ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com
TED2016

Riccardo Sabatini: How to read the genome and build a human being

Riccardo Sabatini: Come leggere il genoma e costruire un essere umano

Filmed:
1,834,677 views

I segreti, le malattie e la bellezza sono tutti racchiusi nel genoma umano, la serie completa di istruzioni genetiche che servono per costruire un essere umano. Ora, come ci mostra lo scienziato e imprenditore Riccardo Sabatini, abbiamo il potere di leggere questo complesso codice, riuscendo a prevedere cose come l'altezza, il colore degli occhi, l'età ed anche la struttura facciale - tutto a partire da una fialetta di sangue. E presto, dice Sabatini, la nostra nuove conoscenze sul genoma ci permetterà di personalizzare le cure per malattie come il cancro. Abbiamo il potere di cambiare la vita così come l'abbiamo sempre conosciuta. Come lo useremo?
- Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio

Double-click the English transcript below to play the video.

Nei prossimi 16 minuti,
vi condurrò in un viaggio
00:12
For the nextIl prossimo 16 minutesminuti,
I'm going to take you on a journeyviaggio
0
612
2762
che è probabilmente
il più grande sogno dell'umanità:
00:15
that is probablyprobabilmente
the biggestmaggiore dreamsognare of humanityumanità:
1
3398
3086
comprendere il codice della vita.
00:18
to understandcapire the codecodice of life.
2
6508
2015
Per me tutto iniziò molti anni fa,
00:21
So for me, everything startediniziato
manymolti, manymolti yearsanni agofa
3
9072
2743
quando incontrai la prima stampante 3D.
00:23
when I metincontrato the first 3D printerstampante.
4
11839
2723
Il concetto era affascinante.
00:26
The conceptconcetto was fascinatingaffascinante.
5
14586
1674
00:28
A 3D printerstampante needsesigenze threetre elementselementi:
6
16284
2022
A una stampante 3D bastano tre elementi
00:30
a bitpo of informationinformazione, some
rawcrudo materialMateriale, some energyenergia,
7
18330
4134
- un po' di informazione, un po'
di materia prima e un po' di energia -
00:34
and it can produceprodurre any objectoggetto
that was not there before.
8
22488
3334
per creare qualsiasi oggetto
prima inesistente.
Studiavo fisica,
e mentre tornavo a casa
00:38
I was doing physicsfisica,
I was comingvenuta back home
9
26517
2137
mi resi conto che in realtà
avevo sempre conosciuto una stampante 3D.
00:40
and I realizedrealizzato that I actuallyin realtà
always knewconosceva a 3D printerstampante.
10
28678
3438
Tutti la conoscono.
00:44
And everyonetutti does.
11
32140
1336
Era mia mamma.
00:45
It was my mommamma.
12
33500
1158
(Risate)
00:46
(LaughterRisate)
13
34682
1001
Mia mamma ha usato tre elementi:
00:47
My mommamma takes threetre elementselementi:
14
35707
2414
00:50
a bitpo of informationinformazione, whichquale is betweenfra
my fatherpadre and my mommamma in this casecaso,
15
38145
3973
un po' di informazione, in questo caso
sia sua che di mio padre,
00:54
rawcrudo elementselementi and energyenergia
in the samestesso mediamedia, that is foodcibo,
16
42142
4157
materia prima ed energia
nello stesso supporto, cioè cibo,
00:58
and after severalparecchi monthsmesi, producesproduce me.
17
46323
2508
e dopo qualche mese produce me.
Che non esistevo prima.
01:00
And I was not existentesistente before.
18
48855
1812
Quindi al di là dello shock di mia madre
01:02
So aparta parte from the shockshock of my mommamma
discoveringscoprire that she was a 3D printerstampante,
19
50691
3762
quando ha scoperto
di essere una stampante 3D,
01:06
I immediatelysubito got mesmerizedipnotizzato
by that piecepezzo,
20
54477
4738
sono stato catturato
fin da subito dal primo elemento,
01:11
the first one, the informationinformazione.
21
59239
1717
l'informazione.
01:12
What amountquantità of informationinformazione does it take
22
60980
2251
Quanta informazione serve per creare
e assemblare un essere umano?
01:15
to buildcostruire and assemblemontare a humanumano?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
Ne serve tanta? Ne basta poca?
01:18
How manymolti thumbpollice drivesunità can you fillriempire?
