TED2003
Juan Enriquez: The life code that will reshape the future
Juan Enriquez: Juan Enriquez - genetika és a jövőnk
Filmed:
Readability: 3.4
831,634 views
Juan Enriquez a genetikai kódokban rejlő lehetőségekről beszél, a világ átalakulásáról. Fontos az élet megismerése.
Juan Enriquez - Futurist
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society. Full bio
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society. Full bio
Double-click the English transcript below to play the video.
00:25
I'm supposed to scare you, because it's about fear, right?
0
1000
3000
Meg kéne, hogy ijesszem Önöket,
mert ez a félelemről szól, ugye?
mert ez a félelemről szól, ugye?
És valóban kellene, hogy féljenek,
00:29
And you should be really afraid,
1
5000
2000
00:31
but not for the reasons why you think you should be.
2
7000
2000
de nem amiatt az okok miatt,
amire gondolnak.
amire gondolnak.
00:34
You should be really afraid that --
3
10000
2000
Azért kellene, hogy féljenek,
00:36
if we stick up the first slide on this thing -- there we go -- that you're missing out.
4
12000
4000
- ha sikerül kitenni az első slide-ot-
hogy kihagynak valamit.
hogy kihagynak valamit.
Mert ha ezt a hetet
Irakra gondolva töltik,
Irakra gondolva töltik,
00:42
Because if you spend this week thinking about Iraq and
5
18000
4000
és Bushra vagy a tőzsdére gondolnak,
00:46
thinking about Bush and thinking about the stock market,
6
22000
4000
akkor elmulasztják a legnagyobb kalandot,
amiben valaha is részt vettünk.
amiben valaha is részt vettünk.
00:50
you're going to miss one of the greatest adventures that we've ever been on.
7
26000
2000
Ez az, amiről ez a kaland valójában szól.
00:53
And this is what this adventure's really about.
8
29000
2000
00:55
This is crystallized DNA.
9
31000
4000
Ez itt kikristályosodott DNS.
Bármely életforma ezen a bolygón -
minden rovar, baktérium, növény
minden rovar, baktérium, növény
00:59
Every life form on this planet -- every insect, every bacteria, every plant,
10
35000
3000
01:02
every animal, every human, every politician -- (Laughter)
11
38000
3000
bármely állat, ember, vagy politikus
(nevetés)
(nevetés)
01:07
is coded in that stuff.
12
43000
2000
kódolva van benne.
01:09
And if you want to take a single crystal of DNA, it looks like that.
13
45000
4000
Ha csak egy DNS kristályt veszünk,
így mutat.
így mutat.
01:13
And we're just beginning to understand this stuff.
14
49000
2000
Csak most kezdjük
megérteni ezt a dolgot.
megérteni ezt a dolgot.
01:16
And this is the single most exciting adventure that we have ever been on.
15
52000
3000
Ez a legizgalmasabb kaland,
amiben valaha csak részt vehettünk.
amiben valaha csak részt vehettünk.
Az egyetlen és legnagyobb
feltérképezési projekt.
feltérképezési projekt.
01:20
It's the single greatest mapping project we've ever been on.
16
56000
3000
01:23
If you think that the mapping of America's made a difference,
17
59000
2000
Ha azt hiszik, hogy Amerika feltérképezése
01:25
or landing on the moon, or this other stuff,
18
61000
3000
változást jelentett, vagy a holdraszállás,
vagy ez a másik dolog,
vagy ez a másik dolog,
01:28
it's the map of ourselves and the map of every plant
19
64000
3000
a saját térképünk és az összes növényé,
01:31
and every insect and every bacteria that really makes a difference.
20
67000
3000
az összes rovaré, baktériumé,
akkor ez tényleg változást jelent.
akkor ez tényleg változást jelent.
01:34
And it's beginning to tell us a lot about evolution.
21
70000
3000
És sokat elmond az evolúcióról.
01:39
(Laughter)
22
75000
4000
(nevetés)
01:43
It turns out that what this stuff is --
23
79000
2000
Úgy tűnik, hogy ez a dolog -
01:45
and Richard Dawkins has written about this --
24
81000
2000
Richard Dawkins is írt róla -
01:47
is, this is really a river out of Eden.
25
83000
2000
tényleg egy Édenből jött folyó.
01:49
So, the 3.2 billion base pairs inside each of your cells
26
85000
4000
A 3,2 millió bázispár az Önök
minden egyes sejtjében
minden egyes sejtjében
01:53
is really a history of where you've been for the past billion years.
27
89000
3000
őrzi az egymilliárd éves történetét
annak, ami valaha voltak.
annak, ami valaha voltak.
Elkezdhetnénk keltezni őket,
01:56
And we could start dating things,
28
92000
1000
01:57
and we could start changing medicine and archeology.
29
93000
3000
megváltoztatni az orvoslást
és az archeológiát.
és az archeológiát.
Kiderül, hogyha vesszük az emberi fajt
700 évvel ezelőtt,
700 évvel ezelőtt,
02:01
It turns out that if you take the human species about 700 years ago,
30
97000
3000
02:04
white Europeans diverged from black Africans in a very significant way.
31
100000
3000
a fehér európaiak igen eltérően
fejlődtek a fekete afrikaiaktól.
fejlődtek a fekete afrikaiaktól.
02:07
White Europeans were subject to the plague.
32
103000
5000
A fehér európaiak áldozatul
estek a bubópestisnek,
estek a bubópestisnek,
02:13
And when they were subject to the plague, most people didn't survive,
33
109000
3000
és nagy részük nem élte túl,
02:16
but those who survived had a mutation on the CCR5 receptor.
34
112000
4000
de aki igen, annak volt egy mutációja
a CCR5 receptorokon,
a CCR5 receptorokon,
02:20
And that mutation was passed on to their kids
35
116000
2000
melyet továbbörökítettek
gyerekekeiknek,
gyerekekeiknek,
02:22
because they're the ones that survived,
36
118000
2000
mert ők azok, akik túléltek,
02:24
so there was a great deal of population pressure.
37
120000
2000
tehát nagy volt a populációs nyomás.
02:26
In Africa, because you didn't have these cities,
38
122000
2000
Mivel Afrikában nem voltak ilyen városok,
02:28
you didn't have that CCR5 population pressure mutation.
39
124000
3000
nem volt CCR5 populációs nyomás mutáció.
02:31
We can date it to 700 years ago.
40
127000
3000
Keltezhetjük 700 évvel ezelőttre.
02:34
That is one of the reasons why AIDS is raging across Africa as fast as it is,
41
130000
4000
Ez az egyik ok, ami miatt
az AIDS Afrikában
az AIDS Afrikában
02:38
and not as fast across Europe.
42
134000
4000
sebesebben terjed, mint Európában.
02:42
And we're beginning to find these little things for malaria,
43
138000
3000
Ezeket a kis dolgokat most
kezdjük megtalálni
kezdjük megtalálni
02:45
for sickle cell, for cancers.
44
141000
3000
maláriára, sarló sejtre, rákra.
Miközben kutatunk,
feltérképezzük magunkat,
feltérképezzük magunkat,
02:49
And in the measure that we map ourselves,
45
145000
2000
02:51
this is the single greatest adventure that we'll ever be on.
46
147000
2000
és ez a legnagyszerűbb kaland, amin
részt vehetünk.
részt vehetünk.
02:53
And this Friday, I want you to pull out a really good bottle of wine,
47
149000
4000
Pénteken bontsanak egy igazán jó bort
02:57
and I want you to toast these two people.
