TEDGlobal 2010
Sebastian Seung: I am my connectome
Sebastian Seung: Én a konnektomom vagyok
Filmed:
Readability: 4.4
1,131,223 views
Sebastian Seung az agynak egy radikálisan ambíciózus új modelljét térképezi fel, ami a neuronok közötti kapcsolatokra fókuszál. Ezt a „konnektomunknak” nevezi, és ez épp olyan egyedi, mint a genomunk -- és megértése egy új megközelítést adhat az agyunk és elménk megértéséhez.
Sebastian Seung - Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain. Full bio
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain. Full bio
Double-click the English transcript below to play the video.
00:17
We live in in a remarkable time,
0
2000
3000
Különleges időszakban élünk,
00:20
the age of genomics.
1
5000
3000
a genomika korában.
00:23
Your genome is the entire sequence of your DNA.
2
8000
3000
Az Önök genomja a DNS-ük teljes sorozata.
00:26
Your sequence and mine are slightly different.
3
11000
3000
Az Önök sorozata és az enyém kissé különböző.
00:29
That's why we look different.
4
14000
2000
Ezért látszunk különbözőeknek.
00:31
I've got brown eyes;
5
16000
2000
Nekem barna szemeim vannak.
00:33
you might have blue or gray.
6
18000
3000
Önöknek lehet, hogy kék vagy szürke.
00:36
But it's not just skin-deep.
7
21000
2000
De ez nem csak a felszínen van így.
00:38
The headlines tell us
8
23000
2000
A szalagcímek azt állítják nekünk,
00:40
that genes can give us scary diseases,
9
25000
3000
hogy a gének félelmetes betegségeket okozhatnak,
00:43
maybe even shape our personality,
10
28000
3000
talán még a személyiségünket is alakítják,
00:46
or give us mental disorders.
11
31000
3000
vagy elmezavarokat is okozhatnak.
00:49
Our genes seem to have
12
34000
3000
Úgy tűnhet, hogy a génjeinknek
00:52
awesome power over our destinies.
13
37000
3000
elképesztő hatalmuk van a sorsunk felett.
00:56
And yet, I would like to think
14
41000
3000
És mégis, szeretném azt gondolni,
00:59
that I am more than my genes.
15
44000
3000
hogy több vagyok, mint a génjeim.
01:04
What do you guys think?
16
49000
2000
Önök mit gondolnak?
01:06
Are you more than your genes?
17
51000
3000
Többek Önök a génjeiknél?
01:09
(Audience: Yes.) Yes?
18
54000
2000
(Közönség: Igen.) Igen?
01:13
I think some people agree with me.
19
58000
2000
Azt hiszem, néhány ember egyetért velem.
01:15
I think we should make a statement.
20
60000
2000
Szerintem egy nyilatkozatot kéne tennünk.
01:17
I think we should say it all together.
21
62000
2000
Szerintem együtt kéne kimondanunk.
01:20
All right: "I'm more than my genes" -- all together.
22
65000
3000
Rendben: „Én több vagyok, mint a génjeim” -- egyszerre együtt.
01:23
Everybody: I am more than my genes.
23
68000
4000
Mindenki: Én több vagyok, mint a génjeim.
01:27
(Cheering)
24
72000
2000
(Taps)
01:30
Sebastian Seung: What am I?
25
75000
2000
Sebastian Seung: Mi vagyok én?
01:32
(Laughter)
26
77000
3000
(Nevetés)
01:35
I am my connectome.
27
80000
3000
Én a konnektomom vagyok.
01:40
Now, since you guys are really great,
28
85000
2000
Nos, mivel Önök igazán nagyszerűek,
01:42
maybe you can humor me and say this all together too.
29
87000
2000
talán kedvemre tehetnének, és mondhatnánk ezt is együtt.
01:44
(Laughter)
30
89000
2000
(Nevetés)
01:46
Right. All together now.
31
91000
2000
Rendben. Akkor most együtt.
01:48
Everybody: I am my connectome.
32
93000
3000
Mindenki: Én a konnektomom vagyok.
01:53
SS: That sounded great.
33
98000
2000
S. Seung: Ez nagyszerűen hangzott.
01:55
You know, you guys are so great, you don't even know what a connectome is,
34
100000
2000
Tudják, Önök olyan nagyszerűek, még nem is tudják, mi az a konnektom,
01:57
and you're willing to play along with me.
35
102000
2000
és mégis hajlandóak együttműködni velem.
01:59
I could just go home now.
36
104000
3000
Most már akár haza is mehetnék.
02:02
Well, so far only one connectome is known,
37
107000
3000
Nos, eddig csak egyetlen konnektom ismert,
02:05
that of this tiny worm.
38
110000
3000
mégpedig ezé a kis féregé.
02:08
Its modest nervous system
39
113000
2000
Ennek az egyszerű idegrendszere
02:10
consists of just 300 neurons.
40
115000
2000
mindössze 300 neuronból áll.
02:12
And in the 1970s and '80s,
41
117000
2000
És az 1970-es és 80-as években
02:14
a team of scientists
42
119000
2000
egy csapat tudós
02:16
mapped all 7,000 connections
43
121000
2000
mind a 7 000 kapcsolatot feltérképezte
02:18
between the neurons.
44
123000
2000
a neuronok között.
02:21
In this diagram, every node is a neuron,
45
126000
2000
Ezen az ábrán minden csomópont egy neuron,
02:23
and every line is a connection.
46
128000
2000
és minden vonal egy kapcsolat.
02:25
This is the connectome
47
130000
2000
Ez a C. elegans nevű féreg
02:27
of the worm C. elegans.
48
132000
4000
konnektomja.
02:31
Your connectome is far more complex than this
49
136000
3000
Az Önök konnektomja sokkal összetettebb ennél,
02:34
because your brain
50
139000
2000
ugyanis az agyuk
02:36
contains 100 billion neurons
51
141000
2000
100 milliárd neuront tartalmaz,
02:38
and 10,000 times as many connections.