25
66813
2180
Quante chiavette USB potremmo riempire?
01:21
Well, I was studyingstudiando physicsfisica
at the beginninginizio
26
69017
2624
All'inizio delle ricerca
stavo ancora studiando fisica
01:23
and I tookha preso this approximationapprossimazione of a humanumano
as a giganticgigantesco LegoLEGO piecepezzo.
27
71665
5597
e ho approssimato un essere umano
a un gigantesco pezzo di Lego.
01:29
So, imagineimmaginare that the buildingcostruzione
blocksblocchi are little atomsatomi
28
77286
3785
Immaginate che i mattoni da costruzione
siano piccoli atomi:
un idrogeno qui,
un carbonio qui, un azoto qui.
01:33
and there is a hydrogenidrogeno here,
a carboncarbonio here, a nitrogenazoto here.
29
81095
4653
01:37
So in the first approximationapprossimazione,
30
85772
1571
Come prima approssimazione,
se riesco ad elencare il numero di atomi
che compongono un essere umano,
01:39
if I can listelenco the numbernumero of atomsatomi
that composecomporre a humanumano beingessere,
31
87367
4343
lo posso costruire.
01:43
I can buildcostruire it.
32
91734
1387
01:45
Now, you can runcorrere some numbersnumeri
33
93145
2029
Se fate due conti,
il numero che viene fuori
è strabiliante.
01:47
and that happensaccade to be
quiteabbastanza an astonishingstupefacente numbernumero.
34
95198
3277
01:50
So the numbernumero of atomsatomi,
35
98499
2757
Il numero di atomi,
il file che salverò sulla penna USB
per assemblare un bebè,
01:53
the filefile that I will savesalvare in my thumbpollice
driveguidare to assemblemontare a little babybambino,
36
101280
4755
01:58
will actuallyin realtà fillriempire an entireintero TitanicTitanic
of thumbpollice drivesunità --
37
106059
4667
riempirebbe un intero Titanic
di chiavette --
02:02
multipliedmoltiplicata 2,000 timesvolte.
38
110750
2718
moltiplicato per 2.000.
02:05
This is the miraclemiracolo of life.
39
113957
3401
Questo è il miracolo della vita.
D'ora in poi, davanti
a una donna incinta, notatelo:
02:09
EveryOgni time you see from now on
a pregnantincinta ladysignora,
40
117382
2612
02:12
she's assemblingassemblaggio the biggestmaggiore
amountquantità of informationinformazione
41
120018
2856
sta assemblando la più grande mole di dati
02:14
that you will ever encounterincontrare.
42
122898
1556
che abbiate mai incontrato.
02:16
ForgetDimenticate biggrande datadati, forgetdimenticare
anything you heardsentito of.
43
124478
2950
Dimenticate i big data,
e qualsiasi cosa abbiate mai sentito.
02:19
This is the biggestmaggiore amountquantità
of informationinformazione that existsesiste.
44
127452
2881
È questa la più grande quantità
di informazione che esista.
02:22
(ApplauseApplausi)
45
130357
3833
(Applausi)
02:26
But naturenatura, fortunatelyfortunatamente, is much smarterpiù intelligente
than a younggiovane physicistfisico,
46
134214
4644
Ma la natura, per fortuna,
è molto più intelligente
di un giovane fisico,
e in 4 miliardi di anni è riuscita
a concentrare questa informazione
02:30
and in fourquattro billionmiliardo yearsanni, managedgestito
to packpacco this informationinformazione
47
138882
3576
in un piccolo cristallo,
che chiamiamo DNA.
02:34
in a smallpiccolo crystalcristallo we call DNADNA.
48
142482
2705
L'abbiamo visto per la prima volta
nel 1950, quando Rosalind Franklin,
02:37
We metincontrato it for the first time in 1950
when RosalindRosalind FranklinFranklin,
49
145605
4312
una brillante scienziata, lo fotografò.
02:41
an amazingStupefacente scientistscienziato, a womandonna,
50
149941
1556
02:43
tookha preso a pictureimmagine of it.
51
151521
1389
Ma abbiamo impiegato più di 40 anni
02:44
But it tookha preso us more than 40 yearsanni
to finallyfinalmente pokepoke insidedentro a humanumano cellcellula,
52
152934
5188
per poter finalmente curiosare
dentro una cellula umana,
estrarre il cristallo,
srotolarlo e leggerlo per la prima volta.