48
153000
2000
és koccintsanak erre a két emberre,
03:00
Because this Friday, 50 years ago, Watson and Crick found the structure of DNA,
49
156000
4000
mert 50 éve Watson és Crick felfedezték a
DNS struktúrát,
DNS struktúrát,
03:04
and that is almost as important a date
50
160000
3000
és az a dátum majdnem olyan fontos,
03:07
as the 12th of February when we first mapped ourselves,
51
163000
3000
mint február 12, amikor először
térképeztük fel magunkat,
térképeztük fel magunkat,
03:10
but anyway, we'll get to that.
52
166000
2000
de majd oda is el fogok jutni.
03:12
I thought we'd talk about the new zoo.
53
168000
2000
Gondoltam, beszéljünk az új állatkertről.
03:14
So, all you guys have heard about DNA, all the stuff that DNA does,
54
170000
4000
Mindenki hallott a DNS-ről
és arról, hogy mire jó
és arról, hogy mire jó
03:18
but some of the stuff we're discovering is kind of nifty
55
174000
3000
de egy-egy felfedezett dolog
olyan leleményes,
olyan leleményes,
03:21
because this turns out to be the single most abundant species on the planet.
56
177000
5000
hogy kiderült, ez a legnagyobb számban
jelen lévő faj ezen a bolygón.
jelen lévő faj ezen a bolygón.
03:26
If you think you're successful or cockroaches are successful,
57
182000
3000
Ha úgy gondolják, hogy sikeresek,
vagy a csótányok azok,
vagy a csótányok azok,
03:29
it turns out that there's ten trillion trillion Pleurococcus sitting out there.
58
185000
3000
akkor hirtelen kiderül, hogy tíz trillió
Pleuroccocus létezik,
Pleuroccocus létezik,
03:32
And we didn't know that Pleurococcus was out there,
59
188000
3000
amikről nem is tudtuk,
hogy a élnek.
hogy a élnek.
03:35
which is part of the reason
60
191000
1000
Ez részben magyarázza,
03:36
why this whole species-mapping project is so important.
61
192000
5000
hogy miért fontos ez az egész
faj-feltérképezési projekt.
faj-feltérképezési projekt.
03:41
Because we're just beginning to learn
62
197000
2000
Mert még csak most kezdjük megtanulni,
03:43
where we came from and what we are.
63
199000
1000
hogy honnan jövünk
és kik vagyunk.
és kik vagyunk.
03:45
And we're finding amoebas like this. This is the amoeba dubia.
64
201000
3000
Ilyen amőbákat találunk.
Ez egy amoeba dubia,
Ez egy amoeba dubia,
03:49
And the amoeba dubia doesn't look like much,
65
205000
2000
ami nem tűnik különlegesnek,
03:51
except that each of you has about 3.2 billion letters,
66
207000
3000
kivéve a tényt, hogy míg Önöknek 3,2 milliárd
03:54
which is what makes you you,
67
210000
2000
betűjük van, ami azonosítja magukat,
03:56
as far as gene code inside each of your cells,
68
212000
3000
- a minden sejtben megtalálható
genetikai kóddal -
genetikai kóddal -
03:59
and this little amoeba which, you know,
69
215000
3000
addig ez az amőba, tudják,
04:02
sits in water in hundreds and millions and billions,
70
218000
2000
millió és milliárdszám él a vízben,
04:05
turns out to have 620 billion base pairs of gene code inside.
71
221000
6000
620 milliárd pár bázispárnyi
génkóddal rendelkezik.
génkóddal rendelkezik.
04:11
So, this little thingamajig has a genome
72
227000
3000
Tehát ez az izé 200-szor akkora
04:14
that's 200 times the size of yours.
73
230000
2000
genommal rendelkezik, mint Önök.
04:17
And if you're thinking of efficient information storage mechanisms,
74
233000
3000
Ha az információ hatékony tárolásának
módszerét keressük, akkor lehetséges,
hogy az nem a chip,
hogy az nem a chip,
04:21
it may not turn out to be chips.
75
237000
2000
04:24
It may turn out to be something that looks a little like that amoeba.
76
240000
4000
hanem valami ehhez az amőbához
kicsit hasonló.
kicsit hasonló.
04:28
And, again, we're learning from life and how life works.
77
244000
4000
És ismét tanulunk az élettől
és annak működéséről
és annak működéséről
04:32
This funky little thing: people didn't used to think
78
248000
4000
Ez egy egyszerű dolog,
hogy az emberek nem hitték,
hogy az emberek nem hitték,
04:36
that it was worth taking samples out of nuclear reactors
79
252000
3000
hogy érdemes mintát venni
a nukleáris reaktorból,
a nukleáris reaktorból,
04:39
because it was dangerous and, of course, nothing lived there.
80
255000
3000
mert veszélyes és természetesen
ott nem él meg semmi.
ott nem él meg semmi.
04:42
And then finally somebody picked up a microscope
81
258000
3000
De végül, valaki vett egy mikroszkópot
04:45
and looked at the water that was sitting next to the cores.
82
261000
3000
és megvizsgálta a vizet az uránium
rudak mellett,
rudak mellett,
04:48
And sitting next to that water in the cores
83
264000
2000
ahol ott úszott a hátán
04:50
was this little Deinococcus radiodurans, doing a backstroke,
84
266000
3000
a kis Deinoccocus radiodurans.
04:53
having its chromosomes blown apart every day,
85
269000
2000
A kromoszómái naponta törtek darabokra,
04:55
six, seven times, restitching them,
86
271000
3000
hatszor, hétszer, de ő visszaragasztotta,
04:58
living in about 200 times the radiation that would kill you.
87
274000
2000
az életveszélyes sugárzás
200-szorosában élve.
200-szorosában élve.
05:01
And by now you should be getting a hint as to how diverse
88
277000
3000
Mára van egy halvány sejtésük,
hogy milyen sokoldalú,
hogy milyen sokoldalú,
05:04
and how important and how interesting this journey into life is,
89
280000
2000
fontos és érdekes ez az utazásunk,
05:06
and how many different life forms there are,
90
282000
3000
mennyire sokféle életforma létezik,
05:09
and how there can be different life forms living in
91
285000
3000
és hogy tudnak élni különböző életformák
05:12
very different places, maybe even outside of this planet.
92
288000
3000
nagyon változatos helyeken,
akár a bolygón kívül is.
akár a bolygón kívül is.
05:16
Because if you can live in radiation that looks like this,
93
292000
2000
Mert ha lehet élni ekkora sugárzásban,
05:18
that brings up a whole series of interesting questions.
94
294000
3000
akkor az egy sor érdekes kérdést vet fel.
05:22
This little thingamajig: we didn't know this thingamajig existed.
95
298000
3000
Ez a kis izé, amiről azt sem tudtuk,
hogy létezik,
hogy létezik,
05:26
We should have known that this existed
96
302000
2000
de amiről tudnunk kellett volna, hogy él
05:28
because this is the only bacteria that you can see to the naked eye.
97
304000
3000
mert az egyetlen szabad szemmel látható baktérium
05:31
So, this thing is 0.75 millimeters.
98
307000
3000
és 0,75 mm hosszú.
05:34
It lives in a deep trench off the coast of Namibia.
99
310000
2000
Namíbia partjainál él egy óceánárokban.
05:37
And what you're looking at with this namibiensis
100
313000
2000
Amit látnak, az egy namibiensis,
05:39
is the biggest bacteria we've ever seen.
101
315000
2000
a legnagyobb, valaha látott baktérium.
05:41
So, it's about the size of a little period on a sentence.
102
317000
3000
Majdnem egy mondatvégi pont méretű.
05:45
Again, we didn't know this thing was there three years ago.
103
321000
4000
Ismétlem, 3 éve még azt sem tudtuk,
hogy létezik.
hogy létezik.
