked out of my office
0
0
3000
Onkológus vagyok. Egy napon kiléptem a rendelőmből
00:18
and walked by the pharmacy in the hospital three or four years ago,
1
3000
4000
és elsétáltam a kórház patikája előtt, úgy három-négy évvel ezelőtt
00:22
and this was the cover of Fortune magazine
2
7000
3000
és ott ezt látom a Fortune folyóirat címlapján: Miért veszítjük el a rák elleni küzdelmet, és hogyan nyerjük meg?
00:25
sitting in the window of the pharmacy.
3
10000
2000
Ott virított a kirakatban.
00:27
And so, as a cancer doctor, you look at this,
4
12000
2000
Ha az ember történetesen onkológus, akkor ezt látva
00:29
and you get a little bit downhearted.
5
14000
2000
egy kicsit összeszorul a szíve.
00:31
But when you start to read the article by Cliff,
6
16000
3000
Ha azonban elkezdjük olvasni Cliff írását,
00:34
who himself is a cancer survivor,
7
19000
2000
aki maga is rák túlélő,
00:36
who was saved by a clinical trial
8
21000
2000
és aki egy klinikai vizsgálatnak köszönheti életét,
00:38
where his parents drove him from New York City to upstate New York
9
23000
4000
ugyanis a szülei New York Cityből észak New York-ba hordták fel,
00:42
to get an experimental therapy for --
10
27000
2000
hogy megkaphassa azt az akkoriban kísérleti fázisban lévő kezelést
00:44
at the time -- Hodgkin's disease, which saved his life,
11
29000
3000
a Hodgkin kórjára, amely végül megmentette az életét.
00:47
he makes remarkable points here.
12
32000
3000
Cliff figyelemreméltó megjegyzéseket tesz.
00:50
And the point of the article was that we have gotten
13
35000
3000
A cikk fő mondanivalója szerint
00:53
reductionist in our view of biology,
14
38000
3000
a biológiáról való gondolkozásunk redukcionalista lett,
00:56
in our view of cancer.
15
41000
2000
ahogy a rákról való gondolkodásunk is.
00:58
For the last 50 years, we have focused on treating
16
43000
3000
Az utóbbi ötven évben a génekre
01:01
the individual gene
17
46000
2000
összpontosítottunk, azért
01:03
in understanding cancer, not in controlling cancer.
18
48000
3000
hogy megértsük a rákot, és nem azért, hogy kontrolláljuk.
01:06
So, this is an astounding table.
19
51000
3000
Ez egy meghökkentő táblázat.
01:09
And this is something that sobers us in our field everyday
20
54000
3000
Ez az, ami minden nap kijózanít minket, akik ezen a területen dolgozunk.
01:12
in that, obviously, we've made remarkable impacts
21
57000
2000
Nyilvánvalóan nagy sikereket értünk el a
01:14
on cardiovascular disease,
22
59000
2000
szív- és érrendszeri betegségek gyógyításában.
01:16
but look at cancer. The death rate in cancer
23
61000
3000
Nézzük azonban a rákot. A rák okozta halálozási arány
01:19
in over 50 years hasn't changed.
24
64000
3000
több mint 50 éve nem változott.
01:22
We've made small wins in diseases like chronic myelogenous leukemia,
25
67000
4000
Vannak kisebb sikereink olyan betegségekben, mint például a krónikus mieloid leukémia,
01:26
where we have a pill that can put 100 percent of people in remission,
26
71000
3000
erre a ráktípusra van egy gyógyszerünk, ami a betegek 100 százalékát remisszióba juttatja, vagyis a daganat visszahúzódik.
01:29
but in general, we haven't made an impact at all in the war on cancer.
27
74000
6000
De általánosan azt kell mondjuk, hogy nem értünk el nagy változást a rák elleni harcban.
01:35
So, what I'm going to tell you today,
28
80000
3000
Tehát, amit ma itt Önöknek el fogok mondani,
01:38
is a little bit of why I think that's the case,
29
83000
3000
az nem más, mint ami miatt azt gondolom, hogy ide jutottunk.
01:41
and then go out of my comfort zone
30
86000
2000
El fogom hagyni a saját szakterületemet,
01:43
and tell you where I think it's going,
31
88000
3000
és arról fogok beszélni, hogy nézetem szerint milyen irányba várható elmozdulás,
01:46
where a new approach -- that we hope to push forward
32
91000
3000
melyik az az új megközelítés, amely előremozdíthatja
01:49
in terms of treating cancer.
33
94000
4000
a rákos megbetegedések kezelését.
01:53
Because this is wrong.
34
98000
3000
Mert ez helytelen.
01:56
So, what is cancer, first of all?
35
101000
2000
Először is: mi az a rák?
01:58
Well, if one has a mass or an abnormal blood value, you go to a doctor,
36
103000
5000
Ha valaki talál egy csomót, vagy nem jó a vérképe, elmegy az orvoshoz.
02:03
they stick a needle in.
37
108000
2000
Aztán belénk szúrnak egy tűt.
02:05
They way we make the diagnosis today is by pattern recognition:
38
110000
4000
Ma a diagnózis felállítása nem más, mint mintázatok felismerése.
02:09
Does it look normal? Does it look abnormal?
39
114000
4000
Normálisan néz ez ki? Vagy abnormálisan néz ki?
02:13
So, that pathologist is just like looking at this plastic bottle.
40
118000
3000
Olyan mintha a patológus ezt a műanyag flaskát vizsgálná.
02:16
This is a normal cell. This is a cancer cell.
41
121000
3000
Ez egy normális sejt. Ez egy rákos sejt.
02:19
That is the state-of-the-art today in diagnosing cancer.
42
124000
5000
Ez a mai csúcstechnológia a rák diagnózisának felállításakor.
02:24
There's no molecular test,
43
129000
3000
Nincsen molekuláris vizsgálat.
02:27
there's no sequencing of genes that was referred to yesterday,
44
132000
3000
Nincsen génszekvenálás, amiről tegnap hallhattunk.
02:30
there's no fancy looking at the chromosomes.
45
135000
3000
Nincsen csilivili kromoszómavizsgálat.
02:33
This is the state-of-the-art and how we do it.
46
138000
3000
Ez a csúcstechnológia, ez az ahogyan ma ezt csináljuk.
02:36
You know, I know very well, as a cancer doctor, I can't treat advanced cancer.
47
141000
6000
Tudják, én mint onkológus, tudom, hogy nem tudom meggyógyítani az előrehaladott rákot.
02:42
So, as an aside, I firmly believe in the field of trying to identify cancer early.
48
147000
7000
Éppen ezért nagyon is hiszek a rák korai felismerésének fontosságában.
02:49
It is the only way you can start to fight cancer, is by catching it early.
49
154000
5000
Az egyetlen esélyünk, hogy megküzdjünk a rákkal, ha korán elkapjuk.
02:54
We can prevent most cancers.
50
159000
3000
A legtöbb rákos megbetegedés megelőzhető.
02:57
You know, the previous talk alluded to preventing heart disease.
51
162000
3000
Az előző előadás ugye a szív- és érrendszeri betegségek megelőzéséről szólt.
03:00
We could do the same in cancer.
52
165000
2000
Ugyanezt tehetnénk a rákkal is.