02:50
take out this crystalcristallo,
53
158146
1602
02:51
unrollSrotolare it, and readleggere it for the first time.
54
159772
3080
Il codice si è rivelato
un alfabeto piuttosto semplice,
02:55
The codecodice comesviene out to be
a fairlyabbastanza simplesemplice alphabetalfabeto,
55
163615
3241
composto da quattro lettere:
A, T, C e G.
02:58
fourquattro letterslettere: A, T, C and G.
56
166880
3772
Per costruire un essere umano,
ne servono tre miliardi.
03:02
And to buildcostruire a humanumano,
you need threetre billionmiliardo of them.
57
170676
3490
Tre miliardi.
03:06
ThreeTre billionmiliardo.
58
174933
1179
Quanti sono tre miliardi?
03:08
How manymolti are threetre billionmiliardo?
59
176136
1579
Non ha alcun senso come numero, vero?
03:09
It doesn't really make
any sensesenso as a numbernumero, right?
60
177739
2762
Stavo pensando a un modo
di comunicare meglio,
03:12
So I was thinkingpensiero how
I could explainspiegare myselfme stessa better
61
180525
4085
di farvi capire quando enorme
sia questo codice.
03:16
about how biggrande and enormousenorme this codecodice is.
62
184634
3050
Ma c'è un modo -- capiamoci,
mi servirà un po' di aiuto,
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
e la persona perfetta per aiutarmi
a presentarvi il codice
03:22
and the bestmigliore personpersona to help me
introduceintrodurre the codecodice
64
190786
3227
è il primo uomo che l'ha sequenziato,
Dr. Craig Venter.
03:26
is actuallyin realtà the first man
to sequencesequenza it, DrDr. CraigCraig VenterVenter.
65
194037
3522
Benvenuto sul palco, Dr. Craig Venter.
03:29
So welcomebenvenuto onstagesul palco, DrDr. CraigCraig VenterVenter.
66
197583
3390
(Applausi)
03:32
(ApplauseApplausi)
67
200997
6931
03:39
Not the man in the fleshcarne,
68
207952
2256
Non l'uomo in carne e ossa:
per la prima volta nella storia,
03:43
but for the first time in historystoria,
69
211448
2345
questo è il genoma di uno specifico uomo,
03:45
this is the genomegenoma of a specificspecifica humanumano,
70
213817
3462
stampato pagina per pagina,
lettera per lettera:
03:49
printedstampato page-by-pagepagina per pagina, letter-by-letterlettera per lettera:
71
217303
3760
262.000 pagine di informazioni,
03:53
262,000 pagespagine of informationinformazione,
72
221087
3996
450 chili, spediti dagli Stati Uniti
al Canada
03:57
450 kilogramschilogrammi, shippedspediti
from the UnitedUniti d'America StatesStati to CanadaCanada
73
225107
4364
grazie a Bruno Bowden, Lulu.com,
una start-up, che ha fatto tutto.
04:01
thanksGrazie to BrunoBruno BowdenBowden,
LuluLulu.comcom, a start-upStart-up, did everything.
74
229495
4843
È stata un'impresa incredibile.
04:06
It was an amazingStupefacente featfeat.
75
234362
1463
Ma questa è la percezione visiva
di ciò che è il codice della vita.
04:07
But this is the visualvisivo perceptionpercezione
of what is the codecodice of life.
76
235849
4297
Ora, per la prima volta,
posso fare una cosa divertente:
04:12
And now, for the first time,
I can do something fundivertimento.
77
240170
2478
curiosarci dentro e leggerlo.
04:14
I can actuallyin realtà pokepoke insidedentro it and readleggere.
78
242672
2547
Prendiamo un libro interessante...
questo, per esempio.
04:17
So let me take an interestinginteressante
booklibro ... like this one.
79
245243
4625
Ho messo una nota:
è un libro piuttosto grande.
04:25
I have an annotationannotazione;
it's a fairlyabbastanza biggrande booklibro.
80
253077
2534
Ma è per farvi vedere
cos'è il codice della vita:
04:27
So just to let you see
what is the codecodice of life.
81
255635
3727
migliaia e migliaia e migliaia
04:32
ThousandsMigliaia and thousandsmigliaia and thousandsmigliaia
82
260566
3391
e milioni di lettere.