05:49
We're just beginning this journey of life in the new zoo.
104
325000
3000
Még csak most kezdtük me
felfedező utunkat az új állatkertben.
felfedező utunkat az új állatkertben.
05:53
This is a really odd one. This is Ferroplasma.
105
329000
3000
Ez egy nagyon fura lény, a Ferroplasma.
05:57
The reason why Ferroplasma is interesting is because it eats iron,
106
333000
3000
Az érdekessége, hogy vasat eszik,
06:01
lives inside the equivalent of battery acid,
107
337000
3000
az akkumulátorsavval megegyező
valami belsejében lakozik
valami belsejében lakozik
06:05
and excretes sulfuric acid.
108
341000
2000
és kénsavat választ ki.
06:09
So, when you think of odd life forms,
109
345000
2000
Tehát mikor a fura élővilágra gondolnak,
06:11
when you think of what it takes to live,
110
347000
3000
amikor arra gondolnak,
hogy mi kell az élethez
hogy mi kell az élethez
06:15
it turns out this is a very efficient life form,
111
351000
2000
úgy tűnik, hogy ez egy hatékony életforma,
06:17
and they call it an archaea. Archaea means "the ancient ones."
112
353000
4000
amit archaea-nak hívnak. Az archaea ősit jelent.
06:21
And the reason why they're ancient is because this thing came up
113
357000
4000
Azért ősiek, mert akkor is léteztek már,
mikor a bolygót beborította a kénsav
06:25
when this planet was covered
114
361000
2000
ami az akkumulátorokbanis van, és vasat
06:27
by things like sulfuric acid in batteries,
115
363000
1000
06:28
and it was eating iron when the earth was part of a melted core.
116
364000
4000
fogyasztott, mikor a föld
részben egy olvadt mag volt.
részben egy olvadt mag volt.
06:33
So, it's not just dogs and cats and whales and dolphins
117
369000
4000
Nem csak a kutyák, macskák
bálnák és delfinek,
bálnák és delfinek,
06:37
that you should be aware of and interested in on this little journey.
118
373000
4000
amikre tudatosan kell oda figyeljünk
a kis körutazásunkon.
a kis körutazásunkon.
06:41
Your fear should be that you are not,
119
377000
3000
A félelmük az kellene legyen, hogy
06:44
that you're paying attention to stuff which is temporal.
120
380000
3000
mulandó dolgokra figyelnek.
06:47
I mean, George Bush -- he's going to be gone, alright? Life isn't.
121
383000
5000
Mondanám George Bush..
eltűnik egyszer, nem? Az élet nem.
eltűnik egyszer, nem? Az élet nem.
06:53
Whether the humans survive or don't survive,
122
389000
3000
Az emberek túlélnek,
vagy nem.
vagy nem.
Ezek a dolgok itt fognak élni
vagy más bolygókon.
vagy más bolygókon.
06:56
these things are going to be living on this planet or other planets.
123
392000
3000
06:59
And it's just beginning to understand this code of DNA
124
395000
4000
Az a tény, hogy alig kezdtük
megérteni a DNS kódot,
megérteni a DNS kódot,
07:03
that's really the most exciting intellectual adventure
125
399000
3000
a legizgalmasabb szellemi kaland,
07:06
that we've ever been on.
126
402000
3000
amiben valaha részt vettünk.
07:09
And you can do strange things with this stuff. This is a baby gar.
127
405000
4000
Érdekes dolgokat lehet ezzel kezdeni.
Ez egy gar-boci.
Ez egy gar-boci.
Egy megőrző csoport, aki elhatározta,
07:13
Conservation group gets together,
128
409000
2000
07:15
tries to figure out how to breed an animal that's almost extinct.
129
411000
4000
hogy kitalálja, hogyan szaporítsa
a kihalás szélén álló fajt.
a kihalás szélén álló fajt.
Ez nem megy természetes úton,
ezért vesznek egy
ezért vesznek egy
07:20
They can't do it naturally, so what they do with this thing is
130
416000
3000
07:23
they take a spoon, take some cells out of an adult gar's mouth, code,
131
419000
5000
kanalat és sejtmintát egy felnőtt
gar bika szájából, kódolják,
gar bika szájából, kódolják,
07:29
take the cells from that and insert it into a fertilized cow's egg,
132
425000
4000
ezeket a sejteket beszúrják egy
megtermékenyített tehénpetesejtbe,
megtermékenyített tehénpetesejtbe,
07:34
reprogram cow's egg -- different gene code.
133
430000
3000
újraprogramozzák a petesejtet -
különböző genetikai kóddal.
különböző genetikai kóddal.
07:38
When you do that, the cow gives birth to a gar.
134
434000
4000
Ettől a tehénnek gar bocija lesz.
07:43
We are now experimenting with bongos, pandas, elims, Sumatran tigers,
135
439000
6000
Így kísérletezünk a bongoval, pandával,
tehénantiloppal, szumátrai tigrissel.
tehénantiloppal, szumátrai tigrissel.
07:49
and the Australians -- bless their hearts --
136
445000
3000
Hál'istennek az ausztrálok
ezekkel játszanak el.
07:52
are playing with these things.
137
448000
1000
07:53
Now, the last of these things died in September 1936.
138
449000
4000
Az utolsó példányok
1936 szeptemberben haltak ki.
1936 szeptemberben haltak ki.
Ezek tazmán tigrisek.
Az utolsó a Hobart Zoo-ban pusztult el.
Az utolsó a Hobart Zoo-ban pusztult el.
07:57
These are Tasmanian tigers. The last known one died at the Hobart Zoo.
139
453000
4000
08:01
But it turns out that as we learn more about gene code
140
457000
3000
Ahogy többet tudunk meg a génkódokról,
08:04
and how to reprogram species,
141
460000
2000
a fajok újraprogramozásáról,
08:06
we may be able to close the gene gaps in deteriorate DNA.
142
462000
5000
sikerülhet betölteni a génhibát
a sérült DNS-ben.
a sérült DNS-ben.
08:11
And when we learn how to close the gene gaps,
143
467000
3000
Ha megtanuljuk bezárni a
génhézagokat, akkor
génhézagokat, akkor
08:14
then we can put a full string of DNA together.
144
470000
2000
sikerül egy egész
DNS szálat összeállítani,
DNS szálat összeállítani,
és ha ezt egy megtermékenyített
farkas petesejtbe ültetjük be,
farkas petesejtbe ültetjük be,
08:17
And if we do that, and insert this into a fertilized wolf's egg,
145
473000
4000
08:22
we may give birth to an animal
146
478000
2000
akkor születhet egy olyan állat,
08:24
that hasn't walked the earth since 1936.
147
480000
2000
ami 1936 óta nem élt a földön.
08:27
And then you can start going back further,
148
483000
2000
Aztán visszamehetünk még régebbre,
08:29
and you can start thinking about dodos,
149
485000
2000
és a dodo madarakkal is foglalkozhatunk
08:32
and you can think about other species.
150
488000
1000
vagy akár más fajokkal.
08:34
And in other places, like Maryland, they're trying to figure out
151
490000
3000
Máshol, pl. Marylandban, az emberek arra
08:37
what the primordial ancestor is.
152
493000
2000
próbálnak rájönni, mi volt az első ősünk.
08:39
Because each of us contains our entire gene code
153
495000
3000
Mindannyiunkban benne van
az egész genetikai kódja
az egész genetikai kódja
08:42
of where we've been for the past billion years,
154
498000
3000
annak, ami az utóbbi
milliárd évben voltunk,
milliárd évben voltunk,
08:45
because we've evolved from that stuff,
155
501000
2000
mert az ősünkből fejlődtünk ki azóta.