52
143000
3000
és 10 000-szer több kapcsolatot.
02:41
There's a diagram like this for your brain,
53
146000
2000
Létezik egy ehhez hasonló ábra az Önök agyára is,
02:43
but there's no way it would fit on this slide.
54
148000
3000
de az sehogysem férne el ezen a dián.
02:47
Your connectome contains one million times more connections
55
152000
3000
Az Önök konnaktomja egymilliószor több kapcsolatból áll,
02:50
than your genome has letters.
56
155000
3000
mint ahány betűből a genomjuk.
02:53
That's a lot of information.
57
158000
2000
Ez nagyon sok információ.
02:55
What's in that information?
58
160000
3000
Mi van ebben az információban?
02:59
We don't know for sure, but there are theories.
59
164000
3000
Nem tudjuk biztosan, de vannak elméletek rá.
03:02
Since the 19th century, neuroscientists have speculated
60
167000
3000
Az idegtudósok a 19. század óta töprengenek azon,
03:05
that maybe your memories --
61
170000
2000
hogy az Önök emlékei talán --
03:07
the information that makes you, you --
62
172000
2000
az az információ, ami Önöket Önökké teszi --
03:09
maybe your memories are stored
63
174000
2000
az Önök emlékei talán az agyuk neuronjai
03:11
in the connections between your brain's neurons.
64
176000
2000
közötti kapcsolatokban vannak eltárolva.
03:15
And perhaps other aspects of your personal identity --
65
180000
2000
És esetleg a személyük más vonatkozásai --
03:17
maybe your personality and your intellect --
66
182000
3000
talán a személyiségük és az intellektusuk --
03:20
maybe they're also encoded
67
185000
2000
talán ezek is a neuronjaik közötti
03:22
in the connections between your neurons.
68
187000
3000
kapcsolatokban vannak kódolva.
03:26
And so now you can see why I proposed this hypothesis:
69
191000
3000
Úgyhogy most már láthatják, miért fogalmaztam meg ezt a hipotézist:
03:29
I am my connectome.
70
194000
3000
én a konnektomom vagyok.
03:32
I didn't ask you to chant it because it's true;
71
197000
3000
Nem azért kértem Önöktől, hogy elismételjék, mert igaz,
03:35
I just want you to remember it.
72
200000
2000
csak azt akarom, hogy emlékezzenek rá.
03:37
And in fact, we don't know if this hypothesis is correct,
73
202000
2000
És valójában nem is tudjuk, hogy helyes-e ez a hipotézis,
03:39
because we have never had technologies
74
204000
2000
mert soha nem voltak elég fejlett technológiáink
03:41
powerful enough to test it.
75
206000
2000
arra, hogy tesztelni tudjuk.
03:44
Finding that worm connectome
76
209000
3000
Annak a féregnek a konnektomját feltárni
03:47
took over a dozen years of tedious labor.
77
212000
3000
több mint 12 év fáradságos munkája volt.
03:50
And to find the connectomes of brains more like our own,
78
215000
3000
És ahhoz, hogy olyan agyak konnektomjait tárjuk fel, mint a miénk,
03:53
we need more sophisticated technologies, that are automated,
79
218000
3000
ahhoz sokkal kifinomultabb technológiákra van szükségünk,
03:56
that will speed up the process of finding connectomes.
80
221000
3000
amik automatizáltak, és amik felgyorsítják a konnektomok feltárásának folyamatát.
03:59
And in the next few minutes, I'll tell you about some of these technologies,
81
224000
3000
És a következő néhány percben bemutatok néhányat ezekből a technológiákból,
04:02
which are currently under development
82
227000
2000
amik jelenleg fejlesztés alatt állnak
04:04
in my lab and the labs of my collaborators.
83
229000
3000
a laboratóriumomban és a munkatársaim laboratóriumaiban.
04:08
Now you've probably seen pictures of neurons before.
84
233000
3000
Valószínűleg már láttak képeket a neuronokról.
04:11
You can recognize them instantly
85
236000
2000
Azonnal a felismerhetőek
04:13
by their fantastic shapes.
86
238000
3000
a fantasztikus formáikról.
04:16
They extend long and delicate branches,
87
241000
3000
Hosszú és szövevényes nyúlványaik vannak,
04:19
and in short, they look like trees.
88
244000
3000
és röviden, úgy néznek ki, mint a fák.
04:22
But this is just a single neuron.
89
247000
3000
De ez csak egyetlen neuron.
04:25
In order to find connectomes,
90
250000
2000
Ahhoz, hogy feltárjuk a konnektomokat,
04:27
we have to see all the neurons at the same time.
91
252000
3000
az összes neuront látnunk kell egyszerre.
04:30
So let's meet Bobby Kasthuri,
92
255000
2000
Tehát hadd mutassam be Bobby Kasthuri-t,
04:32
who works in the laboratory of Jeff Lichtman
93
257000
2000
aki Jeff Lichtman laboratóriumában dolgozik
04:34
at Harvard University.
94
259000
2000
a Harvard Egyetemen.
04:36
Bobby is holding fantastically thin slices
95
261000
2000
Bobby fantasztikusan vékony szeleteket tart
04:38
of a mouse brain.
96
263000
2000
egy egér agyából.
04:40
And we're zooming in by a factor of 100,000 times
97
265000
3000
És 100 000-szeresre nagyítjuk,
04:44
to obtain the resolution,
98
269000
2000
hogy olyan felbontást érjünk el,
04:46
so that we can see the branches of neurons all at the same time.
99
271000
3000
amivel egyszerre láthatjuk az összes neuron nyúlványait.
04:50
Except, you still may not really recognize them,
100
275000
3000
Kivéve, hogy még mindig nem igazán tudják őket felismerni,
04:53
and that's because we have to work in three dimensions.
101
278000
3000
és ezért van az, hogy három dimenzióban kell dolgoznunk.
04:56
If we take many images of many slices of the brain
102
281000
2000
Ha az agy sok szeletéről sok képek készítünk,
04:58
and stack them up,
103
283000
2000
és egymásra helyezzük őket,
05:00
we get a three-dimensional image.
