TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Capire il cancro con la proteomica.
Filmed:
Readability: 3.6
465,363 views
Danny Hillis ci parla della prossima frontiera nella ricerca sul cancro: la proteomica, lo studio delle proteine del corpo. Come spiega Hillis, la genomica ci mostra una lista degli ingredienti del corpo -- mentre la proteomica ci mostra che cosa producono quegli ingredienti. Capire cosa accade nel proprio corpo a livello delle proteine potrebbe portare ad una nuova comprensione dei meccanismi alla base dei tumori.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
Ammetto di essere un po' nervoso
00:18
because I'm going to say some radical things,
1
3000
3000
perché sto per dire delle cose radicali
00:21
about how we should think about cancer differently,
2
6000
3000
su come dovremmo rivedere le nostre opinioni sul cancro
00:24
to an audience that contains a lot of people
3
9000
2000
ad un pubblico tra cui ci saranno molti
00:26
who know a lot more about cancer than I do.
4
11000
3000
che ne sanno molto più di me sul cancro.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Però vi dirò anche che non sono poi così nervoso quanto dovrei
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
perché sono abbastanza convinto di avere ragione.
00:35
(Laughter)
7
20000
2000
(risate)
00:37
And that this, in fact, will be
8
22000
2000
E che in effetti sarà così
00:39
the way that we treat cancer in the future.
9
24000
3000
che tratteremo il cancro in futuro.
00:43
In order to talk about cancer,
10
28000
2000
Per parlare del cancro,
00:45
I'm going to actually have to --
11
30000
3000
devo proprio --
00:48
let me get the big slide here.
12
33000
3000
vediamo questa diapositiva.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Innanzitutto, cercherò di darvi una prospettiva diversa della genomica.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Vorrei metterla nella prospettiva del quadro generale
00:58
of all the other things that are going on --
15
43000
3000
di tutti gli altri fatti che stanno avvenendo
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
e poi parlarvi di una cosa di cui non si sente molto parlare, che è la proteomica.
01:04
Having explained those,
17
49000
2000
Dopo avere spiegato queste cose,
01:06
that will set up for what I think will be a different idea
18
51000
3000
saremo pronti per capire quello che reputo un approccio diverso
01:09
about how to go about treating cancer.
19
54000
2000
al trattamento dei tumori.
01:11
So let me start with genomics.
20
56000
2000
Dunque iniziamo con la genomica.
01:13
It is the hot topic.
21
58000
2000
E' l'argomento del momento.
01:15
It is the place where we're learning the most.
22
60000
2000
E' il campo in cui stiamo imparando di più
01:17
This is the great frontier.
23
62000
2000
E' la grande frontiera.
01:19
But it has its limitations.
24
64000
3000
Ma ha i suoi limiti.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Ed in particolare, avrete probabilmente tutti sentito l'analogia
01:25
that the genome is like the blueprint of your body,
26
70000
3000
che equipara il genoma ad una mappa del corpo.
01:28
and if that were only true, it would be great,
27
73000
2000
Se solo fosse vero, sarebbe fantastico
01:30
but it's not.
28
75000
2000
ma non lo è.
01:32
It's like the parts list of your body.
29
77000
2000
E' come una lista delle parti del corpo
01:34
It doesn't say how things are connected,
30
79000
2000
Non dice come le cose sono collegate,
01:36
what causes what and so on.
31
81000
3000
quale sia la causa di cosa, e così via.
01:39
So if I can make an analogy,
32
84000
2000
Quindi se posso fare una analogia,
01:41
let's say that you were trying to tell the difference
33
86000
2000
è come capire la differenza
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
tra un buon ristorante con una cucina sana
01:46
and a sick restaurant,
35
91000
2000
e un ristorante scadente,
01:48
and all you had was the list of ingredients
36
93000
2000
avendo a disposizione la sola lista degli ingredienti
01:50
that they had in their larder.
37
95000
3000
della loro dispensa.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Come entrare in un ristorante francese,
01:56
and you looked through it and you found
39
101000
2000
guardarsi intorno e accorgersi
01:58
they only had margarine and they didn't have butter,
40
103000
2000
che usano solo margarina e niente burro,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
al che potreste dire "Ah, ecco cos'è che non va.
02:02
I can make them healthy."
42
107000
2000
So io come farli diventare più salutari"
02:04
And there probably are special cases of that.
43
109000
2000
E probabilmente ci sono casi particolari di questo tipo.
02:06
You could certainly tell the difference
44
111000
2000
Potreste certamente distinguere
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
tra un ristorante cinese e uno francese
02:10
by what they had in a larder.
46
115000
2000
in base a quello che hanno in dispensa.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Dunque la lista di ingredienti in effetti vi da delle indicazioni
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
e a volte vi dice se qualcosa non va.
02:19
If they have tons of salt,
49
124000
2000
Se hanno grandi quantità di sale
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
potreste desumere che usano troppo sale, o qualcosa del genere.
02:24
But it's limited,
51
129000
2000
Ma è limitativo,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
perché per sapere davvero se un ristorante ha una cucina sana,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
dovete assaggiarne il cibo, dovete sapere che cosa succede in cucina,
02:31
you need the product of all of those ingredients.