03:02
I co-founded a company called Navigenics,
53
167000
2000
Alapítója vagyok egy cégnek, a neve: Navigenics
03:04
where, if you spit into a tube --
54
169000
2000
nos, ha beleköp egy kémcsőbe,
03:06
and we can look look at 35 or 40 genetic markers for disease,
55
171000
6000
mi 35-40 genetikai markert tudunk megvizsgálni,
03:12
all of which are delayable in many of the cancers --
56
177000
2000
amelyek mindegyike sokfajta ráktípus megjelenésére hajlamosíthat.
03:14
you start to identify what you could get,
57
179000
4000
Megnézzük, hogy mi az, amiben megbetegedhet,
03:18
and then we can start to work to prevent them.
58
183000
3000
és akkor elkezdhetjük a megelőzést.
03:21
Because the problem is, when you have advanced cancer,
59
186000
3000
Az ugyanis a probléma, hogy ha előrehaladott stádiumú a rák,
03:24
we can't do that much today about it, as the statistics allude to.
60
189000
4000
nem tudunk ma még túl sokat kezdeni vele, mint ahogyan erre a statisztikák is utalnak.
03:28
So, the thing about cancer is that it's a disease of the aged.
61
193000
4000
Az a helyzet, hogy a rák az idős emberek betegsége.
03:32
Why is it a disease of the aged?
62
197000
2000
Hogy miért az idős emberek betegsége?
03:34
Because evolution doesn't care about us after we've had our children.
63
199000
4000
Mert az evolúció nem törődik velünk, miután megszülettek gyermekeink.
03:39
See, evolution protected us during our childbearing years
64
204000
3000
Az evolúció véd minket azokban az éveinkben, amikor gyermekünk születhet,
03:42
and then, after age 35 or 40 or 45,
65
207000
4000
de aztán, 35, 40 vagy 45 éves kor után
03:46
it said "It doesn't matter anymore, because they've had their progeny."
66
211000
4000
már nem számítunk, mert megvannak az utódaink.
03:50
So if you look at cancers, it is very rare -- extremely rare --
67
215000
5000
Ha megnézzük a rákot, nagyon ritka, extrém ritka
03:55
to have cancer in a child, on the order of thousands of cases a year.
68
220000
5000
a gyermekkorban előforduló rák, néhány ezer ilyen eset fordul elő évente.
04:00
As one gets older? Very, very common.
69
225000
4000
Ahogyan öregszünk, egyre gyakoribb és gyakoribb.
04:04
Why is it hard to treat?
70
229000
2000
Miért olyan nehezen kezelhető?
04:06
Because it's heterogeneous,
71
231000
2000
Mert heterogén betegségről van szó,
04:08
and that's the perfect substrate for evolution within the cancer.
72
233000
5000
ez pedig a rák evolúciója szempontjából kitűnő táptalajnak számít.
04:13
It starts to select out for those bad, aggressive cells,
73
238000
4000
Kiszelektálódnak a rossz, agresszív sejtek,
04:17
what we call clonal selection.
74
242000
4000
ezt nevezzük klonális szelekciónak.
04:21
But, if we start to understand
75
246000
3000
De ha elkezdjük megérteni azt,
04:24
that cancer isn't just a molecular defect, it's something more,
76
249000
5000
hogy a rák nem csak egy genetikai defekt, hanem több ennél,
04:29
then we'll get to new ways of treating it, as I'll show you.
77
254000
4000
akkor új kezelési lehetőségeket is találhatunk, mint ahogyan azt be is fogom Önöknek mutatni.
04:33
So, one of the fundamental problems we have in cancer
78
258000
2000
Az alapvető problémák egyike,
04:35
is that, right now, we describe it by a number of adjectives, symptoms:
79
260000
4000
hogy ma egy sor melléknévvel és tünettel jellemezzük a rákot.
04:39
"I'm tired, I'm bloated, I have pain, etc."
80
264000
3000
Fáradt vagyok, fel vagyok fújódva, fájdalmaim vannak, stb.
04:42
You then have some anatomic descriptions,
81
267000
2000
Aztán jönnek az anatómiai leírások.
04:44
you get that CT scan: "There's a three centimeter mass in the liver."
82
269000
4000
Megvan a CT vizsgálat eredménye: egy 3 cm-es csomó van a májban.
04:48
You then have some body part descriptions:
83
273000
3000
Aztán vannak a testrészek szerinti leírások.
04:51
"It's in the liver, in the breast, in the prostate."
84
276000
2000
A májban van, a mellben, a prosztatában van.
04:53
And that's about it.
85
278000
3000
És körülbelül ennyi is.
04:56
So, our dictionary for describing cancer is very, very poor.
86
281000
4000
Nagyon szegényes a szókincsünk a rák leírására.
05:00
It's basically symptoms.
87
285000
2000
Alapvetően a tüneteket írjuk le.
05:02
It's manifestations of a disease.
88
287000
3000
A betegség megnyilvánulásait.
05:05
What's exciting is that over the last two or three years,
89
290000
3000
Lelkesítő, hogy a kormány az utóbbi 2-3 évben
05:08
the government has spent 400 million dollars,
90
293000
2000
400 millió dollárt költött
05:10
and they've allocated another billion dollars,
91
295000
3000
és további dollármilliárdokat különített el
05:13
to what we call the Cancer Genome Atlas Project.
92
298000
2000
az úgynevezett Rák Genom Atlasz Projektre.
05:15
So, it is the idea of sequencing all of the genes in the cancer,
93
300000
4000
Az elképzelés az, hogy a rák összes génjét megszekvenálják,
05:19
and giving us a new lexicon, a new dictionary to describe it.
94
304000
5000
egy új lexikont adva kezünkbe a betegség leírásához.
05:24
You know, in the mid-1850's in France,
95
309000
3000
Franciaországban az 1850-es évek közepén
05:27
they started to describe cancer by body part.
96
312000
3000
kezdték a rákot a testrészek szerint elnevezni.
05:30
That hasn't changed in over 150 years.
97
315000
4000
Ez mit sem változott több mint 150 év alatt.
05:34
It is absolutely archaic that we call cancer
98
319000
4000
Teljesen archaikus dolog a rákot
05:38
by prostate, by breast, by muscle.
99
323000
4000
prosztata, mell, vagy izom alapján elnevezni.
05:42
It makes no sense, if you think about it.
100
327000
3000
Semmi értelme nincs, ha jobban belegondolunk.
05:45
So, obviously, the technology is here today,
101
330000
3000
Ma már egyértelműen megvan a technológiai hátterünk ahhoz,
05:48
and, over the next several years, that will change.
102
333000
3000
hogy a következő években ez megváltozzon.
05:51
You will no longer go to a breast cancer clinic.
103
336000
2000
Nem egy mellrák klinikát fogunk majd felkeresni,
05:53
You will go to a HER2 amplified clinic, or an EGFR activated clinic,
104
338000
5000
hanem egy HER2 vagy egy EGFR klinikát,
05:58
and they will go to some of the pathogenic lesions
105
343000
2000
és meg fogják találni a kóros génhibák némelyikét,
06:00
that were involved in causing this individual cancer.
106
345000
4000
amelyek az adott rák kialakulásában szerepet játszottak.
06:04
So, hopefully, we will go from being the art of medicine
107
349000
3000
Így remélhetőleg az orvoslás művészete
06:07
more to the science of medicine,
108
352000
2000
mindinkább orvostudománnyá alakul,
06:09
and be able to do what they do in infectious disease,
109
354000
3000
és megvalósulhat, ami ma már működik a fertőző betegségeknél:
06:12
which is look at that organism, that bacteria,
110
357000
3000
vagyis az, hogy megnézzük a kórokozót, a baktériumot,
06:15
and then say, "This antibiotic makes sense,
111
360000
3000
és azt mondjuk, ezt és ezt az antibiotikumot érdemes adni,
06:18
because you have a particular bacteria that will respond to it."