104
285000
2000
akkor kapunk egy három dimenziós képet.
05:02
And still, you may not see the branches.
105
287000
2000
És lehet, hogy még mindig nem látják a nyúlványokat.
05:04
So we start at the top,
106
289000
2000
Úgyhogy elkezdjük a tetején,
05:06
and we color in the cross-section of one branch in red,
107
291000
3000
és kiszínezzük vörösre egyetlen nyúlvány keresztmetszetét,
05:09
and we do that for the next slice
108
294000
2000
és ezt megcsináljuk a következő szelettel,
05:11
and for the next slice.
109
296000
2000
és a rákövetkezővel is.
05:13
And we keep on doing that,
110
298000
2000
És ezt folytatjuk tovább,
05:15
slice after slice.
111
300000
3000
szeletről szeletre.
05:18
If we continue through the entire stack,
112
303000
2000
Ha az egész tömbön így végigmegyünk,
05:20
we can reconstruct the three-dimensional shape
113
305000
3000
akkor rekonstruálhatjuk egy neuronnyúlvány apró töredékének
05:23
of a small fragment of a branch of a neuron.
114
308000
3000
három dimenziós alakját.
05:26
And we can do that for another neuron in green.
115
311000
2000
És ezt megcsinálhatjuk egy másik neuronnal zöld színnel.
05:28
And you can see that the green neuron touches the red neuron
116
313000
2000
És láthatják, hogy a zöld neuron két helyen is hozzáér
05:30
at two locations,
117
315000
2000
a vörös neuronhoz,
05:32
and these are what are called synapses.
118
317000
2000
és ezeket a helyeket nevezzük szinapszisoknak.
05:34
Let's zoom in on one synapse,
119
319000
2000
Nagyítsunk ki egy ilyen szinapszist!
05:36
and keep your eyes on the interior of the green neuron.
120
321000
3000
És tartsák a szemüket a zöld neuronon!
05:39
You should see small circles --
121
324000
2000
Kis köröket kéne látniuk.
05:41
these are called vesicles.
122
326000
3000
Ezeket hívják vezikulumoknak.
05:44
They contain a molecule know as a neurotransmitter.
123
329000
3000
Egy olyan molekulát tartalmaznak, aminek neurotranszmitter a neve.
05:47
And so when the green neuron wants to communicate,
124
332000
2000
Tehát amikor a zöld neuron kommunikálni akar,
05:49
it wants to send a message to the red neuron,
125
334000
2000
üzenetet akar küldeni a vörös neuronnak,
05:51
it spits out neurotransmitter.
126
336000
3000
akkor neurotranszmittereket bocsát ki.
05:54
At the synapse, the two neurons
127
339000
2000
A szinapszisnál a két neuronra
05:56
are said to be connected
128
341000
2000
azt mondjuk, hogy kapcsolatban vannak,
05:58
like two friends talking on the telephone.
129
343000
3000
mint két barát, amikor telefonon beszélgetnek.
06:02
So you see how to find a synapse.
130
347000
2000
Látják tehát, hogyan találhatunk meg egy szinapszist.
06:04
How can we find an entire connectome?
131
349000
3000
Hogyan tárhatunk fel egy teljes konnektomot?
06:07
Well, we take this three-dimensional stack of images
132
352000
3000
Nos, vesszük ezt a három dimenziós képtömböt,
06:10
and treat it as a gigantic three-dimensional coloring book.
133
355000
3000
és úgy kezeljük, mint egy gigantikus, három dimenziós kifestőkönyvet.
06:13
We color every neuron in, in a different color,
134
358000
3000
Minden neuront más színnel színezünk ki,
06:16
and then we look through all of the images,
135
361000
2000
és aztán átnézzük az összes képet,
06:18
find the synapses
136
363000
2000
megkeressük a szinapszisokat,
06:20
and note the colors of the two neurons involved in each synapse.
137
365000
3000
és feljegyezzük a két neuron színét, amik a szinapszist alkotják.
06:23
If we can do that throughout all the images,
138
368000
3000
Ha ezt az összes képpel meg tudjuk csinálni,
06:26
we could find a connectome.
139
371000
2000
akkor fel tudnánk tárni egy konnektomot.
06:29
Now, at this point,
140
374000
2000
Nos, ezen a ponton
06:31
you've learned the basics of neurons and synapses.
141
376000
2000
megtanulták a neuronok és a szinapszisok alapjait.
06:33
And so I think we're ready to tackle
142
378000
2000
Úgyhogy azt gondolom, készen állunk rá,
06:35
one of the most important questions in neuroscience:
143
380000
3000
hogy megvizsgáljuk az egyik legfontosabb kérdést az idegtudományban:
06:39
how are the brains of men and women different?
144
384000
3000
mi a különbség a férfiak és a nők agya között?
06:42
(Laughter)
145
387000
2000
(Nevetés)
06:44
According to this self-help book,
146
389000
2000
Eszerint az önfejlesztő könyv szerint
06:46
guys brains are like waffles;
147
391000
2000
a fiúk agya olyan, mint a gofri;
06:48
they keep their lives compartmentalized in boxes.
148
393000
3000
az életük eseményeit elkülönült rekeszekben tárolja.
06:51
Girls' brains are like spaghetti;
149
396000
3000
A lányok agya pedig olyan, mint a spagetti;
06:54
everything in their life is connected to everything else.
150
399000
3000
az életükben minden mindennel összekapcsolódik.
06:57
(Laughter)
151
402000
2000
(Nevetés)
06:59
You guys are laughing,
152
404000
2000
Önök most nevetnek,
07:01
but you know, this book changed my life.
153
406000
2000
de, tudják, ez a könyv megváltoztatta az életemet.
07:03
(Laughter)
154
408000
2000
(Nevetés)
07:07
But seriously, what's wrong with this?
155
412000
3000
De komolyan, mi a gond ezzel?
07:10
You already know enough to tell me -- what's wrong with this statement?