08:47
you can take that tree of life and collapse it back,
156
503000
2000
Vegyük ezt az "életfát" és
fejtsük vissza,
fejtsük vissza,
08:49
and in the measure that you learn to reprogram,
157
505000
3000
közben megtanuljuk újraprogramozni,
08:52
maybe we'll give birth to something
158
508000
2000
és lehet, hogy megszületik valami,
08:54
that is very close to the first primordial ooze.
159
510000
2000
ami nagyon hasonlít az első forráshoz.
08:56
And it's all coming out of things that look like this.
160
512000
2000
Minden ilyen dolgokból származik.
08:58
These are companies that didn't exist five years ago.
161
514000
2000
Ezek a cégek még nem léteztek 5 éve
09:00
Huge gene sequencing facilities the size of football fields.
162
516000
4000
Óriás gén számláló, stadion méretű cégek.
09:04
Some are public. Some are private.
163
520000
2000
Pár állami vállalat, pár magáncég.
09:06
It takes about 5 billion dollars to sequence a human being the first time.
164
522000
3000
Kb. 5 millió dollárba került az ember
első géntérképezése
első géntérképezése
09:10
Takes about 3 million dollars the second time.
165
526000
2000
És 3 millió volt a második alkalommal.
09:12
We will have a 1,000-dollar genome within the next five to eight years.
166
528000
4000
5-8 éven belül 1000 dollárba
fog kerülni egy genom.
fog kerülni egy genom.
09:16
That means each of you will contain on a CD your entire gene code.
167
532000
4000
Ez azt jelenti, hogy mindenkinek lesz egy
CD-je a genetikai kódjaival.
CD-je a genetikai kódjaival.
09:21
And it will be really boring. It will read like this.
168
537000
2000
És nagyon unalmas lesz. Így néz ki.
(nevetés)
09:24
(Laughter)
169
540000
2000
Ebben az az igazán érdekes,
hogy ez az élet,
hogy ez az élet,
09:26
The really neat thing about this stuff is that's life.
170
542000
2000
09:28
And Laurie's going to talk about this one a little bit.
171
544000
3000
Laurie is beszél majd erről egy keveset.
Mert ha történetesen
ezt találod a testedben,
ezt találod a testedben,
09:31
Because if you happen to find this one inside your body,
172
547000
2000
09:33
you're in big trouble, because that's the source code for Ebola.
173
549000
2000
akkor bajban vagy,
mert ez az Ebola kódja.
mert ez az Ebola kódja.
Ez az egyik legveszélyesebb
ismert betegség.
ismert betegség.
09:37
That's one of the deadliest diseases known to humans.
174
553000
2000
09:39
But plants work the same way and insects work the same way,
175
555000
2000
De a növények, a rovarok is ugyanúgy működnek
09:41
and this apple works the same way.
176
557000
2000
és ez az alma is.
09:43
This apple is the same thing as this floppy disk.
177
559000
2000
Ez az alma azonos ezzel a floppy lemezzel,
09:45
Because this thing codes ones and zeros,
178
561000
2000
mert ez 1-sel és 0-val kódol
09:47
and this thing codes A, T, C, Gs, and it sits up there,
179
563000
2000
míg ez a másik A,T,C és
G-vel kódol ott fent
G-vel kódol ott fent
09:49
absorbing energy on a tree, and one fine day
180
565000
3000
és szívja az energiát a fán és egy napon
09:52
it has enough energy to say, execute, and it goes [thump]. Right?
181
568000
4000
lesz annyi energiája, hogy azt mondja,
kész, és lepottyan (puff), ugye?
kész, és lepottyan (puff), ugye?
09:56
(Laughter)
182
572000
3000
(nevetés)
És mikor ezt megteszi,
akkor végrehajtja .EXE file-t,
akkor végrehajtja .EXE file-t,
09:59
And when it does that, pushes a .EXE, what it does is,
183
575000
4000
10:03
it executes the first line of code, which reads just like that,
184
579000
3000
amiben az első kódsor így hangzik:
10:06
AATCAGGGACCC, and that means: make a root.
185
582000
3000
AATCAGGGACCC, azt jelenti gyökerezz.
10:09
Next line of code: make a stem.
186
585000
2000
Következő sor: szökellj szárba.
10:11
Next line of code, TACGGGG: make a flower that's white,
187
587000
3000
A következő sor
TACGGGG: virágozz, legyen fehér,
TACGGGG: virágozz, legyen fehér,
10:14
that blooms in the spring, that smells like this.
188
590000
3000
tavasszal nyíljon
és az illata ilyen legyen.
és az illata ilyen legyen.
10:17
In the measure that you have the code
189
593000
2000
Amennyiben megvan a kód és
10:19
and the measure that you read it --
190
595000
3000
és a szabály, ami által olvasható -
10:22
and, by the way, the first plant was read two years ago;
191
598000
2000
egyébként az első növényt 2 éve olvasták,
10:24
the first human was read two years ago;
192
600000
2000
az első embert 2 éve olvasták,
10:26
the first insect was read two years ago.
193
602000
2000
az első rovart 2 éve olvasták.
10:28
The first thing that we ever read was in 1995:
194
604000
3000
Az első olvasás 1995-ben történt,
10:31
a little bacteria called Haemophilus influenzae.
195
607000
2000
egy kis Haemophilus influenza baktériumon.
10:34
In the measure that you have the source code, as all of you know,
196
610000
3000
Amennyiben megvan a forráskód,
mind tudjuk,
mind tudjuk,
10:37
you can change the source code, and you can reprogram life forms
197
613000
2000
hogy megváltoztatható
és újraprogramozható
és újraprogramozható
10:39
so that this little thingy becomes a vaccine,
198
615000
2000
úgy, hogy ez a kis valami oltás legyen,
10:41
or this little thingy starts producing biomaterials,
199
617000
3000
vagy egy a kis valami
bioanyagokat termeljen.
bioanyagokat termeljen.
10:44
which is why DuPont is now growing a form of polyester
200
620000
3000
Ez az oka annak, hogy a DuPont
kialakított egy új poliésztert,
kialakított egy új poliésztert,
10:47
that feels like silk in corn.
201
623000
2000
ami olyan, mint a selyem a kukoricában.
10:50
This changes all rules. This is life, but we're reprogramming it.
202
626000
5000
Ez minden szabályt megváltoztat.
Ez az élet, de újraprogramozzuk.
Ez az élet, de újraprogramozzuk.
10:57
This is what you look like. This is one of your chromosomes.
203
633000
4000
Így néznek ki Önök. Ez egy kromoszómájuk.
11:01
And what you can do now is,
204
637000
2000
Amit most tehetnek,
11:03
you can outlay exactly what your chromosome is,
205
639000
3000
kifejthetik, hogy pontosan
melyik az önök kromoszómája
melyik az önök kromoszómája
11:06
and what the gene code on that chromosome is right here,
206
642000
3000
és milyen génkód van rajta pont itt,
11:09
and what those genes code for, and what animals they code against,
207
645000
3000
és mit kódolnak, milyen állat ellen vannak,
11:12
and then you can tie it to the literature.
208
648000
2000
és utána kipublikálhatják az irodalomba.
11:14
And in the measure that you can do that, you can go home today,
209
650000
3000
Ahogy ezt meg tudják tenni,
úgy ma mikor hazaérnek,
úgy ma mikor hazaérnek,
11:17
and get on the Internet, and access
210
653000
2000
belépnek az internetre és hozzáférnek
11:19
the world's biggest public library, which is a library of life.