112
363000
4000
mert olyan baktériummal fertőződött meg, amely erre érzékeny.
06:22
When one is exposed to H1N1, you take Tamiflu,
113
367000
4000
Ha az ember H1N1-el fertőződik, Tamiflu-t szedünk,
06:26
and you can remarkably decrease the severity of symptoms
114
371000
3000
aminek segítségével jelentősen csökkennek a tüneteink,
06:29
and prevent many of the manifestations of the disease.
115
374000
3000
és megakadályozhatjuk a betegség szövődményeit.
06:32
Why? Because we know what you have, and we know how to treat it --
116
377000
5000
Hogy miért? Azért, mert tudjuk mi a betegség, és azt is tudjuk, hogyan kell kezelni,
06:37
although we can't make vaccine in this country, but that's a different story.
117
382000
4000
oltást ugyan nem tudunk ebben az országban előállítani ellene, de ez egy más lapra tartozik.
06:41
The Cancer Genome Atlas is coming out now.
118
386000
3000
Most fog megjelenni a Rák Genom Atlasz.
06:44
The first cancer was done, which was brain cancer.
119
389000
4000
Legelőször az agydaganat génjeit szekvenálták meg.
06:48
In the next month, the end of December, you'll see ovarian cancer,
120
393000
4000
A következő hónapban, december végén, a petefészekrák,
06:52
and then lung cancer will come several months after.
121
397000
4000
majd néhány hónappal később a tüdőrák géntérképe készül majd el.
06:56
There's also a field of proteomics that I'll talk about in a few minutes,
122
401000
3000
A proteomikáról néhány perc múlva fogok beszélni,
06:59
which I think is going to be the next level
123
404000
3000
szerintem ez lesz a következő lépcsőfok,
07:02
in terms of understanding and classifying disease.
124
407000
4000
ami a rák megértését és csoportosítását illeti.
07:06
But remember, I'm not pushing genomics,
125
411000
2000
De emlékezzenek rá, nem azért nyomatom a genomikát és
07:08
proteomics, to be a reductionist.
126
413000
3000
a proteomikát hogy redukcionalista legyek.
07:11
I'm doing it so we can identify what we're up against.
127
416000
3000
Azért teszek így, hogy beazonosíthassuk, hogy mi ellen küzdünk.
07:14
And there's a very important distinction there that we'll get to.
128
419000
4000
Van egy nagyon fontos különbség, amihez el fogunk jutni.
07:18
In health care today, we spend most of the dollars --
129
423000
3000
A mai egészségügyi ellátásban a legtöbb pénzt
07:21
in terms of treating disease --
130
426000
3000
a betegség kezelésére költjük,
07:24
most of the dollars in the last two years of a person's life.
131
429000
4000
azon belül a legtöbbet a beteg utolsó két életévében.
07:28
We spend very little, if any, dollars in terms of identifying what we're up against.
132
433000
5000
Nagyon keveset költünk arra, hogy beazonosítsuk, hogy mi ellen is küzdünk.
07:33
If you could start to move that, to identify what you're up against,
133
438000
4000
Ha ezt el lehetne mozdítani a beazonosítás irányába,
07:37
you're going to do things a hell of a lot better.
134
442000
3000
sokkal jobban csinálnánk a dolgokat.
07:40
If we could even take it one step further and prevent disease,
135
445000
4000
Ha még egy lépést tennénk előre, és a megelőzéssel is foglalkoznánk,
07:44
we can take it enormously the other direction,
136
449000
3000
a másik irányba billenhetne a dolog.
07:47
and obviously, that's where we need to go, going forward.
137
452000
4000
És nyilvánvaló, hogy előrefelé kell haladnunk.
07:51
So, this is the website of the National Cancer Institute.
138
456000
3000
Ez itt a Nemzeti Rák Intézet honlapja.
07:54
And I'm here to tell you, it's wrong.
139
459000
3000
Azért vagyok itt, hogy elmondjam, hogy ez nem jó.
07:57
So, the website of the National Cancer Institute
140
462000
2000
A Nemzeti Rák Intézet honlapja szerint
07:59
says that cancer is a genetic disease.
141
464000
4000
a rák genetikai megbetegedés.
08:03
The website says, "If you look, there's an individual mutation,
142
468000
4000
A honlap szerint, ha van egyetlen egy mutáció,
08:07
and maybe a second, and maybe a third,
143
472000
2000
azt követheti egy második, utána egy harmadik,
08:09
and that is cancer."
144
474000
2000
nos, ez a rák.
08:11
But, as a cancer doc, this is what I see.
145
476000
4000
De én mint onkológus a következőképpen látom ezt.
08:15
This isn't a genetic disease.
146
480000
2000
Ez nem egy genetikai betegség.
08:17
So, there you see, it's a liver with colon cancer in it,
147
482000
3000
Amint láthatják, ez itt egy máj, egy vastagbéláttéttel
08:20
and you see into the microscope a lymph node
148
485000
2000
és itt a mikroszkóp alatt egy nyirokcsomó,
08:22
where cancer has invaded.
149
487000
2000
amibe már beterjedt a rák.
08:24
You see a CT scan where cancer is in the liver.
150
489000
4000
Itt egy CT felvételt láthatnak egy rákos májról.
08:28
Cancer is an interaction of a cell
151
493000
3000
A rák nem más, mint egy sejt interakciója,
08:31
that no longer is under growth control with the environment.
152
496000
5000
amelynek növekedése már nem áll környezetének kontrollja alatt.
08:36
It's not in the abstract; it's the interaction with the environment.
153
501000
4000
A környezettel való kölcsönhatáson múlik a dolog.
08:40
It's what we call a system.
154
505000
3000
Ez az, amit rendszernek nevezünk.
08:43
The goal of me as a cancer doctor is not to understand cancer.
155
508000
4000
Nekem mint onkológusnak nem a rák megértése a célom.
08:47
And I think that's been the fundamental problem over the last five decades,
156
512000
3000
És azt hiszem az utóbbi 50 évben ez volt a legnagyobb probléma:
08:50
is that we have strived to understand cancer.
157
515000
3000
az, hogy minden erőnkkel arra törekedtünk, hogy megértsük a rákot.
08:53
The goal is to control cancer.
158
518000
3000
A cél pedig az, hogy kontrollálni tudjuk a rákot!
08:56
And that is a very different optimization scheme,
159
521000
2000
Ez pedig egy teljesen más keretet ad a munkának,
08:58
a very different strategy for all of us.
160
523000
3000
teljesen más stratégiát mindannyiunk számára.
09:01
I got up at the American Association of Cancer Research,
161
526000
2000
Egyszer az Amerikai Rákkutató Társaság
09:03
one of the big cancer research meetings, with 20,000 people there,
162
528000
4000
egyik nagy összejövetelén, ahol 20 ezren voltak jelen,
09:07
and I said, "We've made a mistake.
163
532000
3000
azt mondtam, hogy hibát követtünk el.
09:10
We've all made a mistake, myself included,
164
535000
3000
Mindannyian elkövettük ezt a hibát, magam is,
09:13
by focusing down, by being a reductionist.
165
538000
2000
azáltal, hogy a részletekre koncentráltunk, redukcionalisták voltunk.
09:15
We need to take a step back."