156
415000
3000
Már eleget tudnak ahhoz, hogy megmondják. Mi a baj ezzel az állítással?
07:20
It doesn't matter whether you're a guy or girl,
157
425000
3000
Nem számít, hogy fiú vagy, vagy lány,
07:23
everyone's brains are like spaghetti.
158
428000
3000
mindenkinek az agya olyan, mint a spagetti.
07:26
Or maybe really, really fine capellini with branches.
159
431000
3000
Vagy talán mint a nagyon-nagyon vékony capellini nyúlványokkal kiegészítve.
07:30
Just as one strand of spaghetti
160
435000
2000
Ahogyan egy spagettiszál
07:32
contacts many other strands on your plate,
161
437000
3000
sok másik szálhoz hozzá ér a tányéron,
07:35
one neuron touches many other neurons
162
440000
2000
ugyanúgy egy neuron sok másik neuront érint
07:37
through their entangled branches.
163
442000
2000
a nyúlványain keresztül.
07:39
One neuron can be connected to so many other neurons,
164
444000
3000
Egy neuron azért kapcsolódhat sok másikhoz,
07:42
because there can be synapses
165
447000
2000
mert ezeken a kapcsolódási pontokon
07:44
at these points of contact.
166
449000
3000
szinapszisok lehetnek.
07:49
By now, you might have sort of lost perspective
167
454000
3000
Mostanra lehet, hogy elvesztették a perspektívát azzal kapcsolatban,
07:52
on how large this cube of brain tissue actually is.
168
457000
3000
hogy milyen nagy is valójában ez az agyszövet-tömb.
07:55
And so let's do a series of comparisons to show you.
169
460000
3000
Nézzünk tehát egy összehasonlítás-sorozatot, hogy láthassák!
07:58
I assure you, this is very tiny. It's just six microns on a side.
170
463000
3000
Biztosíthatom Önöket, hogy ez nagyon apró. Mindössze hat mikron egy oldala.
08:03
So, here's how it stacks up against an entire neuron.
171
468000
3000
Tehát így viszonyul egy teljes neuronhoz.
08:06
And you can tell that, really, only the smallest fragments of branches
172
471000
3000
És megállapíthatják, hogy tényleg mindössze a nyúlványok
08:09
are contained inside this cube.
173
474000
3000
legkisebb töredékét tartalmazza ez a tömb.
08:12
And a neuron, well, that's smaller than brain.
174
477000
3000
És egy neuron, nos, az kisebb, mint az agy.
08:17
And that's just a mouse brain --
175
482000
2000
És ez csak egy egér agya.
08:21
it's a lot smaller than a human brain.
176
486000
3000
Ez sokkal kisebb, mint egy emberi agy.
08:25
So when show my friends this,
177
490000
2000
Úgyhogy mikor ezt megmutatom a barátaimnak,
08:27
sometimes they've told me,
178
492000
2000
néha azt mondják nekem:
08:29
"You know, Sebastian, you should just give up.
179
494000
3000
„Tudod Sebastian, fel kéne adnod.
08:32
Neuroscience is hopeless."
180
497000
2000
Az idegtudomány reménytelen.”
08:34
Because if you look at a brain with your naked eye,
181
499000
2000
Mert ha szabad szemmel néznek egy agyat,
08:36
you don't really see how complex it is,
182
501000
2000
nem igazán látják, hogy mennyire összetett,
08:38
but when you use a microscope,
183
503000
2000
de amikor mikroszkópot használnak,
08:40
finally the hidden complexity is revealed.
184
505000
3000
a rejtett komplexitás végül feltárul.
08:45
In the 17th century,
185
510000
2000
A 17. században
08:47
the mathematician and philosopher, Blaise Pascal,
186
512000
2000
a matematikus és filozófus, Blaise Pascal,
08:49
wrote of his dread of the infinite,
187
514000
3000
a végtelentől való félelméről írt,
08:52
his feeling of insignificance
188
517000
2000
a jelentéktelenségének érzéséről,
08:54
at contemplating the vast reaches of outer space.
189
519000
3000
amikor a világűr hatalmas kiterjedésén elmélkedett.
08:59
And, as a scientist,
190
524000
2000
És, mint tudós,
09:01
I'm not supposed to talk about my feelings --
191
526000
3000
elvileg nem beszélhetek az érzéseimről.
09:04
too much information, professor.
192
529000
2000
Túl sok az információ, professzor úr!
09:06
(Laughter)
193
531000
2000
(Nevetés)
09:08
But may I?
194
533000
2000
De megengedik?
09:10
(Laughter)
195
535000
2000
(Nevetés)
09:12
(Applause)
196
537000
2000
(Taps)
09:14
I feel curiosity,
197
539000
2000
Kíváncsiságot érzek,
09:16
and I feel wonder,
198
541000
2000
és csodálatot érzek,
09:18
but at times I have also felt despair.
199
543000
3000
de időnként kétségbeesést is éreztem.
09:22
Why did I choose to study
200
547000
2000
Miért döntöttem úgy, hogy ezt a szervet
09:24
this organ that is so awesome in its complexity
201
549000
3000
tanulmányozzam, amely annyira hihetetlenül összetett,
09:27
that it might well be infinite?
202
552000
2000
hogy akár végtelen is lehet?
09:29
It's absurd.
203
554000
2000
Ez abszurd.
09:31
How could we even dare to think
204
556000
2000
Honnan vesszük a bátorságot ahhoz,
09:33
that we might ever understand this?
205
558000
3000
hogy azt gondoljuk, hogy valaha is megérthetjük?
09:38
And yet, I persist in this quixotic endeavor.
206
563000
3000
És mégis, kitartok e fantasztikus törekvés mellett.
09:41
And indeed, these days I harbor new hopes.
207
566000
3000
És valóban, mostanában új reményekkel vagyok tele.
09:45
Someday,
208
570000
2000
Egy nap
09:47
a fleet of microscopes will capture
209
572000
2000
mikroszkópok serege minden neuront
09:49
every neuron and every synapse
210
574000
2000
és minden szinapszist le fog fényképezni
09:51
in a vast database of images.