54
136000
3000
vi serve conoscere il risultato di tutti quegli ingredienti.
02:34
So if I look at a person
55
139000
2000
E se prendiamo una persona
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
e ne analizziamo il genoma, è la stessa cosa.
02:39
The part of the genome that we can read
57
144000
2000
La parte di genoma che possiamo leggere
02:41
is the list of ingredients.
58
146000
2000
è la lista degli ingredienti.
02:43
And so indeed,
59
148000
2000
E in effetti,
02:45
there are times when we can find ingredients
60
150000
2000
a volte troviamo ingredienti
02:47
that [are] bad.
61
152000
2000
cattivi.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
La fibrosi cistica è un esempio di malattia
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
dove basta un ingrediente cattivo a scatenare la malattia,
02:54
and we can actually make a direct correspondence
64
159000
3000
e siamo in grado di stabilire una corrispondenza diretta
02:57
between the ingredient and the disease.
65
162000
3000
tra ingredienti e malattia.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Ma in genere c'è davvero bisogno di sapere cosa accade in cucina,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
perché il più delle volte i malati in precedenza erano sani --
03:05
they have the same genome.
68
170000
2000
ed hanno lo stesso genoma.
03:07
So the genome really tells you much more
69
172000
2000
Quindi il genoma in effetti vi dice molto di più
03:09
about predisposition.
70
174000
2000
sulla predisposizione alla malattia.
03:11
So what you can tell
71
176000
2000
Quello che potete stabilire
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
è la differenza tra un Asiatico ed un Europeo
03:15
by looking at their ingredients list.
73
180000
2000
basandovi sulla lista dei loro ingredienti.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Ma il più delle volte non siete in grado di distinguere
03:20
between a healthy person and a sick person --
75
185000
3000
tra una persona sana ed una malata --
03:23
except in some of these special cases.
76
188000
2000
tranne che in casi particolari.
03:25
So why all the big deal
77
190000
2000
Allora perché tutta questa attenzione
03:27
about genetics?
78
192000
2000
alla genetica?
03:29
Well first of all,
79
194000
2000
Beh, anzitutto
03:31
it's because we can read it, which is fantastic.
80
196000
3000
perché siamo in grado di decifrarla, il che è fantastico.
03:34
It is very useful in certain circumstances.
81
199000
3000
E' molto utile in alcune circostanze.
03:37
It's also the great theoretical triumph
82
202000
3000
Rappresenta anche il grande trionfo teorico
03:40
of biology.
83
205000
2000
della biologia.
03:42
It's the one theory
84
207000
2000
E' l'unica teoria
03:44
that the biologists ever really got right.
85
209000
2000
che i biologi abbiano mai davvero azzeccato.
03:46
It's fundamental to Darwin
86
211000
2000
Risale a Darwin
03:48
and Mendel and so on.
87
213000
2000
e Mendel ed altri.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
E dunque è l'unica per cui si è riusciti a prevedere una costruzione teorica.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel ebbe questa idea di gene
03:56
as an abstract thing,
90
221000
3000
come entità astratta.
03:59
and Darwin built a whole theory
91
224000
2000
E Darwin costruì una intera teoria
04:01
that depended on them existing,
92
226000
2000
che si basava sulla loro esistenza.
04:03
and then Watson and Crick
93
228000
2000
Poi Watson e Crick
04:05
actually looked and found one.
94
230000
2000
si misero a cercarli e ne individuarono uno.
04:07
So this happens in physics all the time.
95
232000
2000
Questo in fisica accade sempre.
04:09
You predict a black hole,
96
234000
2000
Si prevede un buco nero,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
poi si guarda nel telescopio ed eccolo lì, come previsto.
04:14
But it rarely happens in biology.
98
239000
2000
Ma questo accade di rado in biologia.
04:16
So this great triumph -- it's so good,
99
241000
3000
Questo grande trionfo -- è così bello --
04:19
there's almost a religious experience
100
244000
2000
da esser quasi come un'esperienza religiosa
04:21
in biology.
101
246000
2000
in biologia.
04:23
And Darwinian evolution
102
248000
2000
E l'evoluzione Darwiniana
04:25
is really the core theory.
103
250000
3000
ne è la teoria centrale.
04:30
So the other reason it's been very popular
104
255000
2000
L'altro motivo per cui è così popolare
04:32
is because we can measure it, it's digital.
105
257000
3000
è il fatto di poterla misurare, è digitale.
04:35
And in fact,
106
260000
2000
E infatti
04:37
thanks to Kary Mullis,
107
262000
2000
grazie a Kary Mullis
04:39
you can basically measure your genome in your kitchen
108
264000
4000
in pratica si può misurare il proprio genoma in cucina
04:43
with a few extra ingredients.
109
268000
3000
con qualche ingrediente in più.
04:46
So for instance, by measuring the genome,
110
271000
3000
Per esempio, misurando il genoma
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
abbiamo imparato molto su quello che ci accomuna ad altre specie animali
04:53
by the closeness of our genome,
112
278000
3000
in base alla somiglianza del genoma,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
o su come siamo imparentati -- l'albero genealogico
04:59
or the tree of life.