166
540000
2000
Egy lépéssel vissza kell lépnünk.
09:17
And, believe it or not, there were hisses in the audience.
167
542000
2000
És hiszik, vagy nem, felszisszent a hallgatóság.
09:19
People got upset, but this is the only way we're going to go forward.
168
544000
4000
Az emberek elkeseredtek, de ez az egyetlen lehetőség arra, hogy újra előrefelé haladjunk.
09:23
You know, I was very fortunate to meet Danny Hillis a few years ago.
169
548000
4000
Nagyon szerencsés vagyok, hogy néhány éve találkozhattam Danny Hillis-szel.
09:27
We were pushed together, and neither one of us really wanted to meet the other.
170
552000
4000
Összehoztak minket, igazából egyikünk sem akart a másikkal találkozni.
09:31
I said, "Do I really want to meet a guy from Disney, who designed computers?"
171
556000
4000
Azt gondoltam: "Akarok én ezzel a Disneyből jött fickóval találkozni, aki számítógépeket tervezett?"
09:35
And he was saying: Does he really want to meet another doctor?
172
560000
3000
Ő pedig azt mondta magában: "Tényleg szeretnék még egy dokival találkozni?"
09:38
But people prevailed on us, and we got together,
173
563000
2000
De az emberek akarata érvényesült, így összejöttünk,
09:40
and it's been transformative in what I do, absolutely transformative.
174
565000
5000
és ez nagy hatással volt rám, átalakította a gondolkodásomat arról, amit csinálok.
09:46
We have designed, and we have worked on the modeling --
175
571000
3000
Terveztünk, megpróbáltuk modellezni a rákot --
09:49
and much of these ideas came from Danny and from his team --
176
574000
4000
az ötletek többsége Dannyé volt, és a csapatáé --
09:53
the modeling of cancer in the body as complex system.
177
578000
3000
modellezni a rákot az emberi szervezetben, mint összetett rendszerben.
09:56
And I'll show you some data there
178
581000
2000
Mutatok Önöknek néhány adatot,
09:58
where I really think it can make a difference and a new way to approach it.
179
583000
4000
amelyekről azt hiszem, hogy fontosak, és amelyek új szemléletet adhatnak.
10:02
The key is, when you look at these variables and you look at this data,
180
587000
4000
Ahhoz, hogy megértsük ezeket a változókat és ezeket az adatokat,
10:06
you have to understand the data inputs.
181
591000
4000
fontos, hogy tisztában legyünk a bemeneti adatokkal.
10:10
You know, if I measured your temperature over 30 days,
182
595000
4000
Ha például 30 napon keresztül mérném a testhőmérsékletedet,
10:14
and I asked, "What was the average temperature?"
183
599000
2000
és azt kérdezném, mennyi volt az átlaga
10:16
and it came back at 98.7, I would say, "Great."
184
601000
4000
azt mondhatnám, hogy 37, ami príma.
10:20
But if during one of those days
185
605000
2000
De ha közben egy napon
10:22
your temperature spiked to 102 for six hours,
186
607000
3000
a hőmérsékleted 6 órán keresztül 38,9-re emelkedne,
10:25
and you took Tylenol and got better, etc.,
187
610000
2000
és lázcsillapítót vennél be, amitől elmúlna,
10:27
I would totally miss it.
188
612000
2000
akkor ezt figyelmen kívül hagynám.
10:29
So, one of the problems, the fundamental problems in medicine
189
614000
3000
Az orvoslás egyik alapvető problémája, hogy
10:32
is that you and I, and all of us,
190
617000
2000
te és én, és mindannyian
10:34
we go to our doctor once a year.
191
619000
2000
évente egyszer megyünk orvoshoz.
10:36
We have discrete data elements; we don't have a time function on them.
192
621000
4000
Ezért egymástól elkülönített bemeneti adatokkal rendelkezünk, és nem követjük az adatok változását az idő függvényében.
10:40
Earlier it was referred to this direct life device.
193
625000
3000
Korábban hallhattunk erről az életfunkciókat figyelő készülékről,
10:43
You know, I've been using it for two and a half months.
194
628000
3000
már két és fél hónapja használom,
10:46
It's a staggering device, not because it tells me
195
631000
2000
egy megdöbbentő kis kütyü, nem azért, mert megmondja,
10:48
how many kilocalories I do every day,
196
633000
3000
hogy mennyi kilokalóriát használok fel naponta,
10:51
but because it looks, over 24 hours, what I've done in a day.
197
636000
4000
hanem azért, mert 24 órán keresztül rögzíti, hogy mit csináltam aznap.
10:55
And I didn't realize that for three hours I'm sitting at my desk,
198
640000
3000
Korábban észre sem vettem, hogy 3 órán keresztül ülök az íróasztalomnál,
10:58
and I'm not moving at all.
199
643000
2000
és nem mozgok egyáltalán.
11:00
And a lot of the functions in the data that we have as input systems here
200
645000
5000
Ezért a bemeneti adatok valójában jelentősen különböznek attól,
11:05
are really different than we understand them,
201
650000
3000
aminek mi gondoljuk őket,
11:08
because we're not measuring them dynamically.
202
653000
2000
azért, mert nem dinamikusan mérjük őket.
11:10
And so, if you think of cancer as a system,
203
655000
5000
Ha tehát a rákról mint rendszerről gondolkodunk,
11:15
there's an input and an output and a state in the middle.
204
660000
4000
van egy bemenet, egy kimenet, és egy állapot e kettő között.
11:19
So, the states, are equivalent classes of history,
205
664000
3000
A különféle állapotok időben követik egymást,
11:22
and the cancer patient, the input, is the environment,
206
667000
3000
és a rákos beteg számára a bemenet nem más mint a környezet,
11:25
the diet, the treatment, the genetic mutations.
207
670000
4000
a táplálkozás, a kezelések, és a genetikai mutációk.
11:29
The output are our symptoms:
208
674000
3000
A kimenet pedig a tünetek.
11:32
Do we have pain? Is the cancer growing? Do we feel bloated, etc.?
209
677000
4000
Fájdalmunk van? Növekszik a daganat? Fel vagyunk fújódva, stb?
11:36
Most of that state is hidden.
210
681000
4000
Az állapot nagy részben rejtett.
11:40
So what we do in our field is we change and input,
211
685000
3000
Amit csinálunk az nem más, mint hogy megváltoztatjuk a bemenetet,
11:43
we give aggressive chemotherapy,
212
688000
2000
agresszív kemoterápiát adunk.
11:45
and we say, "Did that output get better? Did that pain improve, etc.?"
213
690000
5000
És azt kérdezzük, jobb lett a kimenet? Csökkent a fájdalom? Stb.
11:50
And so, the problem is that it's not just one system,
214
695000
4000
Az a probléma, hogy nem csak egy rendszerről van szó,
11:54
it's multiple systems on multiple scales.
215
699000
3000
hanem összetett rendszerek összetett kapcsolatairól.
11:57
It's a system of systems.
216
702000
3000
Rendszerek rendszeréről.
12:00
And so, when you start to look at emergent systems,
217
705000
2000
Nos, ha megnézzük az emergens rendszereket,
12:02
you can look at a neuron under a microscope.
218
707000
3000
vegyünk például egy idegsejtet mikroszkóp alatt.