211
576000
3000
egy hatalmas kép-adatbázisba.
09:54
And some day, artificially intelligent supercomputers
212
579000
3000
És egy nap mesterséges intelligenciájú szuperszámítógépek
09:57
will analyze the images without human assistance
213
582000
3000
emberi beavatkozás nélkül fogják elemezni a képeket,
10:00
to summarize them in a connectome.
214
585000
3000
hogy azokból egy konnektomot alkossanak meg.
10:04
I do not know, but I hope that I will live to see that day,
215
589000
3000
Nem tudom, de remélem, hogy megérem azt a napot.
10:08
because finding an entire human connectome
216
593000
2000
Mert egy teljes emberi konnektomot feltárni
10:10
is one of the greatest technological challenges of all time.
217
595000
3000
minden idők egyik legnagyobb technológiai kihívása.
10:13
It will take the work of generations to succeed.
218
598000
3000
Generációk munkájára lesz szükség ahhoz, hogy sikerüljön.
10:17
At the present time, my collaborators and I,
219
602000
3000
Jelenleg a munkatársaim és én,
10:20
what we're aiming for is much more modest --
220
605000
2000
a mi célkitűzésünk sokkal szerényebb --
10:22
just to find partial connectomes
221
607000
2000
mindössze részleges konnektomokat feltárni
10:24
of tiny chunks of mouse and human brain.
222
609000
3000
egér- és emberi agyak apró szeleteiből.
10:27
But even that will be enough for the first tests of this hypothesis
223
612000
3000
De még az is elég lesz ennek a hipotézisnek,
10:30
that I am my connectome.
224
615000
3000
hogy én a konnektomom vagyok, az első ellenőrzéseihez.
10:35
For now, let me try to convince you of the plausibility of this hypothesis,
225
620000
3000
Most pedig engedjék meg, hogy meggyőzzem Önöket eme hipotézis
10:38
that it's actually worth taking seriously.
226
623000
3000
elfogadhatóságáról, hogy egyáltalán megéri komolyan venni.
10:42
As you grow during childhood
227
627000
2000
Ahogy a gyermekkor során nőnek,
10:44
and age during adulthood,
228
629000
3000
és a felnőttkor során egyre idősödnek,
10:47
your personal identity changes slowly.
229
632000
3000
az Önök személyisége is lassan változik.
10:50
Likewise, every connectome
230
635000
2000
Hasonlóképpen, minden konnektom
10:52
changes over time.
231
637000
2000
változik az idők során.
10:55
What kinds of changes happen?
232
640000
2000
Milyenfajta változások történnek?
10:57
Well, neurons, like trees,
233
642000
2000
Nos, a neuronok, mint a fák,
10:59
can grow new branches,
234
644000
2000
új nyúlványokat növeszthetnek,
11:01
and they can lose old ones.
235
646000
3000
és elveszíthetnek régieket.
11:04
Synapses can be created,
236
649000
3000
Szinapszisok létesülhetnek,
11:07
and they can be eliminated.
237
652000
3000
és el is tűnhetnek.
11:10
And synapses can grow larger,
238
655000
2000
És a szinapszisok nagyobbra nőhetnek,
11:12
and they can grow smaller.
239
657000
3000
és kisebbekké is válhatnak.
11:15
Second question:
240
660000
2000
Második kérdés:
11:17
what causes these changes?
241
662000
3000
Mi okozza ezeket a változásokat?
11:20
Well, it's true.
242
665000
2000
Nos, igaz.
11:22
To some extent, they are programmed by your genes.
243
667000
3000
Bizonyos mértékig a gének által programozottak.
11:25
But that's not the whole story,
244
670000
2000
De ez csak a történet egyik fele,
11:27
because there are signals, electrical signals,
245
672000
2000
ugyanis vannak jelek, elektromos jelek,
11:29
that travel along the branches of neurons
246
674000
2000
amik a neuronok nyúlványain keresztül továbbítódnak,
11:31
and chemical signals
247
676000
2000
és kémiai jelek,
11:33
that jump across from branch to branch.
248
678000
2000
amik nyúlványról nyúlványra ugranak.
11:35
These signals are called neural activity.
249
680000
3000
Ezeket a jeleket idegi aktivitásnak hívják.
11:38
And there's a lot of evidence
250
683000
2000
És sok bizonyíték van rá,
11:40
that neural activity
251
685000
3000
hogy az idegi aktivitás
11:43
is encoding our thoughts, feelings and perceptions,
252
688000
3000
kódolja a gondolatainkat, érzéseinket és érzékeléseinket,
11:46
our mental experiences.
253
691000
2000
a mentális tapasztalatainkat.
11:48
And there's a lot of evidence that neural activity
254
693000
3000
És sok bizonyíték van arra is, hogy az idegi aktivitás
11:51
can cause your connections to change.
255
696000
3000
képes megváltoztatni az agyi kapcsolatokat.
11:54
And if you put those two facts together,
256
699000
3000
És ha ezt a két tényt összerakják,
11:57
it means that your experiences
257
702000
2000
akkor azt kapják, hogy a tapasztalataik
11:59
can change your connectome.
258
704000
3000
megváltoztathatják a konnektomjukat.
12:02
And that's why every connectome is unique,
259
707000
2000
És ezért van az, hogy minden konnektom egyedi,
12:04
even those of genetically identical twins.
260
709000
3000
még a genetikailag azonos ikreké is.
12:08
The connectome is where nature meets nurture.
261
713000
3000
A konnektom az, ahol a természet találkozik a neveléssel.
12:12
And it might true
262
717000
2000
És még az is igaz lehet,
12:14
that just the mere act of thinking
263
719000
2000
hogy csupán a gondolkodás önmagában
12:16
can change your connectome --
264
721000
2000
megváltoztathatja a konnektomot --
12:18
an idea that you may find empowering.
265
723000
3000
egy eszme, amit megerősítőnek találhatnak.