211
655000
3000
a világ legnagyobb könyvtárához,
ami az élet könyvtára.
ami az élet könyvtára.
11:23
And you can do some pretty strange things
212
659000
2000
Érdekes dolgokat művelhetnek,
11:25
because in the same way as you can reprogram this apple,
213
661000
2000
mert ahogy az almát újraprogramozhatják,
11:28
if you go to Cliff Tabin's lab at the Harvard Medical School,
214
664000
2000
úgy Cliff Tabin laborában
a Harvad Orvosi Karán
a Harvad Orvosi Karán
11:31
he's reprogramming chicken embryos to grow more wings.
215
667000
4000
csirke embriókat programoz át,
hogy több szárnyat növesszenek.
hogy több szárnyat növesszenek.
11:37
Why would Cliff be doing that? He doesn't have a restaurant.
216
673000
3000
Miért teszi ezt Ciff? Nincs is vendéglője.
11:40
(Laughter)
217
676000
1000
(nevetés)
Az ok amiért újraprogramozza
a csibét, a következő:
a csibét, a következő:
11:42
The reason why he's reprogramming that animal to have more wings
218
678000
3000
11:45
is because when you used to play with lizards as a little child,
219
681000
3000
gyerekkorunkban ha gyíkkal játszottunk,
11:48
and you picked up the lizard, sometimes the tail fell off, but it regrew.
220
684000
4000
néha leesett a farka,
de idővel visszanőtt.
de idővel visszanőtt.
11:52
Not so in human beings:
221
688000
3000
Ez nem igazán történik meg az emberekkel,
11:55
you cut off an arm, you cut off a leg -- it doesn't regrow.
222
691000
3000
egy levágott láb vagy kar nem nő vissza.
11:58
But because each of your cells contains your entire gene code,
223
694000
4000
De mivel minden sejtben
benne van az egész génkód,
benne van az egész génkód,
12:03
each cell can be reprogrammed, if we don't stop stem cell research
224
699000
4000
minden sejt újraprogramozható,
és ha nem állítjuk meg az őssejtkutatást,
és ha nem állítjuk meg az őssejtkutatást,
12:07
and if we don't stop genomic research,
225
703000
2000
és nem szakítjuk
meg a génkísérleteket,
meg a génkísérleteket,
12:09
to express different body functions.
226
705000
3000
akkor különböző testfunkciókat
is kifejezhetnek.
is kifejezhetnek.
Miközben megtanuljuk, hogyan növesszünk
a csirkének több szárnyat,
a csirkének több szárnyat,
12:13
And in the measure that we learn how chickens grow wings,
227
709000
3000
12:16
and what the program is for those cells to differentiate,
228
712000
2000
és melyik az a program,
ami differenciálja a sejteket,
ami differenciálja a sejteket,
12:18
one of the things we're going to be able to do
229
714000
3000
akkor megtanuljuk többek között,
12:21
is to stop undifferentiated cells, which you know as cancer,
230
717000
3000
hogy állítsuk meg a differenciálatlan
sejtszaporodást, ami a rák,
sejtszaporodást, ami a rák,
12:25
and one of the things we're going to learn how to do
231
721000
2000
és amit még megtanulunk,
12:27
is how to reprogram cells like stem cells
232
723000
3000
hogyan programozzunk újra sejteket,
mint például az őssejteket,
mint például az őssejteket,
12:30
in such a way that they express bone, stomach, skin, pancreas.
233
726000
6000
hogy csont, gyomor, bőr, hasnyálmirigy
alakuljon ki belőlük.
alakuljon ki belőlük.
Valószínű, hogy Önöknek
- vagy a gyerekeiknek -
- vagy a gyerekeiknek -
12:37
And you are likely to be wandering around -- and your children --
234
733000
3000
12:40
on regrown body parts in a reasonable period of time,
235
736000
3000
lesz majd olyan testrésze
rövid időn belül, amit újranövesztettek,
rövid időn belül, amit újranövesztettek,
12:44
in some places in the world where they don't stop the research.
236
740000
3000
olyan részein a világnak,
ahol a kutatást nem állítják le.
ahol a kutatást nem állítják le.
12:49
How's this stuff work? If each of you differs
237
745000
5000
Hogy működik ez a dolog?
Ha Önök különböznek a mellettük
Ha Önök különböznek a mellettük
12:54
from the person next to you by one in a thousand, but only three percent codes,
238
750000
3000
ülőtől 1:1000 arányban, de csak 3% kódban,
12:57
which means it's only one in a thousand times three percent,
239
753000
2000
ami azt jelenti, hogy 1:1000 x 3%
12:59
very small differences in expression and punctuation
240
755000
3000
nagyon kis változtatás a kifejeződésben
és az írásjelekben,
és az írásjelekben,
13:02
can make a significant difference. Take a simple declarative sentence.
241
758000
3000
az valójában nagy különbséget jelent.
Vegyünk egy kijelentést:
Vegyünk egy kijelentést:
13:07
(Laughter)
242
763000
2000
(Egy nő a férfi nélkül senki)
(nevetés)
(nevetés)
13:09
Right?
243
765000
1000
Nem?
13:10
That's perfectly clear. So, men read that sentence,
244
766000
4000
Világos? És ezt a kijelentést
a férfiak is olvassák,
a férfiak is olvassák,
13:14
and they look at that sentence, and they read this.
245
770000
2000
ránéznek és ezt látják:
(Egy nő a férfi nélkül senki.)
Ok?
Ok?
Most a nők néznek rá a kijelentésre. Téves - mondják.
13:22
Okay?
246
778000
1000
13:23
Now, women look at that sentence and they say, uh-uh, wrong.
247
779000
4000
13:27
This is the way it should be seen.
248
783000
2000
Így kell látni:
(Egy nő: a férfi nélküle senki)
(Egy nő: a férfi nélküle senki)
13:31
(Laughter)
249
787000
8000
(nevetés)
Ezt teszik a génjeik.
13:39
That's what your genes are doing.
250
795000
1000
13:40
That's why you differ from this person over here by one in a thousand.
251
796000
5000
Ezért különböznek ettől
az embertől 1:1000 arányban.
az embertől 1:1000 arányban.
13:45
Right? But, you know, he's reasonably good looking, but...
252
801000
3000
Igaz? Igazán jól néz ki...
13:48
I won't go there.
253
804000
2000
de nem megyek oda.
Ugyanezt központozás
nélkül is megtehetjük.
nélkül is megtehetjük.
13:51
You can do this stuff even without changing the punctuation.
254
807000
3000
13:55
You can look at this, right?
255
811000
4000
Látják, ugye?
13:59
And they look at the world a little differently.
256
815000
2000
Máris kicsit másként látják a világot.
(szójáték)
(szójáték)
14:01
They look at the same world and they say...
257
817000
2000
Ugyanarra néznek és mást látnak.
14:03
(Laughter)
258
819000
6000
(nevetés)
14:09
That's how the same gene code -- that's why you have 30,000 genes,
259
825000
4000
Így teszi ugyanaz a génkód --
Önöknek 30.000 génjük van
Önöknek 30.000 génjük van
14:13
mice have 30,000 genes, husbands have 30,000 genes.
260
829000
3000
az egereknek 30.000, férjeknek 30.000 --
14:16
Mice and men are the same. Wives know that, but anyway.
261
832000
3000
Az egerek és a férfiak hasonlóak.
A feleségeik mindenesetre tudják.
A feleségeik mindenesetre tudják.
14:20
You can make very small changes in gene code
262
836000
2000
Lehet nagyon kis változásokat eszközölni
14:22
and get really different outcomes,
263
838000
2000
a génkódon és ezzel nagy változásokat elérni.