114
284000
2000
o albero della vita.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Possiamo ricavare moltissime informazioni sulla genetica
05:04
just by comparing the genetic similarity.
116
289000
3000
semplicemente mettendo a confronto la somiglianza dei geni.
05:07
Now of course, in medical application,
117
292000
2000
Ora, in medicina
05:09
that is very useful
118
294000
2000
questo è molto utile
05:11
because it's the same kind of information
119
296000
3000
perchè è lo stesso tipo di informazioni
05:14
that the doctor gets from your family medical history --
120
299000
3000
che un medico ricava dalla storia clinica della vostra famiglia --
05:17
except probably,
121
302000
2000
però probabilmente
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
il vostro genoma sa molto di più di voi sulla vostra storia clinica.
05:22
And so by reading the genome,
123
307000
2000
E leggendo il genoma
05:24
we can find out much more about your family than you probably know.
124
309000
3000
possiamo scoprire molte più cose sulla vostra famiglia di quanto possiate voi.
05:27
And so we can discover things
125
312000
2000
Possiamo scoprire cose
05:29
that probably you could have found
126
314000
2000
che forse avreste scoperto
05:31
by looking at enough of your relatives,
127
316000
2000
osservando un numero sufficiente di vostri parenti
05:33
but they may be surprising.
128
318000
3000
ma potreste rimanere sorpresi.
05:36
I did the 23andMe thing
129
321000
2000
Io ho fatto il test genetico della "23andme"
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
e con sorpresa ho scoperto di essere grasso e calvo.
05:41
(Laughter)
131
326000
7000
(risate)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Ma a volte si imparano cose molto più utili.
05:51
But mostly
133
336000
3000
Soprattutto
05:54
what you need to know, to find out if you're sick,
134
339000
2000
quello che vi serve per sapere se siete malati
05:56
is not your predispositions,
135
341000
2000
non è la vostra predisposizione alla malattia
05:58
but it's actually what's going on in your body right now.
136
343000
3000
bensì quello che sta accadendo adesso nel vostro corpo.
06:01
So to do that, what you really need to do,
137
346000
2000
E per fare questo, ciò che vi serve davvero
06:03
you need to look at the things
138
348000
2000
è osservare le cose
06:05
that the genes are producing
139
350000
2000
che i geni stanno producendo
06:07
and what's happening after the genetics,
140
352000
2000
e quello che accade dopo la genetica.
06:09
and that's what proteomics is about.
141
354000
2000
E la proteomica si occupa di questo.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Proprio come il genoma studia tutti i geni,
06:14
proteomics is the study of all the proteins.
143
359000
3000
la proteomica studia tutte le proteine.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Le proteine sono quelle piccole cosine del vostro corpo
06:19
that are signaling between the cells --
145
364000
3000
che trasmettono segnali tra le cellule --
06:22
actually, the machines that are operating --
146
367000
2000
gli ingranaggi in movimento.
06:24
that's where the action is.
147
369000
2000
E' lì che avvengono le cose.
06:26
Basically, a human body
148
371000
3000
Praticamente, un corpo umano
06:29
is a conversation going on,
149
374000
3000
è come una conversazione che avviene
06:32
both within the cells and between the cells,
150
377000
3000
sia all'interno delle cellule che tra di esse,
06:35
and they're telling each other to grow and to die,
151
380000
3000
che si dicono l'un l'altra come crescere e morire.
06:38
and when you're sick,
152
383000
2000
Quando siete malati
06:40
something's gone wrong with that conversation.
153
385000
2000
qualcosa non funziona in questa conversazione.
06:42
And so the trick is --
154
387000
2000
E il trucco è --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
purtroppo, non abbiamo un modo semplice di misurare queste cose
06:47
like we can measure the genome.
156
392000
2000
come possiamo fare col genoma.
06:49
So the problem is that measuring --
157
394000
3000
Il problema è che misurare
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
tutte le proteine è molto complicato.
06:55
It requires hundreds of steps,
159
400000
2000
Richiede centinaia di passaggi
06:57
and it takes a long, long time.
160
402000
2000
e molto, molto tempo.
06:59
And it matters how much of the protein it is.
161
404000
2000
E anche la quantità di proteine conta.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Potrebbe essere molto significativo se una proteina varia del 10 per cento
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
dunque non è qualcosa di digitale come il DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Fondamentalmente il nostro problema è che se qualcuno,
07:09
of this very long stage,
165
414000
2000
durante questa fase molto lunga
07:11
they pause for just a moment,
166
416000
2000
si ferma un attimo
07:13
and they leave something in an enzyme for a second,
167
418000
2000
e lascia qualcosa in un enzima per un secondo,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
d'un tratto tutte le misurazioni da quel momento in poi
07:17
don't work.
169
422000
2000
non funzionano più.
07:19
And so then people get very inconsistent results
170
424000
2000
E allora si ottengono risultati poco attendibili
07:21
when they do it this way.
171
426000
2000
quando si lavora in questo modo.
07:23
People have tried very hard to do this.