04:35
and millionsmilioni of letterslettere.
83
263981
2670
Che all'apparenza non hanno alcun senso.
04:38
And they apparentlyapparentemente make sensesenso.
84
266675
2396
Andiamo a un punto specifico.
04:41
Let's get to a specificspecifica partparte.
85
269095
1757
Ve la leggo:
04:43
Let me readleggere it to you:
86
271571
1362
(Risate)
04:44
(LaughterRisate)
87
272957
1021
"AAG, AAT, ATA."
04:46
"AAGAAG, AATAAT, ATAATA."
88
274002
4006
Per voi queste lettere
non hanno alcun senso,
04:50
To you it soundssuoni like mutemuto letterslettere,
89
278965
2067
ma questa sequenza
dà a Craig il colore degli occhi.
04:53
but this sequencesequenza gives
the colorcolore of the eyesocchi to CraigCraig.
90
281056
4041
Vi mostrerò un'altra parte del libro.
04:57
I'll showmostrare you anotherun altro partparte of the booklibro.
91
285633
1932
Questo è un po' più complicato, in realtà.
04:59
This is actuallyin realtà a little
more complicatedcomplicato.
92
287589
2094
Cromosoma 14, libro 132:
05:02
ChromosomeCromosoma 14, booklibro 132:
93
290983
2647
(Risate)
05:05
(LaughterRisate)
94
293654
2090
Come forse vi aspettavate.
05:07
As you mightpotrebbe expectaspettarsi.
95
295768
1277
05:09
(LaughterRisate)
96
297069
3466
(Risate)
"ATT, CTT, GATT."
05:14
"ATTATT, CTTCTT, GATTGATT."
97
302857
4507
Questo essere umano è fortunato,
05:20
This humanumano is luckyfortunato,
98
308329
1687
perché se mancassero solo
due lettere, in questo punto --
05:22
because if you missPerdere just
two letterslettere in this positionposizione --
99
310040
4517
due lettere su tre miliardi --
05:26
two letterslettere of our threetre billionmiliardo --
100
314581
1877
sarebbe condannato
ad una terribile malattia:
05:28
he will be condemnedcondannato
to a terribleterribile diseasemalattia:
101
316482
2019
fibrosi cistica.
05:30
cysticcistico fibrosisfibrosi.
102
318525
1440
Non esiste una cura,
non sappiamo come curarla,
05:31
We have no curecura for it,
we don't know how to solverisolvere it,
103
319989
3413
e bastano due lettere
a fare tutta la differenza.
05:35
and it's just two letterslettere
of differencedifferenza from what we are.
104
323426
3755
Un libro bellissimo, potente,
05:39
A wonderfulmeraviglioso booklibro, a mightypossente booklibro,
105
327585
2705
05:43
a mightypossente booklibro that helpedaiutato me understandcapire
106
331115
1998
che mi ha aiutato a capire
e mostrarvi qualcosa di notevole.
05:45
and showmostrare you something quiteabbastanza remarkablenotevole.
107
333137
2753
Le lettere che identificano me,
e ognuno di voi,
05:48
EveryOgni one of you -- what makesfa
me, me and you, you --
108
336480
4435
sono solo 5 milioni circa,
05:52
is just about fivecinque millionmilione of these,
109
340939
2954
mezzo libro.
05:55
halfmetà a booklibro.
110
343917
1228
Per il resto,
05:58
For the restriposo,
111
346015
1663
siamo tutti assolutamente identici.
05:59
we are all absolutelyassolutamente identicalidentico.
112
347702
2562
500 pagine è il miracolo della vita
che solo voi siete.
06:03
FiveCinque hundredcentinaio pagespagine
is the miraclemiracolo of life that you are.
113
351008
4018
Il resto lo condividiamo tutti.
06:07
The restriposo, we all shareCondividere it.
114
355050
2531
Ripensateci, quando credete
di essere tanto speciali.
06:09
So think about that again
when we think that we are differentdiverso.
115
357605
2909
Questo è quanto abbiamo in comune.
06:12
This is the amountquantità that we shareCondividere.
116
360538
2221
Adesso che ho la vostra attenzione,
06:15
So now that I have your attentionAttenzione,
117
363441
3429
la prossima domanda è:
06:18
the nextIl prossimo questiondomanda is:
118
366894
1359
come lo leggo?