12:24
What's in this picture?
266
729000
2000
Mi van ezen a képen?
12:28
A cool and refreshing stream of water, you say.
267
733000
3000
Egy hűs és frissítő vízfolyam, azt mondhatják.
12:32
What else is in this picture?
268
737000
2000
Mi van még a képen?
12:37
Do not forget that groove in the Earth
269
742000
2000
Ne feledkezzenek meg arról az
12:39
called the stream bed.
270
744000
3000
árokról a földben, amit folyómedernek hívnak.
12:42
Without it, the water would not know in which direction to flow.
271
747000
3000
Enélkül a víz nem tudná, melyik irányba folyjon.
12:45
And with the stream,
272
750000
2000
És a folyóval
12:47
I would like to propose a metaphor
273
752000
2000
egy metaforát szeretnék kínálni
12:49
for the relationship between neural activity
274
754000
2000
az idegi aktivitás és a kapcsolódások
12:51
and connectivity.
275
756000
2000
közötti viszonyra.
12:54
Neural activity is constantly changing.
276
759000
3000
Az idegi aktivitás állandóan változik.
12:57
It's like the water of the stream; it never sits still.
277
762000
3000
Olyan, mint a folyó vize; soha nem áll egy helyben.
13:00
The connections
278
765000
2000
Az agy ideghálózatának
13:02
of the brain's neural network
279
767000
2000
a kapcsolatai
13:04
determines the pathways
280
769000
2000
határozzák meg azokat az utakat,
13:06
along which neural activity flows.
281
771000
2000
amelyek mentén az idegi aktivitás folyik.
13:08
And so the connectome is like bed of the stream;
282
773000
3000
És így tehát a konnektom olyan, mint a folyó medre.
13:13
but the metaphor is richer than that,
283
778000
3000
De a metafora még ennél is gazdagabb.
13:16
because it's true that the stream bed
284
781000
3000
Mert igaz ugyan, hogy a folyómeder
13:19
guides the flow of the water,
285
784000
2000
irányítja a víz folyását,
13:21
but over long timescales,
286
786000
2000
de hosszú időtartam alatt
13:23
the water also reshapes the bed of the stream.
287
788000
3000
a víz is átalakítja a folyómedret.
13:26
And as I told you just now,
288
791000
2000
És amint most elmondtam Önöknek,
13:28
neural activity can change the connectome.
289
793000
3000
az idegi aktivitás képes megváltoztatni a konnektomot.
13:33
And if you'll allow me to ascend
290
798000
2000
És ha megengedik nekem,
13:35
to metaphorical heights,
291
800000
3000
hogy metaforikus magasságokba emelkedjek,
13:38
I will remind you that neural activity
292
803000
3000
emlékeztetem Önöket arra, hogy az idegi aktivitás
13:41
is the physical basis -- or so neuroscientists think --
293
806000
2000
a fizikai alapja -- vagy legalábbis így gondolják az idegtudósok --
13:43
of thoughts, feelings and perceptions.
294
808000
3000
a gondolatoknak, érzéseknek és érzékeléseknek.
13:46
And so we might even speak of
295
811000
2000
Úgyhogy akár
13:48
the stream of consciousness.
296
813000
2000
tudatfolyamról is beszélhetnénk.
13:50
Neural activity is its water,
297
815000
3000
Az idegi aktivitás a víz,
13:53
and the connectome is its bed.
298
818000
3000
és a konnektom a folyómeder.
13:57
So let's return from the heights of metaphor
299
822000
2000
Térjünk most vissza a metaforák magasságából
13:59
and return to science.
300
824000
2000
a tudományhoz!
14:01
Suppose our technologies for finding connectomes
301
826000
2000
Tegyük fel, hogy a konnektomok feltárására szánt
14:03
actually work.
302
828000
2000
technológiáink ténylegesen működnek.
14:05
How will we go about testing the hypothesis
303
830000
2000
Hogy fogunk nekilátni e hipotézis tesztelésének, hogy:
14:07
"I am my connectome?"
304
832000
3000
„én a konnektomom vagyok”?
14:10
Well, I propose a direct test.
305
835000
3000
Nos, egy közvetlen tesztet javaslok.
14:13
Let us attempt
306
838000
2000
Próbáljunk meg emlékeket
14:15
to read out memories from connectomes.
307
840000
3000
kiolvasni a konnektomokból!
14:18
Consider the memory
308
843000
2000
Tekintsük mozdulatok hosszú idejű
14:20
of long temporal sequences of movements,
309
845000
3000
sorozatának emlékét, mint amikor
14:23
like a pianist playing a Beethoven sonata.
310
848000
3000
egy zongorista egy Beethoven-szonátát játszik!
14:26
According to a theory that dates back to the 19th century,
311
851000
3000
Egy elmélet szerint, ami a 19. századig nyúlik vissza,
14:29
such memories are stored
312
854000
2000
az ilyen emlékek szinaptikus kapcsolatok
14:31
as chains of synaptic connections inside your brain.
313
856000
3000
láncolataiként tárolódnak az agyban.
14:35
Because, if the first neurons in the chain are activated,
314
860000
3000
Mert ha az első neuronok a láncban aktiválódnak,
14:38
through their synapses they send messages to the second neurons, which are activated,
315
863000
3000
a szinapszisaikon keresztül üzeneteket küldenek a második neuronoknak, amik szintén aktiválódnak,
14:41
and so on down the line,
316
866000
2000
és így tovább, végig az egész soron,
14:43
like a chain of falling dominoes.
317
868000
2000
mint boruló dominók láncolata.
14:45
And this sequence of neural activation
318
870000
2000
És az idegi aktivitás eme sorozata
14:47
is hypothesized to be the neural basis
319
872000
3000
lenne a hipotézis szerint az idegi alapja
14:50
of those sequence of movements.
320
875000
2000
azoknak a mozdulatsoroknak.