14:26
even with the same string of letters.
264
842000
2000
Akár ugyanazokkal a betűkkel.
(Menjünk együtt/ Vigyük őt.)
(Menjünk együtt/ Vigyük őt.)
14:30
That's what your genes are doing every day.
265
846000
2000
A génjeik ezt teszik naponta.
Ezért a géneknek nem kell,
hogy sokat változzanak,
hogy sokat változzanak,
14:33
That's why sometimes a person's genes
266
849000
2000
14:35
don't have to change a lot to get cancer.
267
851000
2000
hogy a rák kialakuljon.
14:41
These little chippies, these things are the size of a credit card.
268
857000
4000
Ezek a chipek hitelkártya méretűek.
Tesztelhetnek akárkit
60.000 genetikai feltételre.
60.000 genetikai feltételre.
14:46
They will test any one of you for 60,000 genetic conditions.
269
862000
2000
14:49
That brings up questions of privacy and insurability
270
865000
3000
Így képbe kerül az adatbiztonság
és a biztosíthatóság
és a biztosíthatóság
14:52
and all kinds of stuff, but it also allows us to start going after diseases,
271
868000
2000
és még sok más,
de lehetővé teszi a gyógyítást
de lehetővé teszi a gyógyítást
14:55
because if you run a person who has leukemia through something like this,
272
871000
3000
mert ha egy leukémiást tesztelünk,
14:59
it turns out that three diseases with
273
875000
2000
úgy tűnik, hogy három betegség
15:01
completely similar clinical syndromes
274
877000
4000
teljesen hasonló tünetegyütessel
15:05
are completely different diseases.
275
881000
2000
egészen más betegség valójában.
15:07
Because in ALL leukemia, that set of genes over there over-expresses.
276
883000
3000
Mert az ALL leukémiában az
a génkészlet túl hangsúlyos,
a génkészlet túl hangsúlyos,
15:10
In MLL, it's the middle set of genes,
277
886000
2000
míg a MLL-ben a gének középső készlete,
15:12
and in AML, it's the bottom set of genes.
278
888000
2000
az AML-nél az alsó génsor.
15:14
And if one of those particular things is expressing in your body,
279
890000
5000
Ha ezek közül valamelyik
kifejeződik a testben,
kifejeződik a testben,
15:19
then you take Gleevec and you're cured.
280
895000
2000
vehetnek egy Gleevec-et és meggyógyultak.
15:22
If it is not expressing in your body,
281
898000
2000
Ha nem jelenik meg a testben,
15:24
if you don't have one of those types --
282
900000
2000
ha nem ezen a típusok
valamelyikével rendelkeznek --
valamelyikével rendelkeznek --
15:26
a particular one of those types -- don't take Gleevec.
283
902000
3000
az összes közül -- ne vegyenek Gleevec-et.
15:29
It won't do anything for you.
284
905000
1000
Nem segít Önökön.
15:31
Same thing with Receptin if you've got breast cancer.
285
907000
2000
Ugyanez igaz a mellráknál a Repceptinnel.
15:34
Don't have an HER-2 receptor? Don't take Receptin.
286
910000
3000
Nincs HER-2 receptoruk?
Ne vegyen Receptint.
Ne vegyen Receptint.
15:37
Changes the nature of medicine. Changes the predictions of medicine.
287
913000
4000
Váltsanak másfajta gyógyszerre,
változtassák meg az előrejelzéseket.
változtassák meg az előrejelzéseket.
15:41
Changes the way medicine works.
288
917000
2000
Változtassák meg, ahogy a gyógyszer hat.
15:43
The greatest repository of knowledge when most of us went to college
289
919000
3000
Mikor a legtöbben főiskolára kerültünk,
a nagy tudás
a nagy tudás
15:46
was this thing, and it turns out that
290
922000
2000
tárhely ez volt. Úgy tűnik,
15:48
this is not so important any more.
291
924000
2000
ez már nem annyira fontos.
15:50
The U.S. Library of Congress, in terms of its printed volume of data,
292
926000
4000
Az USA Kongresszusi könyvtár adatvolumene
15:54
contains less data than is coming out of a good genomics company
293
930000
4000
kevesebb, mint egy jó genetikai társaság
15:58
every month on a compound basis.
294
934000
3000
havi adatállománya
összetett bázison alapulva.
összetett bázison alapulva.
16:01
Let me say that again: A single genomics company
295
937000
3000
Megismétlem:
egyetlen genetikai társaság
egyetlen genetikai társaság
16:04
generates more data in a month, on a compound basis,
296
940000
3000
több adatot generál havonta,
16:07
than is in the printed collections of the Library of Congress.
297
943000
3000
mint a Kongresszusi Könyvtár
kinyomtatott gyűjteménye.
kinyomtatott gyűjteménye.
16:11
This is what's been powering the U.S. economy. It's Moore's Law.
298
947000
4000
Ez élteti az USA gazdaságát.
Ez Moore törvénye.
Ez Moore törvénye.
16:15
So, all of you know that the price of computers halves every 18 months
299
951000
5000
Mindenki tudja, hogy a PC-k ára
18 havonta feleződik
18 havonta feleződik
16:20
and the power doubles, right?
300
956000
2000
és a kapacitásuk duplázódik, ugye?
16:22
Except that when you lay that side by side with the speed
301
958000
4000
Kivéve amikor figyelembe vesszük
ezzel párhuzamosan
ezzel párhuzamosan
16:26
with which gene data's being deposited in GenBank,
302
962000
3000
a GenBankban tárolt adatok
növekedési sebességét,
növekedési sebességét,
16:29
Moore's Law is right here: it's the blue line.
303
965000
4000
mert akkor a Moore törvény:
ez a kék vonal.
ez a kék vonal.
16:34
This is on a log scale, and that's what superexponential growth means.
304
970000
4000
Ez egy logaritmikus skála és
ez a szuperexponenciális növekedés.
ez a szuperexponenciális növekedés.
16:38
This is going to push computers to have to grow faster
305
974000
4000
Ez megköveteli a sz.gépek
gyorsabb növekedését
gyorsabb növekedését
16:42
than they've been growing, because so far,
306
978000
2000
az eddiginél, mert eddig
16:44
there haven't been applications that have been required
307
980000
3000
nem léteztek olyan
gyakorlati felhasználások,
gyakorlati felhasználások,
16:47
that need to go faster than Moore's Law. This stuff does.
308
983000
3000
amik Moore törvénynél
gyorsabb növekedést igényeltek. Most van.
gyorsabb növekedést igényeltek. Most van.
16:50
And here's an interesting map.
309
986000
2000
Itt van egy érdekes térkép,
16:52
This is a map which was finished at the Harvard Business School.
310
988000
4000
a Harvard Üzleti Iskolájában készítették.
16:56
One of the really interesting questions is, if all this data's free,
311
992000
3000
Az a legérdekesebb kérdés,
ha minden adat ingyenes, akkor
ha minden adat ingyenes, akkor
16:59
who's using it? This is the greatest public library in the world.
312
995000
4000
ki használja őket?
Ez a legnagyobb nyilvános adatbázis.
Ez a legnagyobb nyilvános adatbázis.
17:03
Well, it turns out that there's about 27 trillion bits
313
999000
3000
Úgy tűnik, hogy 27 trillió bitet
17:06
moving inside from the United States to the United States;
314
1002000
3000
USA-n belül küldenek.
17:09
about 4.6 trillion is going over to those European countries;
315
1005000
4000
4,6 trilliót európai országok fele.
17:13
about 5.5's going to Japan; there's almost no communication
316
1009000
3000
kb. 5,5 trilliót Japán fele;
majdnem nincs kommunikáció
majdnem nincs kommunikáció
17:16
between Japan, and nobody else is literate in this stuff.