12:05
A neuron under the microscope is very elegant
219
710000
2000
Egy idegsejt nagyon elegáns a mikroszkóp alatt,
12:07
with little things sticking out and little things over here,
220
712000
3000
kis nyúlványok lógnak ki belőle itt meg ott,
12:10
but when you start to put them together in a complex system,
221
715000
4000
de amikor elkezdünk belőlük egy összetett rendszert felépíteni,
12:14
and you start to see that it becomes a brain,
222
719000
2000
azt látjuk, hogy egy agy lesz belőle,
12:16
and that brain can create intelligence,
223
721000
3000
amely agy intelligenciát hoz létre.
12:19
what we're talking about in the body,
224
724000
2000
Amiről a test és a rák esetén beszélünk,
12:21
and cancer is starting to model it like a complex system.
225
726000
3000
az az, hogy kezdjük el őket komplex rendszerekként modellezni.
12:24
Well, the bad news is that these robust --
226
729000
3000
Nos, a rossz hír, hogy ezek a robusztus -
12:27
and robust is a key word --
227
732000
2000
és a robusztus szó kulcsfontosságú --
12:29
emergent systems are very hard to understand in detail.
228
734000
4000
emergens rendszerek nagyon nehezen érthetők meg részleteikben.
12:33
The good news is you can manipulate them.
229
738000
3000
A jó hír, hogy manipulálhatjuk őket.
12:36
You can try to control them
230
741000
2000
Megpróbálhatjuk az ellenőrzésünk alá vonni őket,
12:38
without that fundamental understanding of every component.
231
743000
3000
anélkül, hogy minden komponenst részletekbe menően ismernénk.
12:41
One of the most fundamental clinical trials in cancer
232
746000
3000
Az egyik legalapvetőbb klinikai vizsgálatnak az eredménye
12:44
came out in February in the New England Journal of Medicine,
233
749000
3000
februárban jelent meg a New England Journal of Medicine-ben,
12:47
where they took women who were pre-menopausal with breast cancer.
234
752000
4000
amelyben menopauza előtt álló, mellrákban szenvedő nőket vizsgáltak.
12:51
So, about the worst kind of breast cancer you can get.
235
756000
3000
Ez talán a legrosszabb létező emlőrák.
12:54
They had gotten their chemotherapy,
236
759000
2000
Megkapták a szokásos kemoterápiát,
12:56
and then they randomized them,
237
761000
2000
aztán véletlenszerűen csoportokra osztották őket,
12:58
where half got placebo,
238
763000
2000
az egyik csoport placebot kapott,
13:00
and half got a drug called Zoledronic acid that builds bone.
239
765000
4000
a másik pedig egy Zoledronic-sav nevű gyógyszert, amely csontépítő hatással bír.
13:04
It's used to treat osteoporosis,
240
769000
2000
Csontritkulás kezelésére használják,
13:06
and they got that twice a year.
241
771000
2000
ezt kapták évente kétszer.
13:08
They looked and, in these 1,800 women,
242
773000
4000
Megnézték az eredményeket, és az 1800 nőnél,
13:12
given twice a year a drug that builds bone,
243
777000
3000
akik évente kétszer kaptak csontépítő szert
13:15
you reduce the recurrence of cancer by 35 percent.
244
780000
5000
35 százalékkal csökkent a rák kiújulásának kockázata.
13:21
Reduce occurrence of cancer by a drug
245
786000
2000
Csökkent a rák kiújulásának kockázata egy olyan gyógyszer hatására,
13:23
that doesn't even touch the cancer.
246
788000
2000
amelynek köze nincs a rákhoz.
13:25
So the notion, you change the soil, the seed doesn't grow as well.
247
790000
5000
Vagyis ha megváltoztatod a talajt, a mag nem nő ugyanolyan jól.
13:30
You change that system,
248
795000
3000
Megváltoztatod a rendszert,
13:33
and you could have a marked effect on the cancer.
249
798000
2000
és ezzel jelentős hatással lehetsz a rákra.
13:35
Nobody has ever shown -- and this will be shocking --
250
800000
3000
Soha senki nem mutatta ki - nos, ez sokkoló lesz -,
13:38
nobody has ever shown that most chemotherapy
251
803000
3000
soha senki nem mutatta ki, hogy a kemoterápia
13:41
actually touches a cancer cell.
252
806000
2000
valóban érinti a rákos sejtet.
13:43
It's never been shown.
253
808000
2000
Soha nem mutatták ki.
13:45
There's all these elegant work in the tissue culture dishes,
254
810000
3000
Ott vannak az elegáns kutatások a szövetkultúrákkal a petricsészékben,
13:48
that if you give this cancer drug, you can do this effect to the cell,
255
813000
3000
ha ezt a gyógyszert adod, ez lesz a hatása a sejtekre,
13:51
but the doses in those dishes are nowhere near
256
816000
3000
de a laborban használt dózis a közelében sincs annak,
13:54
the doses that happen in the body.
257
819000
4000
ami a szervezetben kialakul.
13:58
If I give a woman with breast cancer a drug called Taxol
258
823000
3000
Ha egy emlőrákos nőnek Taxolt, mellrák elleni szert adok
14:01
every three weeks, which is the standard,
259
826000
2000
három hetente, az előírás szerint,
14:03
about 40 percent of women with metastatic cancer
260
828000
2000
az áttétes nők 40 százaléka
14:05
have a great response to that drug.
261
830000
3000
nagyszerűen reagál rá.
14:08
And a response is 50 percent shrinkage.
262
833000
2000
50 százalékkal csökken a daganat mérete.
14:10
Well, remember that's not even an order of magnitude,
263
835000
2000
Nos, ez még csak egy nagyságrendnyi csökkenést sem jelent,
14:12
but that's a different story.
264
837000
2000
de ez egy másik történet.
14:14
They then recur, I give them that same drug every week.
265
839000
4000
Aztán, amikor kiújul a daganatuk, már hetente adom nekik ugyanezt a szert.
14:18
Another 30 percent will respond.
266
843000
3000
Ekkor mintegy 30 százalék reagál rá.
14:21
They then recur, I give them that same drug
267
846000
2000
Ha ismét kiújul a daganatuk, ugyanezt a szert adom
14:23
over 96 hours by continuous infusion,
268
848000
3000
96 órán keresztül folyamatos infúzióban,
14:26
another 20 or 30 percent will respond.
269
851000
3000
újabb 20 vagy 30 százalék fog reagálni.
14:29
So, you can't tell me it's working by the same mechanism in all three size.
270
854000
4000
Senki ne mondja nekem, hogy ugyanazzal a mechanizmussal működik mind a három dózisban!
14:33
It's not. We have no idea the mechanism.
271
858000
3000
Mert nem. Fogalmunk sincs a mechanizmusról.
14:36
So the idea that chemotherapy may just be disrupting
272
861000
3000
Tehát azt gondolom, hogy a kemoterápia éppen úgy csupán
14:39
that complex system,
273
864000
3000
az összetett rendszer működését zavarja meg,
14:42
just like building bone disrupted that system and reduced recurrence,
274
867000
5000
mint ahogyan a csontépítő gyógyszer is beleavatkozott a rendszerbe és csökkentette a kiújulást,
14:47
chemotherapy may work by that same exact way.
275
872000
3000
a kemoterápia is pont ezen az alapon működhet.
14:50
The wild thing about that trial also,
276
875000
3000
Az őrület a fenti klinikai vizsgálattal kapcsolatban az,
14:53
was that it reduced new primaries, so new cancers, by 30 percent also.
277
878000
7000
hogy a szer 30 százalékkal csökkentette a rák elsődleges megjelenését is!
15:02
So, the problem is, yours and mine, all of our systems are changing.