172
428000
2000
Si sono fatti molti sforzi in questo senso.
07:25
I tried this a couple of times
173
430000
2000
Io ci ho provato un paio di volte
07:27
and looked at this problem and gave up on it.
174
432000
2000
poi ho visto il problema e ho lasciato perdere.
07:29
I kept getting this call from this oncologist
175
434000
2000
Mi chiamava sempre un oncologo,
07:31
named David Agus.
176
436000
2000
un certo David Agus.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
La Applied Minds riceve molte chiamate
07:36
from people who want help with their problems,
178
441000
2000
da persone che cercano un aiuto per i loro problemi,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
ma non pensavo fosse uno che avrebbe richiamato
07:41
so I kept on giving him to the delay list.
180
446000
3000
e così continuavo a farlo aspettare.
07:44
And then one day,
181
449000
2000
Poi un giorno
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
mi chiamano John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
e Al Gore, lo stesso giorno,
07:50
saying return David Agus's phone call.
184
455000
2000
e mi dicono di richiamare David Agus.
07:52
(Laughter)
185
457000
2000
(risate)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
E io mi dico "Beh, questo qui è uno che ha dei contatti".
07:56
(Laughter)
187
461000
4000
(risate)
08:00
So we started talking,
188
465000
2000
Così incominciamo a parlare,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
e mi dice "Mi serve un metodo migliore per misurare le proteine".
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Io gli dico "Eh già. Lo so.
08:07
Not going to be easy."
191
472000
2000
Mica facile".
08:09
He's like, "No, no. I really need it.
192
474000
2000
Lui fa "No, no, mi serve davvero.
08:11
I mean, I see patients dying every day
193
476000
4000
Vedo pazienti che muoiono ogni giorno
08:15
because we don't know what's going on inside of them.
194
480000
3000
perché non capiamo cosa accade dentro di loro.
08:18
We have to have a window into this."
195
483000
2000
Dobbiamo poterci capire qualcosa".
08:20
And he took me through
196
485000
2000
E mi raccontò
08:22
specific examples of when he really needed it.
197
487000
3000
di casi specifici per cui ne aveva bisogno.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Io mi resi conto che avrebbe veramente fatto la differenza
08:27
if we could do it,
199
492000
2000
se noi l'avessimo saputo fare.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Così dissi "Bene, lavoriamoci su"
08:31
Applied Minds has enough play money
201
496000
2000
La Applied Minds ha abbastanza soldi
08:33
that we can go and just work on something
202
498000
2000
da poterci permettere di lavorare su una cosa
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
senza avere fondi o permessi specifici o altro.
08:38
So we started playing around with this.
204
503000
2000
Quindi iniziammo a occuparcene.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
E ci rendemmo conto che il problema fondamentale era che --
08:43
that taking the sip of coffee --
206
508000
2000
mentre sorseggiavamo un caffè --
08:45
that there were humans doing this complicated process
207
510000
2000
che erano degli umani a svolgere questo lavoro complesso,
08:47
and that what really needed to be done
208
512000
2000
e che quello che serviva
08:49
was to automate this process like an assembly line
209
514000
3000
era automatizzare il processo come una catena di montaggio
08:52
and build robots
210
517000
2000
e costruire robots
08:54
that would measure proteomics.
211
519000
2000
che misurassero la proteomica.
08:56
And so we did that,
212
521000
2000
E così l'abbiamo fatto.
08:58
and working with David,
213
523000
2000
E insieme a David
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
abbiamo fondato una piccola ditta chiamata Applied Proteomics
09:03
which makes this robotic assembly line,
215
528000
3000
che produce questa catena di montaggio robotizzata,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
che misura le proteine in modo molto coerente.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
E ora vi mostro come si effettua una misurazione di proteine.
09:13
Basically, what we do
218
538000
2000
In pratica
09:15
is we take a drop of blood
219
540000
2000
preleviamo una goccia di sangue
09:17
out of a patient,
220
542000
2000
da un paziente
09:19
and we sort out the proteins
221
544000
2000
e separiamo le proteine
09:21
in the drop of blood
222
546000
2000
del sangue
09:23
according to how much they weigh,
223
548000
2000
in base al peso,
09:25
how slippery they are,
224
550000
2000
e alla viscosità,
09:27
and we arrange them in an image.
225
552000
3000
e ne formiamo un'immagine.
09:30
And so we can look at literally
226
555000
2000
Così possiamo osservare letteralmente
09:32
hundreds of thousands of features at once
227
557000
2000
centinaia di migliaia di caratteristiche contemporaneamente
09:34
out of that drop of blood.
228
559000
2000
partendo da una goccia di sangue.
09:36
And we can take a different one tomorrow,
229
561000
2000
Possiamo produrre un'immagine diversa il giorno dopo
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
e vedere come cambieranno le proteine --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
saranno diverse anche dopo aver mangiato o dopo aver dormito.
09:43
They really tell us what's going on there.
232
568000
3000
Ci dicono esattamente ciò che avviene nell'organismo.
09:46
And so this picture,
233
571000
2000
Così questa immagine,
09:48
which looks like a big smudge to you,
234
573000
2000
che a voi sembra informe,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
è quello che mi ha entusiasmato
09:54
and made me feel like we were on the right track.