317
1012000
4000
Japánon belül, és senki
nem tanulta meg ezt olvasni.
nem tanulta meg ezt olvasni.
17:20
It's free. No one's reading it. They're focusing on the war;
318
1016000
5000
Ingyenes, de senki nem olvassa.
A háborúra koncentrálnak,
A háborúra koncentrálnak,
17:25
they're focusing on Bush; they're not interested in life.
319
1021000
2000
Bushra. Nem érdekli őket az élet.
17:28
So, this is what a new map of the world looks like.
320
1024000
2000
Így mutat egy új világtérkép.
17:31
That is the genomically literate world. And that is a problem.
321
1027000
6000
Ez a genomikában jártas világ.
És ez a probléma.
És ez a probléma.
17:37
In fact, it's not a genomically literate world.
322
1033000
2000
Valójában nincs genomikában jártas világ.
17:39
You can break this out by states.
323
1035000
2000
Ezt így oszthatjuk fel államokra.
17:41
And you can watch states rise and fall depending on
324
1037000
2000
Észrevehető, hogy hogy fejlődik vagy hanyatlik
17:43
their ability to speak a language of life,
325
1039000
2000
egy-egy állam az élet
nyelvének ismeretében.
nyelvének ismeretében.
17:45
and you can watch New York fall off a cliff,
326
1041000
2000
Látszik, ahogy New York
leesik a szikláról,
leesik a szikláról,
17:47
and you can watch New Jersey fall off a cliff,
327
1043000
2000
New Jersey szintén,
17:49
and you can watch the rise of the new empires of intelligence.
328
1045000
3000
és új intelligencia birodalmak nőnek ki.
17:53
And you can break it out by counties, because it's specific counties.
329
1049000
3000
Kerületekre lebonthatóak,
mert vannak speciális kerületek.
mert vannak speciális kerületek.
17:56
And if you want to get more specific,
330
1052000
2000
Ha még specifikusabbak szeretnénk lenni,
17:58
it's actually specific zip codes.
331
1054000
2000
valójában
irányítószámokról beszélünk.
irányítószámokról beszélünk.
18:00
(Laughter)
332
1056000
2000
(nevetés)
18:02
So, you want to know where life is happening?
333
1058000
3000
Tudják hol az élet helye?
18:05
Well, in Southern California it's happening in 92121. And that's it.
334
1061000
5000
Rendben, Kalifornia déli részén 92121-ben.
Ez az.
Ez az.
18:11
And that's the triangle between Salk, Scripps, UCSD,
335
1067000
5000
Ez a Salk, Scripps, UCSD háromszög,
18:16
and it's called Torrey Pines Road.
336
1072000
2000
Torrey Pines útnak nevezik.
18:18
That means you don't need to be a big nation to be successful;
337
1074000
3000
Nem kell nagy országnak lenni,
hogy sikeres légy.
hogy sikeres légy.
18:21
it means you don't need a lot of people to be successful;
338
1077000
2000
Nem kell sok ember a sikerhez.
18:23
and it means you can move most of the wealth of a country
339
1079000
3000
Ez azt jelenti, hogy az ország
vagyonának nagy részét
vagyonának nagy részét
18:26
in about three or four carefully picked 747s.
340
1082000
3000
3-4 db 747-es jól kiválasztott
747-es repülőre költöztetheted.
747-es repülőre költöztetheted.
18:30
Same thing in Massachusetts. Looks more spread out but --
341
1086000
4000
Ugyanígy Massachusetts-ben.
Kiterjedtebbnek tűnik, --
Kiterjedtebbnek tűnik, --
18:34
oh, by the way, the ones that are the same color are contiguous.
342
1090000
3000
apropó, amiknek azonos a színük,
azok szomszédosak.
azok szomszédosak.
18:38
What's the net effect of this?
343
1094000
2000
Mi ennek a nettó következménye?
18:40
In an agricultural society, the difference between
344
1096000
2000
Egy mezőgazdasági közösségben a különbség
18:42
the richest and the poorest,
345
1098000
1000
a leggazdagabb és a legszegényebb,
18:44
the most productive and the least productive, was five to one. Why?
346
1100000
4000
a leghatékonyabb és a legkevésbé hatékony
termelő között 1:5. Miért?
termelő között 1:5. Miért?
18:48
Because in agriculture, if you had 10 kids
347
1104000
2000
Mert a mezőgazdaságban
ha volt 10 gyereke,
ha volt 10 gyereke,
18:50
and you grow up a little bit earlier and you work a little bit harder,
348
1106000
3000
korábban kelt kicsit és
keményebben dolgozott,
keményebben dolgozott,
18:53
you could produce about five times more wealth, on average,
349
1109000
2000
átlagban ötször több gazdagságot
tudott termelni
tudott termelni
18:55
than your neighbor.
350
1111000
1000
mint a szomszédja.
18:57
In a knowledge society, that number is now 427 to 1.
351
1113000
3000
Egy tudásalapú társadalomban
ez a szám 427:1.
ez a szám 427:1.
19:01
It really matters if you're literate, not just in reading and writing
352
1117000
4000
Tanultnak nem az számít, aki ír és olvas
19:05
in English and French and German,
353
1121000
2000
angolul, franciául, németül,
19:07
but in Microsoft and Linux and Apple.
354
1123000
2000
hanem ismeri a Microsoftot,
Linuxot, Applet.
Linuxot, Applet.
19:10
And very soon it's going to matter if you're literate in life code.
355
1126000
4000
Hamarosan az lesz a fontos,
hogy az élet kódjában ki jártas.
hogy az élet kódjában ki jártas.
19:14
So, if there is something you should fear,
356
1130000
2000
Ha valamitől félniük kell, akkor az az,
19:16
it's that you're not keeping your eye on the ball.
357
1132000
3000
hogy nem arra figyelünk, amire kell.
19:19
Because it really matters who speaks life.
358
1135000
2000
Mert az a fontos, hogy
ki beszéli az életet.
ki beszéli az életet.
19:22
That's why nations rise and fall.
359
1138000
2000
Ettől virágoznak vagy
hanyatlanak országok.
hanyatlanak országok.
19:25
And it turns out that if you went back to the 1870s,
360
1141000
3000
Ha visszatérünk 1870-be,
19:28
the most productive nation on earth was Australia, per person.
361
1144000
3000
a föld legtermékenyebb országa
Ausztrália volt, per fő.
Ausztrália volt, per fő.
19:31
And New Zealand was way up there. And then the U.S. came in about 1950,
362
1147000
3000
Új-Zéland is magasan állt.
Majd az USA feljött 1950 körül,
Majd az USA feljött 1950 körül,
19:34
and then Switzerland about 1973, and then the U.S. got back on top --
363
1150000
3000
Svájc 1973 körül,
majd beelőzte megint az USA
majd beelőzte megint az USA
19:38
beat up their chocolates and cuckoo clocks.
364
1154000
2000
és megverték a csokit
és a kakukkos órát.
és a kakukkos órát.
19:42
And today, of course, you all know that the most productive nation
365
1158000
3000
Persze tudják, hogy ma
a legtermelékenyebb nemzet
a legtermelékenyebb nemzet
19:45
on earth is Luxembourg, producing about one third more wealth
366
1161000
3000
a Földön Luxemburg, 1/3-dal többet termelt
19:48
per person per year than America.
367
1164000
2000
per fő, per év, mint Amerika.
19:51
Tiny landlocked state. No oil. No diamonds. No natural resources.
368
1167000
4000
Egy kis ország, tengeri kikötő nélkül.