278
887000
5000
Az tehát a probléma, hogy mindannyiunk rendszere változik.
15:07
They're dynamic.
279
892000
2000
Mert dinamikus.
15:09
I mean, this is a scary slide, not to take an aside,
280
894000
3000
Ez egy elég ijesztő dia, és nem azért, hogy kitérőt tegyünk,
15:12
but it looks at obesity in the world.
281
897000
2000
de nézzük meg, hogyan állunk az elhízással világszerte.
15:14
And I'm sorry if you can't read the numbers, they're kind of small.
282
899000
3000
Bocsánat, kicsit apróra sikerültek a számok,
15:17
But, if you start to look at it, that red, that dark color there,
283
902000
4000
de ha jobban megnézik, a pirossal, a sötét színnel jelölt országokban
15:21
more than 75 percent of the population
284
906000
3000
a népesség több mint 75 százaléka
15:24
of those countries are obese.
285
909000
3000
kórosan elhízott.
15:27
Look a decade ago, look two decades ago: markedly different.
286
912000
4000
Egy évtizeddel ezelőtt, két évtizeddel ezelőtt, lényegesen más volt a helyzet.
15:31
So, our systems today are dramatically different
287
916000
3000
A mai rendszereink teljesen mások, mint
15:34
than our systems a decade or two ago.
288
919000
4000
tíz vagy húsz évvel ezelőtt.
15:38
So the diseases we have today,
289
923000
3000
Azok a betegségek, amelyekkel ma küzdünk,
15:41
which reflect patterns in the system over the last several decades,
290
926000
4000
az elmúlt néhány évtized rendszer-mintázatait tükrözik,
15:45
are going to change dramatically over the next decade or so
291
930000
4000
és jelentősen meg fognak változni a következő évtizedben
15:49
based on things like this.
292
934000
3000
például a fentiek miatt.
15:52
So, this picture, although it is beautiful, is a 40-gigabyte picture
293
937000
10000
Ez a kép, noha gyönyörű, egy 40 gigabájtos kép
16:02
of the whole proteome.
294
947000
2000
az egész proteomról, vagyis a szervezetben előforduló összes fehérjéről.
16:04
So this is a drop of blood that has gone through a superconducting magnet,
295
949000
4000
Ez nem más, mint egy csepp vér, amit egy szupervezető mágnesen vezettek át,
16:08
and we're able to get resolution
296
953000
2000
így olyan felbontást érhetünk el,
16:10
where we can start to see all of the proteins in the body.
297
955000
4000
amelynél láthatóvá válik a szervezet összes fehérjéje.
16:14
We can start to see that system.
298
959000
2000
Így lehetőség nyílik arra, hogy belelássunk a rendszerbe.
16:16
Each of the red dots are where a protein has actually been identified.
299
961000
4000
A piros pontok a már azonosított fehérjéket jelölik.
16:20
The power of these magnets, the power of what we can do here,
300
965000
2000
Ezeknek a mágneseknek az erejének köszönhetően
16:22
is that we can see an individual neutron with this technology.
301
967000
5000
akár az egyes neutronok is láthatóvá válnak.
16:27
So, again, this is stuff we're doing with Danny Hillis
302
972000
3000
Tehát ez az, amin Danny Hillis-szel dolgozunk,
16:30
and a group called Applied Proteomics,
303
975000
2000
és az Alkalmazott Proteomika csoporttal,
16:32
where we can start to see individual neutron differences,
304
977000
4000
hogy láthatóvá tegyük az egyedi neutronális különbségeket,
16:36
and we can start to look at that system like we never have before.
305
981000
4000
és olyan képet kapjunk a rendszerről, amilyet soha ezelőtt.
16:40
So, instead of a reductionist view, we're taking a step back.
306
985000
4000
Tehát a redukcionalista nézet helyett, egy lépest teszünk hátrafelé.
16:44
So this is a woman, 46 years old,
307
989000
4000
Ez egy 46 éves nő,
16:48
who had recurrent lung cancer.
308
993000
3000
akinek tüdőrákja kiújult és áttéteket adott.
16:51
It was in her brain, in her lungs, in her liver.
309
996000
4000
Az agyában, a tüdejében és a májában is megjelent a rák.
16:55
She had gotten Carboplatin Taxol, Carboplatin Taxotere,
310
1000000
4000
Kapott Carboplatin Taxol-t és Carboplatin Taxotere-t.
16:59
Gemcitabine, Navelbine:
311
1004000
2000
Továbbá Gemcitabene-t és Navelbine-t.
17:01
Every drug we have she had gotten, and that disease continued to grow.
312
1006000
5000
Tehát minden elképzelhető szert megkapott, de a daganat csak nőtt és nőtt.
17:06
She had three kids under the age of 12,
313
1011000
4000
Három 12 év alatti gyermeke volt,
17:10
and this is her CT scan.
314
1015000
2000
ez pedig a CT felvétele.
17:12
And so what this is, is we're taking a cross-section of her body here,
315
1017000
3000
És itt egy keresztmetszeti képet láthatunk a testéről.
17:15
and you can see in the middle there is her heart,
316
1020000
3000
Középen látható a szív
17:18
and to the side of her heart on the left there is this large tumor
317
1023000
4000
és a szíve mellett balra ott van az a nagy daganat,
17:22
that will invade and will kill her, untreated, in a matter of weeks.
318
1027000
6000
amely kezelés nélkül továbbterjed, és heteken belül megöli őt.
17:28
She goes on a pill a day that targets a pathway,
319
1033000
5000
Aztán a hölgy elkezd szedni egy tablettát, amely egy anyagcsereutat támad,
17:33
and again, I'm not sure if this pathway was in the system, in the cancer,
320
1038000
4000
és hangsúlyozom, nem biztos, hogy ez az anyagcsereút része a rendszernek, része a ráknak,
17:37
but it targeted a pathway, and a month later, pow, that cancer's gone.
321
1042000
6000
mégis, egy hónappal később, hopp, a rák eltűnik.
17:43
Six months later it's still gone.
322
1048000
3000
Hat hónappal később még mindig nyoma sincs.
17:46
That cancer recurred, and she passed away three years later from lung cancer,
323
1051000
5000
A rák később kiújult és a nő három év múlva meghalt tüdőrákban,
17:51
but she got three years from a drug
324
1056000
4000
de három évet kapott egy gyógyszernek köszönhetően,
17:55
whose symptoms predominately were acne.
325
1060000
2000
amelyet általában az akné kezelésére használnak.
17:57
That's about it.
326
1062000
2000
Ennyi.
17:59
So, the problem is that the clinical trial was done,
327
1064000
4000
Az a probléma, hogy lezajlott a klinikai vizsgálat,
18:03
and we were a part of it,
328
1068000
2000
mi is résztvevői voltunk,
18:05
and in the fundamental clinical trial --
329
1070000
2000
és a vizsgálatok végső ütemében,
18:07
the pivotal clinical trial we call the Phase Three,
330
1072000
2000
a döntő, a harmadik fázisban,
18:09
we refused to use a placebo.
331
1074000
3000
visszautasítottuk a placebo használatát.
18:12
Would you want your mother, your brother, your sister
332
1077000
2000
Önök szeretnék, hogy anyjuk, bátyjuk, vagy nővérük
18:14
to get a placebo if they had advanced lung cancer and had weeks to live?
333
1079000
4000
placebót kapjon, ha áttétes tüdődaganatban szenved és néhány hete van hátra?