236
579000
2000
e fatto capire che stavamo sulla strada giusta.
09:56
So if I zoom into that picture,
237
581000
2000
Ora ingrandisco questa immagine
09:58
I can just show you what it means.
238
583000
2000
e vi mostro cosa rappresenta.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Separiamo le proteine -- da sinistra a destra
10:03
is the weight of the fragments that we're getting,
240
588000
3000
secondo il peso dei frammenti che abbiamo.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
E dall'alto al basso secondo la viscosità.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Ingrandisco questa parte per mostrarvene un pezzettino.
10:12
And so each of these lines
243
597000
2000
Ognuna di queste linee
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
rappresenta un segnale che proviene da una parte di proteina.
10:17
And you can see how the lines occur
245
602000
2000
Vedete che le linee sono radunate
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
in piccoli gruppi - bump bump bump.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Questo perché ne misuriamo il peso con tale precisione che --
10:26
carbon comes in different isotopes,
248
611000
2000
visto che il carbonio ha diversi isotopi,
10:28
so if it has an extra neutron on it,
249
613000
3000
se c'è un neutrone in più
10:31
we actually measure it as a different chemical.
250
616000
4000
lo rileviamo come una molecola diversa.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
In effetti riusciamo a misurare ogni diverso isotopo.
10:38
And so that gives you an idea
252
623000
3000
Questo vi dà un'idea
10:41
of how exquisitely sensitive this is.
253
626000
2000
del grado di accuratezza del metodo.
10:43
So seeing this picture
254
628000
2000
Vedere questa immagine
10:45
is sort of like getting to be Galileo
255
630000
2000
è un po' essere come Galileo
10:47
and looking at the stars
256
632000
2000
che guardava le stelle
10:49
and looking through the telescope for the first time,
257
634000
2000
per la prima volta attraverso il telescopio
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
e d'un tratto viene da dire "Caspita, è molto più complicato di quanto pensassimo"
10:54
But we can see that stuff out there
259
639000
2000
Però noi siamo in grado di osservare tutto ciò
10:56
and actually see features of it.
260
641000
2000
e anche le diverse caratteristiche.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Questa è l'impronta digitale in cui cerchiamo di individuare delle strutture.
11:01
So what we do with this
262
646000
2000
Quello che possiamo fare
11:03
is, for example, we can look at two patients,
263
648000
2000
è, ad esempio, esaminare due pazienti,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
uno che reagisce a un medicinale e l'altro no,
11:08
and ask, "What's going on differently
265
653000
2000
e chiederci "Cosa avviene di diverso
11:10
inside of them?"
266
655000
2000
in ognuno di loro?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
E possiamo effettuare delle misurazioni con una tale precisione
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
da poter sovrapporre gli schemi dei due pazienti e vedere le differenze.
11:18
So here we have Alice in green
269
663000
2000
Qui osserviamo Alice in verde
11:20
and Bob in red.
270
665000
2000
e Bob in rosso.
11:22
We overlay them. This is actual data.
271
667000
3000
Li sovrapponiamo. Sono dati reali.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
E vedete, per la maggior parte coincidono (l'area gialla),
11:28
but there's some things that just Alice has
273
673000
2000
ma ci sono alcune caratteristiche che ha solo Alice
11:30
and some things that just Bob has.
274
675000
2000
ed altre che ha solo Bob.
11:32
And if we find a pattern of things
275
677000
3000
E se troviamo uno schema che si ripete
11:35
of the responders to the drug,
276
680000
3000
in coloro che reagiscono al farmaco
11:38
we see that in the blood,
277
683000
2000
vediamo che nel sangue
11:40
they have the condition
278
685000
2000
hanno una caratteristica
11:42
that allows them to respond to this drug.
279
687000
2000
che permette loro di reagire a questo farmaco.
11:44
We might not even know what this protein is,
280
689000
2000
Magari non sappiamo nemmeno di quale proteina si tratti,
11:46
but we can see it's a marker
281
691000
2000
ma vediamo che è un indice (marker)
11:48
for the response to the disease.
282
693000
2000
della risposta alla malattia.
11:53
So this already, I think,
283
698000
2000
E già questo credo
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
sia enormemente utile per tutti i settori della medicina.
11:58
But I think this is actually
285
703000
2000
Ma credo che questo sia
12:00
just the beginning
286
705000
2000
solo l'inizio
12:02
of how we're going to treat cancer.
287
707000
2000
del modo in cui affronteremo il cancro.
12:04
So let me move to cancer.
288
709000
2000
Allora parliamo del cancro.
12:06
The thing about cancer --
289
711000
2000
Il fatto è che di cancro,
12:08
when I got into this,
290
713000
2000
quando ho iniziato
12:10
I really knew nothing about it,
291
715000
2000
non sapevo proprio niente,
12:12
but working with David Agus,
292
717000
2000
ma lavorando con David Agus
12:14
I started watching how cancer was actually being treated
293
719000
3000
ho iniziato a osservare come viene curato
12:17
and went to operations where it was being cut out.