14:52
So one way of trying to test the theory
321
877000
2000
Tehát az elmélet ellenőrzésének egyik módja
14:54
is to look for such chains
322
879000
2000
ilyen láncolatok keresése lenne
14:56
inside connectomes.
323
881000
2000
a konnektomokban.
14:58
But it won't be easy, because they're not going to look like this.
324
883000
3000
De ez nem lesz könnyű, mert nem így fognak kinézni.
15:01
They're going to be scrambled up.
325
886000
2000
Össze lesznek kuszálódva.
15:03
So we'll have to use our computers
326
888000
2000
Úgyhogy a számítógépeinket kell használnunk,
15:05
to try to unscramble the chain.
327
890000
3000
hogy megpróbáljuk kibogozni a láncolatot.
15:08
And if we can do that,
328
893000
2000
És ha ezt meg tudjuk csinálni,
15:10
the sequence of the neurons we recover from that unscrambling
329
895000
3000
akkor a neuronsorozat, amit a kibogozás után kapunk,
15:13
will be a prediction of the pattern of neural activity
330
898000
3000
az idegi aktivitás mintázatának előrejelzése lesz,
15:16
that is replayed in the brain during memory recall.
331
901000
3000
ami az emlékezéskor lejátszódik az agyban.
15:19
And if that were successful,
332
904000
2000
És ha ez sikerrel járna,
15:21
that would be the first example of reading a memory from a connectome.
333
906000
3000
akkor ez lenne az első példája egy emlék kiolvasásának egy konnektomból.
15:28
(Laughter)
334
913000
2000
(Nevetés)
15:30
What a mess --
335
915000
2000
Micsoda összevisszaság!
15:33
have you ever tried to wire up a system
336
918000
2000
Próbáltak már egy ennyire bonyolult rendszert
15:35
as complex as this?
337
920000
2000
összekötni?
15:37
I hope not.
338
922000
2000
Remélem, nem!
15:39
But if you have, you know it's very easy to make a mistake.
339
924000
3000
De ha mégis, akkor tudják, hogy nagyon könnyű hibázni.
15:45
The branches of neurons are like the wires of the brain.
340
930000
2000
A neuronnyúlványok olyanok, mint az egy huzaljai.
15:47
Can anyone guess: what's the total length of wires in your brain?
341
932000
4000
Meg tudná valaki becsülni, hogy mennyi az agyi huzalok teljes hossza?
15:54
I'll give you a hint. It's a big number.
342
939000
2000
Adok egy kis segítséget. Nagy számról van szó.
15:56
(Laughter)
343
941000
2000
(Nevetés)
15:59
I estimate, millions of miles,
344
944000
3000
Becslésem szerint több millió kilométer.
16:02
all packed in your skull.
345
947000
3000
És mindez benn a koponyában!
16:05
And if you appreciate that number,
346
950000
2000
És hogyha értékelik ezt a számot,
16:07
you can easily see
347
952000
2000
akkor könnyen beláthatják,
16:09
there is huge potential for mis-wiring of the brain.
348
954000
2000
hogy sok lehetőség van az agy félrehuzalozására.
16:11
And indeed, the popular press loves headlines like,
349
956000
3000
És valóban, a tömegsajtó imádja az olyan szalagcímeket, mint:
16:14
"Anorexic brains are wired differently,"
350
959000
2000
„Az anorexiásak agya máshogy van huzalozva,”
16:16
or "Autistic brains are wired differently."
351
961000
2000
vagy „Az autisták agya máshogy van huzalozva.”
16:18
These are plausible claims,
352
963000
2000
Ezek elfogadható állítások,
16:20
but in truth,
353
965000
2000
de valójában nem látjuk
16:22
we can't see the brain's wiring clearly enough
354
967000
2000
elég tisztán az agyi huzalozást ahhoz,
16:24
to tell if these are really true.
355
969000
2000
hogy eldönthessük, hogy ez tényleg igaz-e.
16:26
And so the technologies for seeing connectomes
356
971000
3000
És ily módon a konnektomok megjelenítésére való technológiák
16:29
will allow us to finally
357
974000
2000
lehetővé teszik majd számunkra,
16:31
read mis-wiring of the brain,
358
976000
2000
hogy végre felfedhessük a félrehuzalozást az agyban,
16:33
to see mental disorders in connectomes.
359
978000
3000
hogy láthassuk az elmezavarokat a konnektomokban.
16:40
Sometimes the best way to test a hypothesis
360
985000
3000
Néha a legjobb mód egy hipotézis tesztelésére az,
16:43
is to consider its most extreme implication.
361
988000
3000
ha megvizsgáljuk a legszélsőségesebb következményét.
16:46
Philosophers know this game very well.
362
991000
3000
A filozófusok nagyon jól ismerik ezt a játékot.
16:50
If you believe that I am my connectome,
363
995000
3000
Ha elhiszik, hogy én a konnektomom vagyok,
16:53
I think you must also accept the idea
364
998000
3000
úgy gondolom, muszáj elfogadniuk azt az eszmét is,
16:56
that death is the destruction
365
1001000
2000
hogy a halál a konnektomjuk
16:58
of your connectome.
366
1003000
3000
megsemmisülése.
17:02
I mention this because there are prophets today
367
1007000
3000
Azért említem ezt, mert vannak ma olyan próféták,
17:05
who claim that technology
368
1010000
3000
akik azt állítják, hogy a technológia
17:08
will fundamentally alter the human condition
369
1013000
3000
alapvetően meg fogja változtatni az emberi életkörülményeket,
17:11
and perhaps even transform the human species.
370
1016000
3000
és talán még az emberi fajt is át fogja alakítani.
17:14
One of their most cherished dreams
371
1019000
3000
Az egyik legdédelgetettebb álmuk,
17:17
is to cheat death
372
1022000
2000
hogy kicselezik a halált
17:19
by that practice known as cryonics.
373
1024000
2000
a krionikaként ismert gyakorlattal.