18:18
And the answer, obviously, is not.
334
1083000
2000
Nyilvánvaló, hogy a válasz: nem.
18:20
So, it was done on this group of patients.
335
1085000
2000
Tehát ezeken a pácienseken próbáltuk ki a szert,
18:22
Ten percent of people in the trial had this dramatic response that was shown here,
336
1087000
6000
a betegek 10 százaléka olyan drámai módon reagált, mint az előbbi 46 éves nő,
18:28
and the drug went to the FDA,
337
1093000
3000
a szer eljutott az FDA-hoz,
18:31
and the FDA said, "Without a placebo,
338
1096000
2000
erre az FDA azt mondta, placebo nélkül
18:33
how do I know patients actually benefited from the drug?"
339
1098000
5000
honnan tudjuk, hogy a szer egyáltalán hatásos volt?
18:38
So the morning the FDA was going to meet,
340
1103000
2000
Az FDA tanácskozás reggelén
18:40
this was the editorial in the Wall Street Journal.
341
1105000
3000
ez volt a Wall Street Journal vezércikke.
18:43
(Laughter)
342
1108000
2000
FDA-tól a pácienseknek: Cseppnyi halál
18:45
And so, what do you know, that drug was approved.
343
1110000
4000
Nos, mint tudják ezt a szert végül engedélyezték.
18:49
The amazing thing is another company did the right scientific trial,
344
1114000
4000
Csodák csodájára egy másik cég megcsinálta az előírás szerinti klinikai vizsgálatot:
18:53
where they gave half placebo and half the drug.
345
1118000
3000
a betegek fele placebót, a fele pedig a szert kapta.
18:56
And we learned something important there.
346
1121000
2000
Valami nagyon fontosat tanultunk ebből a vizsgálatból.
18:58
What's interesting is they did it in South America and Canada,
347
1123000
3000
Érdekes, hogy vizsgálatot Dél-Amerikában és Kanadában csinálták,
19:01
where it's "more ethical to give placebos."
348
1126000
3000
ahol "etikusabb" a placebo használata.
19:04
They had to give it also in the U.S. to get approval,
349
1129000
2000
az USA-ban is kellett, hogy történjenek vizsgálatok az engedélyezéshez,
19:06
so I think there were three U.S. patients
350
1131000
2000
úgyhogy azt hiszem, 3 amerikai páciens is részt vett a vizsgálatban
19:08
in upstate New York who were part of the trial.
351
1133000
2000
New York állam északi részén.
19:10
But they did that, and what they found
352
1135000
2000
De megcsinálták, és úgy találták, hogy
19:12
is that 70 percent of the non-responders
353
1137000
3000
a szerre nem reagálók 70 százaléka is
19:15
lived much longer and did better than people who got placebo.
354
1140000
5000
sokkal tovább és jobb életminőségben élt, mint azok, akik placebót kaptak.
19:20
So it challenged everything we knew in cancer,
355
1145000
3000
Ez megváltoztatott mindent, amit eddig tudtunk a rákról,
19:23
is that you don't need to get a response.
356
1148000
2000
ezek szerint nem kell hogy reagáljunk a szerre.
19:25
You don't need to shrink the disease.
357
1150000
2000
Nem kell csökkenteni a daganat méretét.
19:27
If we slow the disease, we may have more of a benefit
358
1152000
4000
Lehet, hogy többet profitálunk, ha lelassítjuk a betegséget,
19:31
on patient survival, patient outcome, how they feel,
359
1156000
4000
hosszabb lesz a túlélési idő, jobb az életminőség, és a közérzet,
19:35
than if we shrink the disease.
360
1160000
2000
mint akkor, ha csökkentjük a daganatot.
19:37
The problem is that, if I'm this doc, and I get your CT scan today
361
1162000
3000
Az a probléma, hogy ha én vagyok ez az orvosod, és megkapom a CT felvételed,
19:40
and you've got a two centimeter mass in your liver,
362
1165000
3000
amelyen egy 2 centiméteres csomó van a májadban,
19:43
and you come back to me in three months and it's three centimeters,
363
1168000
3000
és aztán 3 hónap múlva visszajössz hozzám, és akkor 3 centiméteres a csomó,
19:46
did that drug help you or not?
364
1171000
2000
akkor vajon segített a gyógyszer vagy nem?
19:48
How do I know?
365
1173000
2000
Honnan tudjam?
19:50
Would it have been 10 centimeters, or am I giving you a drug
366
1175000
4000
Vajon gyógyszer nélkül tíz centiméteresre nőtt volna ennyi idő alatt,
19:54
with no benefit and significant cost?
367
1179000
3000
vagy ellenkezőleg: semmi hatása nincs, viszont igen drága?
19:57
So, it's a fundamental problem.
368
1182000
2000
Ez az alapvető probléma.
19:59
And, again, that's where these new technologies can come in.
369
1184000
5000
Ez az, ahol ezek az új technológiák beleszólhatnak a dologba.
20:04
And so, the goal obviously is that you go into your doctor's office --
370
1189000
4000
Így a cél tehát nyilvánvalóan az, hogy elmenjenek orvosukhoz,
20:08
well, the ultimate goal is that you prevent disease, right?
371
1193000
3000
igaz, a végső cél az, hogy megelőzzük a betegségeket.
20:11
The ultimate goal is that you prevent any of these things from happening.
372
1196000
4000
Az a végső cél, hogy mindezeket a dolgokat megelőzzük.
20:15
That is the most effective, cost-effective,
373
1200000
3000
Ez a leghatékonyabb, a legköltséghatékonyabb,
20:18
best way we can do things today.
374
1203000
2000
ez a legjobb, amit ma tehetünk.
20:20
But if one is unfortunate to get a disease,
375
1205000
3000
De, ha valaki olyan szerencsétlen, hogy megbetegszik,
20:23
you'll go into your doctor's office, he or she will take a drop of blood,
376
1208000
3000
akkor elmegy a rendelésre, az orvos vesz tőle vérmintát,
20:26
and we will start to know how to treat your disease.
377
1211000
4000
és lassan meg tudjuk majd mondani, hogy hogyan kellene kezelni a betegségét.
20:31
The way we've approached it is the field of proteomics,
378
1216000
3000
Az az út, amelyen elértünk ide a proteomika,
20:34
again, this looking at the system.
379
1219000
2000
vagyis a rendszerszintű szemlélet.
20:36
It's taking a big picture.
380
1221000
2000
Ez egy nagy vállalkozás.
20:38
The problem with technologies like this is
381
1223000
3000
Az a probléma az ilyen technológiákkal,
20:41
that if one looks at proteins in the body,
382
1226000
2000
hogy ha az ember a szervezet fehérjéit vizsgálja,
20:43
there are 11 orders of magnitude difference
383
1228000
3000
11 nagyságrendnyi különbség van a
20:46
between the high-abundant and the low-abundant proteins.
384
1231000
3000
gyakori és a ritkán előforduló fehérjék mennyiségében.
20:49
So, there's no technology in the world that can span 11 orders of magnitude.
385
1234000
5000
Nincs ma a világon olyan technológia, amely ezt a 11 nagyságrendnyi különbséget le tudná fedni.
20:54
And so, a lot of what has been done with people like Danny Hillis and others
386
1239000
5000
Ezért Danny Hillisszel és másokkal is azon próbálkoztunk,
20:59
is to try to bring in engineering principles, try to bring the software.
387
1244000
4000
hogy mérnöki módszereket vezessünk be, próbáljunk szoftvereket alkalmazni.