294
722000
3000
e ho assistito ad operazioni in cui veniva asportato.
12:20
And as I looked at it,
295
725000
2000
E mentre osservavo,
12:22
to me it didn't make sense
296
727000
2000
per me non aveva senso
12:24
how we were approaching cancer,
297
729000
2000
quel modo di trattare il cancro.
12:26
and in order to make sense of it,
298
731000
3000
Affinché avesse un senso
12:29
I had to learn where did this come from.
299
734000
3000
dovevo apprendere cosa avesse portato a questo.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Stiamo gestendo il cancro quasi come una malattia infettiva.
12:36
We're treating it as something that got inside of you
301
741000
2000
Lo stiamo trattando come qualcosa che entra dentro il corpo
12:38
that we have to kill.
302
743000
2000
e che dobbiamo eliminare.
12:40
So this is the great paradigm.
303
745000
2000
Questo è il grande paradigma.
12:42
This is another case
304
747000
2000
Questo è un altro caso
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
in cui un paradigma teorico in biologia ha funzionato davvero --
12:46
was the germ theory of disease.
306
751000
3000
la teoria dei germi nelle malattie.
12:49
So what doctors are mostly trained to do
307
754000
2000
Quello che i medici sanno fare
12:51
is diagnose --
308
756000
2000
è diagnosticare --
12:53
that is, put you into a category
309
758000
2000
cioè collocarvi in una categoria --
12:55
and apply a scientifically proven treatment
310
760000
2000
e applicare una cura scientificamente provata
12:57
for that diagnosis --
311
762000
2000
per quella diagnosi.
12:59
and that works great for infectious diseases.
312
764000
3000
Funziona benissimo con le malattie infettive.
13:02
So if we put you in the category
313
767000
2000
Se vi mettiamo nella categoria
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
dei sifilitici, possiamo darvi la penicillina.
13:07
We know that that works.
315
772000
2000
Sappiamo che funziona.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Se avete la malaria, vi diamo il chinino,
13:11
or some derivative of it.
317
776000
2000
o un suo derivato.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Queste sono le cose fondamentali che i medici sanno fare.
13:16
and it's miraculous
319
781000
2000
Ed è miracoloso
13:18
in the case of infectious disease --
320
783000
3000
nel caso delle malattie infettive --
13:21
how well it works.
321
786000
2000
come ciò funzioni bene.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Molti di voi probabilmente non sarebbero vivi
13:26
if doctors didn't do this.
323
791000
2000
se i medici non facessero così.
13:28
But now let's apply that
324
793000
2000
Ma applichiamo questo schema
13:30
to systems diseases like cancer.
325
795000
2000
a malattie sistemiche come il cancro.
13:32
The problem is that, in cancer,
326
797000
2000
Il problema è che, nel cancro,
13:34
there isn't something else
327
799000
2000
non c'è un corpo estraneo
13:36
that's inside of you.
328
801000
2000
all'interno dell'organismo.
13:38
It's you; you're broken.
329
803000
2000
Siete voi che non funzionate.
13:40
That conversation inside of you
330
805000
4000
Quella conversazione dentro di voi
13:44
got mixed up in some way.
331
809000
2000
si è in qualche modo ingarbugliata.
13:46
So how do we diagnose that conversation?
332
811000
2000
Come facciamo a diagnosticare quella conversazione?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Beh attualmente la separiamo secondo la parte del corpo
13:51
you know, where did it appear? --
334
816000
3000
in cui è comparsa
13:54
and we put you in different categories
335
819000
2000
e vi collochiamo in diverse categorie
13:56
according to the part of the body.
336
821000
2000
a seconda della parte del corpo interessata.
13:58
And then we do a clinical trial
337
823000
2000
Poi facciamo una sperimentazione clinica
14:00
for a drug for lung cancer
338
825000
2000
di un farmaco per il tumore al polmone
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
uno per il cancro della prostata e uno per quello della mammella,
14:05
and we treat these as if they're separate diseases
340
830000
3000
e li trattiamo come se fossero malattie diverse
14:08
and that this way of dividing them
341
833000
2000
e come se questa maniera di dividerli
14:10
had something to do with what actually went wrong.
342
835000
2000
avesse a che fare con quello che non ha funzionato.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Ovviamente, in effetti non ha molto a che fare
14:14
with what went wrong
344
839000
2000
con quello che non ha funzionato.
14:16
because cancer is a failure of the system.
345
841000
3000
Perché il cancro è un'avaria del sistema.
14:19
And in fact, I think we're even wrong
346
844000
2000
Infatti, penso che già sbagliamo
14:21
when we talk about cancer as a thing.
347
846000
3000
a parlare del cancro come di una cosa.
14:24
I think this is the big mistake.
348
849000
2000
Credo che questo sia il grande sbaglio.
14:26
I think cancer should not be a noun.
349
851000
4000
Penso che cancro non dovrebbe essere un nome.
14:30
We should talk about cancering
350
855000
2000
Dovremmo parlare di "cancerizzare"
14:32
as something we do, not something we have.
351
857000
3000
come di una cosa che facciamo, non che abbiamo.