17:21
If you pay 100,000 dollars,
374
1026000
2000
Ha fizetnek 100 000 dollárt,
17:23
you can arrange to have your body frozen after death
375
1028000
3000
elintézhetik, hogy a haláluk után lefagyasszák a testüket,
17:26
and stored in liquid nitrogen
376
1031000
2000
és folyékony nitrogénben tárolják
17:28
in one of these tanks in an Arizona warehouse,
377
1033000
2000
az egyik ilyen tartályban egy arizonai raktárban,
17:30
awaiting a future civilization
378
1035000
2000
várva egy jövendő civilizációt,
17:32
that is advanced to resurrect you.
379
1037000
3000
amelyik elég fejlett hozzá, hogy feltámassza Önöket.
17:36
Should we ridicule the modern seekers of immortality,
380
1041000
2000
Kinevessük-e a halhatatlanság modern keresőit,
17:38
calling them fools?
381
1043000
2000
bolondoknak titulálva őket?
17:40
Or will they someday chuckle
382
1045000
2000
Vagy egy nap majd ők fognak
17:42
over our graves?
383
1047000
2000
a sírunk fölött kacagni?
17:45
I don't know --
384
1050000
2000
Nem tudom.
17:47
I prefer to test their beliefs, scientifically.
385
1052000
3000
De én szeretném tudományosan tesztelni a hiedelmeiket.
17:50
I propose that we attempt to find a connectome
386
1055000
2000
Azt javaslom, hogy próbáljuk meg feltárni
17:52
of a frozen brain.
387
1057000
2000
egy lefagyasztott agy konnektomját!
17:54
We know that damage to the brain
388
1059000
2000
Tudjuk, hogy a halál után és fagyasztáskor
17:56
occurs after death and during freezing.
389
1061000
2000
károsodás éri az agyat.
17:58
The question is: has that damage erased the connectome?
390
1063000
3000
Az a kérdés, hogy a károsodás kitörli-e a konnektomot.
18:01
If it has, there is no way that any future civilization
391
1066000
3000
Ha igen, akkor nincs mód rá, hogy bármely jövőbeli civilizáció
18:04
will be able to recover the memories of these frozen brains.
392
1069000
3000
képes lesz ezeknek a lefagyasztott agyaknak az emlékeit visszanyerni.
18:07
Resurrection might succeed for the body,
393
1072000
2000
A feltámasztás sikerülhet a test esetében,
18:09
but not for the mind.
394
1074000
2000
de nem az elme esetében.
18:11
On the other hand, if the connectome is still intact,
395
1076000
3000
Másrészt viszont, ha a konnektom még érintetlen,
18:14
we cannot ridicule the claims of cryonics so easily.
396
1079000
3000
akkor nem gúnyolhatjuk ki olyan könnyen a krionika állításait.
18:20
I've described a quest
397
1085000
2000
Felvázoltam egy kutatást,
18:22
that begins in the world of the very small,
398
1087000
3000
ami a nagyon kis méretek világában kezdődik,
18:25
and propels us to the world of the far future.
399
1090000
3000
és a távoli jövő világába repít minket.
18:28
Connectomes will mark a turning point in human history.
400
1093000
3000
A konnektomok egy fordulópontot fognak jelenti az emberi történelemben.
18:32
As we evolved from our ape-like ancestors
401
1097000
2000
Ahogy a majomszerű őseinkből kifejlődtünk
18:34
on the African savanna,
402
1099000
2000
az afrikai szavannán,
18:36
what distinguished us was our larger brains.
403
1101000
3000
ami megkülönböztetett minket, az a nagyobb agyunk volt.
18:40
We have used our brains to fashion
404
1105000
2000
Az agyunkat egyre elképesztőbb
18:42
ever more amazing technologies.
405
1107000
3000
technológiák megalkotására használtuk.
18:45
Eventually, these technologies will become so powerful
406
1110000
3000
Végül ezek a technológiák annyira hatalmassá fognak válni,
18:48
that we will use them to know ourselves
407
1113000
3000
hogy arra fogjuk használni őket, hogy megismerjük önmagunkat
18:51
by deconstructing and reconstructing
408
1116000
3000
a saját agyunk dekonstrukciója
18:54
our own brains.
409
1119000
3000
és rekonstrukciója által.
18:57
I believe that this voyage of self-discovery
410
1122000
3000
Úgy hiszem, hogy ez az önfelfedező utazás
19:00
is not just for scientists,
411
1125000
3000
nem csak a tudósoké,
19:03
but for all of us.
412
1128000
2000
hanem mindannyiunké.
19:05
And I'm grateful for the opportunity to share this voyage with you today.
413
1130000
3000
És hálás vagyok a lehetőségért, hogy megoszthatom ezt az utazást ma Önökkel.
19:08
Thank you.
414
1133000
2000
Köszönöm!
19:10
(Applause)
415
1135000
8000
(Taps)
ABOUT THE SPEAKER
Sebastian Seung - Computational neuroscientistSebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain.
Why you should listen
In the brain, neurons are connected into a complex network. Sebastian Seung and his lab at MIT are inventing technologies for identifying and describing the connectome, the totality of connections between the brain's neurons -- think of it as the wiring diagram of the brain. We possess our entire genome at birth, but things like memories are not "stored" in the genome; they are acquired through life and accumulated in the brain. Seung's hypothesis is that "we are our connectome," that the connections among neurons is where memories and experiences get stored.
Seung and his collaborators, including Winfried Denk at the Max Planck Institute and Jeff Lichtman at Harvard University, are working on a plan to thin-slice a brain (probably starting with a mouse brain) and trace, from slice to slice, each neural pathway, exposing the wiring diagram of the brain and creating a powerful new way to visualize the workings of the mind. They're not the first to attempt something like this -- Sydney Brenner won a Nobel for mapping all the 7,000 connections in the nervous system of a tiny worm, C. elegans. But that took his team a dozen years, and the worm only had 302 nerve cells. One of Seung's breakthroughs is in using advanced imagining and AI to handle the crushing amount of data that a mouse brain will yield and turn it into richly visual maps that show the passageways of thought and sensation.
Sebastian Seung | Speaker | TED.com