21:03
We can start to look at different components along this spectrum.
388
1248000
5000
Elkezdhetünk a spektrum mentén különböző komponenseket vizsgálni.
21:08
And so, earlier was talked about cross-discipline, about collaboration.
389
1253000
5000
Korábban szó volt az interdiszciplinaritásról, az együttműködésről.
21:13
And I think one of the exciting things that is starting to happen now
390
1258000
3000
Úgy gondolom, hogy ma ez az egyik izgalmas dolog, ami történik,
21:16
is that people from those fields are coming in.
391
1261000
3000
az, hogy bejönnek emberek ezekről a területekről.
21:19
Yesterday, the National Cancer Institute announced a new program
392
1264000
3000
Tegnap a Nemzeti Rák Intézet meghirdette új programját,
21:22
called the Physical Sciences and Oncology,
393
1267000
3000
a fizikai tudományok és az onkológia címmel,
21:25
where physicists, mathematicians, are brought in to think about cancer,
394
1270000
4000
fizikusokat, matematikusokat vonnak be a rákról való gondolkodásba,
21:29
people who never approached it before.
395
1274000
3000
olyan embereket, akik ezzel még soha nem foglalkoztak.
21:32
Danny and I got 16 million dollars, they announced yesterday,
396
1277000
3000
Danny és én 16 millió dollárt kaptunk, jelentették be tegnap,
21:35
to try to attach this problem.
397
1280000
2000
arra, hogy megpróbáljunk fogást találni ezen a problémán.
21:37
A whole new approach, instead of giving high doses of chemotherapy
398
1282000
4000
Egy teljesen új megközelítést, a különféle nagy dózisú
21:41
by different mechanisms,
399
1286000
2000
kemoterápiák helyett
21:43
to try to bring technology to get a picture of what's actually happening in the body.
400
1288000
6000
próbáljunk meg az új technológiák segítségével képet kapni arról, hogy mi is történik a szervezetben.
21:49
So, just for two seconds, how these technologies work --
401
1294000
4000
Nézzük meg egy pillanatra, hogyan működnek ezek a technológiák,
21:53
because I think it's important to understand it.
402
1298000
3000
mert szerintem fontos, hogy megértsük őket.
21:56
What happens is every protein in your body is charged,
403
1301000
3000
Testünk összes fehérjéje töltéssel bír,
21:59
so the proteins are sprayed in, the magnet spins them around,
404
1304000
4000
ezeket a fehérjéket bepermetezzük egy mágneses mezőbe, ami megforgatja őket,
22:03
and then there's a detector at the end.
405
1308000
2000
a végén pedig egy érzékelő van.
22:05
When it hit that detector is dependent on the mass and the charge.
406
1310000
5000
A becsapódás helye a fehérje töltésétől és tömegétől függ.
22:10
And so we can accurately -- if the magnet is big enough,
407
1315000
3000
Így ha a mágnes elég nagy
22:13
and your resolution is high enough --
408
1318000
2000
és a felbontás is elég nagy,
22:15
you can actually detect all of the proteins in the body
409
1320000
3000
a test összes fehérjéje precízen elkülöníthető,
22:18
and start to get an understanding of the individual system.
410
1323000
4000
és elkezdhetjük megérteni az egyes rendszereket.
22:22
And so, as a cancer doctor,
411
1327000
2000
Így én, mint onkológus,
22:24
instead of having paper in my chart, in your chart, and it being this thick,
412
1329000
5000
ahelyett, hogy vastag papírhalmokba gyűjteném a táblázatokat,
22:29
this is what data flow is starting to look like in our offices,
413
1334000
4000
újabban ehhez hasonló adatáramlási modellekkel dolgozom az irodánkban,
22:33
where that drop of blood is creating gigabytes of data.
414
1338000
3000
ahol egyetlen csepp vér adatok gigabájtjait szolgáltatja.
22:36
Electronic data elements are describing every aspect of the disease.
415
1341000
4000
Az elektronikus adatsorok a betegség minden aspektusát leírják.
22:40
And certainly the goal is we can start to learn from every encounter
416
1345000
4000
És a cél egész biztosan az, hogy tanuljunk minden egyes esetből,
22:44
and actually move forward, instead of just having encounter and encounter,
417
1349000
5000
és haladjunk előre, ahelyett, hogy újra és újra szembesüljünk valamivel
22:49
without fundamental learning.
418
1354000
2000
anélkül, hogy tanulnánk belőle.
22:51
So, to conclude, we need to get away from reductionist thinking.
419
1356000
6000
Egyszóval: el kell távolodnunk a redukcionalista gondolkodástól.
22:57
We need to start to think differently and radically.
420
1362000
4000
Meg kell tanulnunk másképp és radikálisan gondolkodni.
23:01
And so, I implore everyone here: Think differently. Come up with new ideas.
421
1366000
4000
Ezért arra kérek mindenkit, hogy gondolkozzon másképp. Új ötletekre van szükség.
23:05
Tell them to me or anyone else in our field,
422
1370000
3000
Osszák meg ezeket velem, vagy bárki más szakemberrel ezen a területen,
23:08
because over the last 59 years, nothing has changed.
423
1373000
3000
mivel az utóbbi 59 évben semmi nem változott.
23:11
We need a radically different approach.
424
1376000
3000
Teljesen új szemléletre van szükségünk.
23:14
You know, Andy Grove stepped down as chairman of the board at Intel --
425
1379000
3000
Amikor Andy Grove lemondott az Intel vezérigazgatói posztjáról --
23:17
and Andy was one of my mentors, tough individual.
426
1382000
3000
és Andy egyike volt a mentoraimnak, makacs személyiség --
23:20
When Andy stepped down, he said,
427
1385000
2000
szóval amikor Andy leköszönt, azt mondta:
23:22
"No technology will win. Technology itself will win."
428
1387000
3000
"Egyik technológiai sem fog győzni. Maga a technológia fog győzni."
23:25
And I'm a firm believer, in the field of medicine and especially cancer,
429
1390000
4000
Én pedig hiszek az orvostudományban, különösen a rákkutatásban,
23:29
that it's going to be a broad platform of technologies
430
1394000
3000
abban, hogy sokféle technológia
23:32
that will help us move forward
431
1397000
2000
fogja az előrejutásunkat segíteni,
23:34
and hopefully help patients in the near-term.
432
1399000
2000
és remélhetőleg a betegek gyógyulását is, már a közeli jövőben.
23:36
Thank you very much.
433
1401000
2000
Köszönöm szépen.
ABOUT THE SPEAKER
David Agus - Cancer DoctorAlthough a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer.
Why you should listen
David Agus is a medical doctor and a Professor of Medicine at the University of Southern California. However, he is also the founder of a couple of game-changing medical initiatives. In 2006, he co-founded Navigenics with Dietrich Stephan, Ph.D., to form a company that would provide people with their individual genetic information, allowing them to act on any predispositions to disease that they might have and prevent onset. He also founded Oncology.com which was the largest cancer Internet resource and community.
Dr. Agus’ research is focused on the application of proteomics and genomics in the study of cancer, as well as developing new therapeutic treatments for cancer. He serves as Director of the USC Center for Applied Molecular Medicine and the USC Westside Prostate Cancer Center. Agus is also the recipient of several honors and awards, including the American Cancer Society Physician Research Award, a Clinical Scholar Award from the Sloan-Kettering Institute and the International Myeloma Foundation Visionary Science Award.
David Agus | Speaker | TED.com