14:35
And so those tumors,
352
860000
2000
E quei tumori
14:37
those are symptoms of cancer.
353
862000
2000
sono sintomi del cancro.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Il vostro corpo probabilmente cancerizza continuamente.
14:42
but there are lots of systems in your body
355
867000
3000
Ma ci sono molti sistemi nel vostro corpo
14:45
that keep it under control.
356
870000
2000
che lo tengono sotto controllo.
14:47
And so to give you an idea
357
872000
2000
Per darvi un'idea
14:49
of an analogy of what I mean
358
874000
2000
di una analogia di quello che intendo
14:51
by thinking of cancering as a verb,
359
876000
3000
pensando al cancro come a un verbo,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
immaginate che non sappiamo nulla di impianti idraulici,
14:57
and the way that we talked about it,
361
882000
2000
né del gergo tecnico specifico,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
ad esempio tornando a casa e trovando una perdita in cucina
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
diremmo "Casa mia ha l'acqua"
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
La potremmo localizzare -- l'idraulico direbbe "Dove è l'acqua?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"E' in cucina" "Oh, allora avete l'acqua di cucina"
15:12
That's kind of the level at which it is.
366
897000
3000
Questo è più o meno il livello a cui siamo.
15:15
"Kitchen water,
367
900000
2000
"Acqua di cucina?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Prima di tutto, andremmo lì a asciugarne un bel po'.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Poi sappiamo che se spruzziamo un prodotto chimico in tutta la cucina
15:22
that helps.
370
907000
3000
andrà meglio.
15:25
Whereas living room water,
371
910000
2000
Mentre invece l'acqua del soggiorno
15:27
it's better to do tar on the roof."
372
912000
2000
si può rimediare col catrame sul tetto".
15:29
And it sounds silly,
373
914000
2000
Sembra sciocco,
15:31
but that's basically what we do.
374
916000
2000
ma è praticamente quello che facciamo.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
E non dico che non dobbiate asciugare la vostra acqua se avete il cancro.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Sto dicendo che il vero problema non è quello;
15:39
that's the symptom of the problem.
377
924000
2000
quello è il sintomo del problema.
15:41
What we really need to get at
378
926000
2000
Ciò che dobbiamo davvero comprendere
15:43
is the process that's going on,
379
928000
2000
è il processo che sta avvenendo,
15:45
and that's happening at the level
380
930000
2000
e questo avviene a livello
15:47
of the proteonomic actions,
381
932000
2000
delle intrerazioni proteomiche,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
avviene al livello del perché il vostro corpo non si autoguarisce
15:52
in the way that it normally does?
383
937000
2000
nel modo in cui lo di solito.
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Perché di solito il corpo ha sempre a che fare con questo problema.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
La vostra casa ha sempre delle perdite.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Ma le ripara. Le scarica in fognatura eccetera.
16:04
So what we need
387
949000
3000
Quello che ci serve
16:07
is to have a causative model
388
952000
4000
è un modello causale
16:11
of what's actually going on,
389
956000
2000
di quello che accade davvero.
16:13
and proteomics actually gives us
390
958000
3000
E la proteomica ci dà proprio
16:16
the ability to build a model like that.
391
961000
3000
la capacità di costruire un tale modello.
16:19
David got me invited
392
964000
2000
David mi invitò
16:21
to give a talk at National Cancer Institute
393
966000
2000
a tenere un discorso al National Cancer Institute
16:23
and Anna Barker was there.
394
968000
3000
e c'era anche Anna Barker.
16:27
And so I gave this talk
395
972000
2000
Così io tenni questo discorso
16:29
and said, "Why don't you guys do this?"
396
974000
3000
e domandai "Perché voi non fate così?"
16:32
And Anna said,
397
977000
2000
E Anna disse
16:34
"Because nobody within cancer
398
979000
3000
"Perché nessun oncologo
16:37
would look at it this way.
399
982000
2000
la vedrebbe in questo modo.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Quello che faremo, è creare un programma
16:42
for people outside the field of cancer
401
987000
2000
per persone esterne a questo campo
16:44
to get together with doctors
402
989000
2000
in modo che insieme a medici
16:46
who really know about cancer
403
991000
3000
davvero competenti sul cancro
16:49
and work out different programs of research."
404
994000
4000
sviluppino diversi programmi di ricerca."
16:53
So David and I applied to this program
405
998000
2000
David ed io chiedemmo di partecipare a questo programma
16:55
and created a consortium
406
1000000
2000
e creammo un consorzio
16:57
at USC
407
1002000
2000
alla USC
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
dove collaboriamo con alcuni tra i migliori oncologi
17:02
and some of the best biologists in the world,
409
1007000
3000
e biologi del mondo,
17:05
from Cold Spring Harbor,
410
1010000
2000
da Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
Stanford, Austin --
17:09
I won't even go through and name all the places --
412
1014000
3000
non starò a nominare tutti i posti --
17:12
to have a research project
413
1017000
3000
per un programma di ricerca
17:15
that will last for five years
414
1020000
2000
che durerà 5 anni
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
dove cercheremo davvero di costruire un modello del cancro come questo.