Olaj, gyémántok és nyersanyag nélkül.
Olaj, gyémántok és nyersanyag nélkül.
19:55
Just smart people moving bits. Different rules.
369
1171000
5000
Csak okos emberek, biteket mozgatva.
Másfajta szabályok.
Másfajta szabályok.
20:01
Here's differential productivity rates.
370
1177000
3000
Itt a differenciált produktivitás
értékelődik.
értékelődik.
20:05
Here's how many people it takes to produce a single U.S. patent.
371
1181000
3000
Itt látszik, hány ember szükséges
egy USA szabadalomhoz.
egy USA szabadalomhoz.
20:08
So, about 3,000 Americans, 6,000 Koreans, 14,000 Brits,
372
1184000
4000
kb. 3000 amerikai, 6000 koreai, 14000 brit
20:12
790,000 Argentines. You want to know why Argentina's crashing?
373
1188000
3000
790.000 argentin. Szeretnék tudni,
miért hanyatlik Argentina?
miért hanyatlik Argentina?
20:15
It's got nothing to do with inflation.
374
1191000
2000
Semmi köze az inflációhoz.
20:17
It's got nothing to do with privatization.
375
1193000
2000
Semmi köze a privatizációhoz.
20:19
You can take a Harvard-educated Ivy League economist,
376
1195000
4000
Tehetjük a legjobb Harvardon
tanult közgazdászt
tanult közgazdászt
20:23
stick him in charge of Argentina. He still crashes the country
377
1199000
3000
felelőssé Argentínáért,
csak csődbe fogja juttatni,
csak csődbe fogja juttatni,
20:26
because he doesn't understand how the rules have changed.
378
1202000
2000
mert nem érti,
hogy változtak a szabályok.
hogy változtak a szabályok.
20:29
Oh, yeah, and it takes about 5.6 million Indians.
379
1205000
3000
És, igen, kell kb 5,6 millió indiai.
20:32
Well, watch what happens to India.
380
1208000
2000
Nézzük, mi történik Indiával.
20:34
India and China used to be 40 percent of the global economy
381
1210000
3000
India és Kína adta a 40%-át
a világgazdaságnak
a világgazdaságnak
20:37
just at the Industrial Revolution, and they are now about 4.8 percent.
382
1213000
5000
az ipari forradalom korában
és most 4,8%-on állnak.
és most 4,8%-on állnak.
20:42
Two billion people. One third of the global population producing 5 percent of the wealth
383
1218000
4000
2 milliárd ember.1/3-a a föld
lakosságának, 5%-ot termel ki,
lakosságának, 5%-ot termel ki,
20:46
because they didn't get this change,
384
1222000
3000
mert nem értették meg a változást,
20:49
because they kept treating their people like serfs
385
1225000
2000
mert az embereket továbbra is
jobbágyként kezelik,
jobbágyként kezelik,
20:51
instead of like shareholders of a common project.
386
1227000
3000
ahelyett, hogy egy közös projekt
részvényesei lennének.
részvényesei lennének.
20:55
They didn't keep the people who were educated.
387
1231000
3000
Nem tartották meg a tanult embereket.
20:58
They didn't foment the businesses. They didn't do the IPOs.
388
1234000
2000
Nem gondozták az üzleteiket,
nem tettek IPO-t.
nem tettek IPO-t.
21:01
Silicon Valley did. And that's why they say
389
1237000
4000
A Szilikon-völgy másképp tette.
Ezért mondják,
Ezért mondják,
21:05
that Silicon Valley has been powered by ICs.
390
1241000
2000
hogy a Szilikon-völgyet IC-k hajtják.
21:08
Not integrated circuits: Indians and Chinese.
391
1244000
3000
Nem integrált áramkörök,
hanem indiaiak és kínaiak
hanem indiaiak és kínaiak
21:11
(Laughter)
392
1247000
4000
(nevetés)
21:15
Here's what's happening in the world.
393
1251000
2000
Ez történik a világban.
21:17
It turns out that if you'd gone to the U.N. in 1950,
394
1253000
3000
Ha 1950-ben belépnek az ENSZ-be
mikor megalakult,
mikor megalakult,
21:20
when it was founded, there were 50 countries in this world.
395
1256000
2000
50 tagja volt.
21:22
It turns out there's now about 192.
396
1258000
3000
Ma ez a szám 192.
21:25
Country after country is splitting, seceding, succeeding, failing --
397
1261000
4000
Ország ország után szétválik,
kiszakad, prosperál, hanyatlik --
kiszakad, prosperál, hanyatlik --
21:30
and it's all getting very fragmented. And this has not stopped.
398
1266000
5000
minden széttöredezik.
És még nem ért véget.
És még nem ért véget.
21:35
In the 1990s, these are sovereign states
399
1271000
3000
Az 90-es években megjelentek
szuverén államok,
szuverén államok,
21:38
that did not exist before 1990.
400
1274000
2000
amik nem léteztek 1990 előtt.
21:40
And this doesn't include fusions or name changes or changes in flags.
401
1276000
5000
Ez nem tartalmazza a fúziókat vagy
névváltozást vagy zászló cseréket.
névváltozást vagy zászló cseréket.
21:45
We're generating about 3.12 states per year.
402
1281000
3000
3,12 állam generálódik évente.
21:48
People are taking control of their own states,
403
1284000
3000
Az emberek a saját országukkal törődnek,
21:51
sometimes for the better and sometimes for the worse.
404
1287000
3000
néha a jobbért, néha a rosszabbért.
21:54
And the really interesting thing is,
405
1290000
2000
Ami igazán érdekes,
21:56
you and your kids are empowered to build great empires,
406
1292000
2000
hogy Önök és a gyerekeik
képesek birodalmakat építeni
képesek birodalmakat építeni
21:58
and you don't need a lot to do it.
407
1294000
2000
és nem kell sok mindent tenni hozzá.
22:00
(Music)
408
1296000
2000
(zene)
22:02
And, given that the music is over, I was going to talk
409
1298000
3000
Most véget ér a zene és arról beszélek,
22:05
about how you can use this to generate a lot of wealth,
410
1301000
3000
hogy lehet ebből meggazdagodni,
22:08
and how code works.
411
1304000
2000
és hogy működik a kód.
22:10
Moderator: Two minutes.
412
1306000
1000
Moderátor: 2 perc
22:11
(Laughter)
413
1307000
2000
(nevetés)
22:13
Juan Enriquez: No, I'm going to stop there and we'll do it next year
414
1309000
4000
JE: Megállok itt, a többit
majd jövőre,
majd jövőre,
22:17
because I don't want to take any of Laurie's time.
415
1313000
2000
mert nem szeretném elvenni
Laurie idejét.
Laurie idejét.
22:20
But thank you very much.
416
1316000
1000
Nagyon köszönöm!
Reviewed by Gyongyver Poller
ABOUT THE SPEAKER
Juan Enriquez - FuturistJuan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society.
Why you should listen
A broad thinker who studies the intersections of these fields, Enriquez has a talent for bridging disciplines to build a coherent look ahead. He is the managing director of Excel Venture Management, a life sciences VC firm. He recently published (with Steve Gullans) Evolving Ourselves: How Unnatural Selection and Nonrandom Mutation Are Shaping Life on Earth. The book describes a world where humans increasingly shape their environment, themselves and other species.
Enriquez is a member of the board of Synthetic Genomics, which recently introduced the smallest synthetic living cell. Called “JCVI-syn 3.0,” it has 473 genes (about half the previous smallest cell). The organism would die if one of the genes is removed. In other words, this is the minimum genetic instruction set for a living organism.
Juan Enriquez | Speaker | TED.com