17:20
We're doing it in mice first,
416
1025000
2000
Inizialmente stiamo facendo esperimenti sui topi.
17:22
and we will kill a lot of mice
417
1027000
2000
E uccideremo molti topi
17:24
in the process of doing this,
418
1029000
2000
durante questo processo,
17:26
but they will die for a good cause.
419
1031000
2000
ma moriranno per una buona causa.
17:28
And we will actually try to get to the point
420
1033000
3000
E cercheremo davvero di arrivare al punto
17:31
where we have a predictive model
421
1036000
2000
in cui avremo un modello predittivo
17:33
where we can understand,
422
1038000
2000
con cui potremo capire,
17:35
when cancer happens,
423
1040000
2000
quando c'è il cancro
17:37
what's actually happening in there
424
1042000
2000
che cosa accade davvero nell'organismo
17:39
and which treatment will treat that cancer.
425
1044000
3000
e quale trattamento guarirà quel cancro.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Permettetemi di finire con una piccola immagine
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
di quello che penso sarà la cura del cancro in futuro.
17:48
So I think eventually,
428
1053000
2000
Penso che alla fine
17:50
once we have one of these models for people,
429
1055000
2000
quando disporremo di uno di questi modelli per le persone,
17:52
which we'll get eventually --
430
1057000
2000
che alla fine avremo --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
voglio dire, il nostro gruppo non arriverà fino in fondo --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
ma alla fine si riuscirà a disporre di un modello computerizzato molto buono --
17:59
sort of like a global climate model for weather.
433
1064000
3000
un po' come il modello climatico globale per la meterologia.
18:02
It has lots of different information
434
1067000
3000
Disporrà di moltissime informazioni diverse
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
sul processo di questa conversazione proteomica
18:08
on many different scales.
436
1073000
2000
e a diversi livelli.
18:10
And so we will simulate
437
1075000
2000
Così potremo fare simulazioni
18:12
in that model
438
1077000
2000
con quel modello
18:14
for your particular cancer --
439
1079000
3000
per una particolare forma di cancro --
18:17
and this also will be for ALS,
440
1082000
2000
e sarà così anche per la SLA,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
o per ogni tipo di malattie sistemiche neurodegenerative,
18:22
things like that --
442
1087000
2000
e simili --
18:24
we will simulate
443
1089000
2000
faremo simulazioni
18:26
specifically you,
444
1091000
2000
su misura per ognuno,
18:28
not just a generic person,
445
1093000
2000
non per una persona generica,
18:30
but what's actually going on inside you.
446
1095000
2000
ma vedremo quello che sta accadendo realmente dentro di voi.
18:32
And in that simulation, what we could do
447
1097000
2000
E con quella simulazione, quello che potremo fare
18:34
is design for you specifically
448
1099000
2000
sarà progettare specificamente per voi
18:36
a sequence of treatments,
449
1101000
2000
una sequenza di trattamenti,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
potrebbero essere cure molto blande, piccolissime quantità di farmaci.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Potrebbe essere ad esempio, digiunare in un certo giorno,
18:44
or give them a little chemotherapy,
452
1109000
2000
o fare una leggera chemioterapia,
18:46
maybe a little radiation.
453
1111000
2000
magari un po' di radiazioni.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Naturalmente, a volte ci sarà bisogno della chirurgia, e così via.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Ma progetteremo un programma di trattamenti solo per voi
18:54
and help your body
456
1119000
3000
e aiuteremo il vostro corpo
18:57
guide back to health --
457
1122000
3000
a tornare in salute --
19:00
guide your body back to health.
458
1125000
2000
ricondurlo al benessere.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Poiché sarà il vostro corpo a fare la maggior parte del lavoro di riparazione
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
se solo noi lo rinforziamo nelle parti che non funzionano bene.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Un po' come inserire dei supporti ortopedici.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Il vostro corpo dispone di un sacco di meccanismi
19:13
for fixing cancer,
463
1138000
2000
per guarire il cancro,
19:15
and we just have to prop those up in the right way
464
1140000
3000
dobbiamo solo dargli i rinforzi appropriati
19:18
and get them to do the job.
465
1143000
2000
per permettergli di lavorare.
19:20
And so I believe that this will be the way
466
1145000
2000
Credo che questo sarà il modo
19:22
that cancer will be treated in the future.
467
1147000
2000
in cui il cancro sarà trattato in futuro.
19:24
It's going to require a lot of work,
468
1149000
2000
Richiederà molto lavoro,
19:26
a lot of research.
469
1151000
2000
molta ricerca.
19:28
There will be many teams like our team
470
1153000
3000
Ci saranno molte squadre come la nostra
19:31
that work on this.
471
1156000
2000
a lavorare per questo obiettivo.
19:33
But I think eventually,
472
1158000
2000
Ma credo che alla fine
19:35
we will design for everybody
473
1160000
2000
saremo in grado di programmare per chiunque
19:37
a custom treatment for cancer.
474
1162000
4000
un trattamento personalizzato per il cancro.
19:41
So thank you very much.
475
1166000
2000
Molte grazie.
19:43
(Applause)
476
1168000
6000
(Applausi)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com