06:20
How do I readleggere it?
119
368277
1151
Come lo comprendo?
06:21
How do I make sensesenso out of it?
120
369452
1509
06:23
Well, for howeverperò good you can be
at assemblingassemblaggio SwedishSvedese furnituremobilia,
121
371409
4240
Per quanto bravi possiate essere
a montare mobili svedesi,
questo libretto delle istruzioni
è fuori dalla vostra portata.
06:27
this instructionistruzione manualManuale
is nothing you can crackcrepa in your life.
122
375673
3563
(Risate)
06:31
(LaughterRisate)
123
379260
1603
Quindi nel 2014, due famosi TEDster,
06:32
And so, in 2014, two famousfamoso TEDstersTed,
124
380887
3112
Peter Diamandis e lo stesso Craig Venter,
06:36
PeterPeter DiamandisDiamandis and CraigCraig VenterVenter himselflui stesso,
125
384023
2540
decisero di creare una nuova azienda.
06:38
decideddeciso to assemblemontare a newnuovo companyazienda.
126
386587
1927
Nacque Human Longevity,
con una missione:
06:40
HumanUmano LongevityLongevità was bornNato,
127
388538
1412
06:41
with one missionmissione:
128
389974
1370
fare tutto il possibile
06:43
tryingprovare everything we can try
129
391368
1861
e imparare il massimo possibile
da questi libri,
06:45
and learningapprendimento everything
we can learnimparare from these bookslibri,
130
393253
2759
con un obiettivo --
06:48
with one targetbersaglio --
131
396036
1705
realizzare il sogno
della medicina personalizzata,
06:50
makingfabbricazione realvero the dreamsognare
of personalizedpersonalizzato medicinemedicina,
132
398862
2801
capire cosa bisognerebbe fare
per migliorare la salute
06:53
understandingcomprensione what things
should be donefatto to have better healthSalute
133
401687
3767
e quali sono i segreti di questi libri.
06:57
and what are the secretssegreti in these bookslibri.
134
405478
2283
Un'incredibile squadra, 40 analisti
dei dati e molte altre persone
07:00
An amazingStupefacente teamsquadra, 40 datadati scientistsscienziati
and manymolti, manymolti more people,
135
408329
4250
con cui è bello lavorare.
07:04
a pleasurepiacere to work with.
136
412603
1350
Il concetto è, in realtà, molto semplice.
07:05
The conceptconcetto is actuallyin realtà very simplesemplice.
137
413977
2253
Useremo una tecnologia
chiamata apprendimento automatico.
07:08
We're going to use a technologytecnologia
calledchiamato machinemacchina learningapprendimento.
138
416254
3158
07:11
On one sidelato, we have genomesgenomi --
thousandsmigliaia of them.
139
419436
4539
Da un lato ci sono
i genomi -- a migliaia.
Dall'altro abbiamo collezionato
il più grande database di esseri umani:
07:15
On the other sidelato, we collectedraccolto
the biggestmaggiore databaseBanca dati of humanumano beingsesseri:
140
423999
3997
fenotipi, scansione 3D, NMR --
tutto ciò che vi viene in mente.
07:20
phenotypesfenotipi, 3D scanscansione, NMRNMR --
everything you can think of.
141
428020
4296
Lì dentro, ai due estremi,
07:24
InsideAll'interno there, on these two oppositedi fronte sideslati,
142
432340
2899
c'è il segreto della traduzione.
07:27
there is the secretsegreto of translationtraduzione.
143
435263
2442
Nel mezzo costruiamo la macchina.
07:29
And in the middlein mezzo, we buildcostruire a machinemacchina.
144
437729
2472
Costruiamo una macchina
e alleniamo la macchina
07:32
We buildcostruire a machinemacchina
and we traintreno a machinemacchina --
145
440801
2385
- beh, non proprio una:
molte, molte macchine -
07:35
well, not exactlydi preciso one machinemacchina,
manymolti, manymolti machinesmacchine --
146
443210
3210
per capire e tradurre
il genoma in un fenotipo.
07:38
to try to understandcapire and translatetradurre
the genomegenoma in a phenotypefenotipo.
147
446444
4544
Cosa sono quelle lettere,
e cosa fanno.
07:43
What are those letterslettere,
and what do they do?
148
451362
3340
È un metodo che può essere usato
per qualsiasi cosa,
07:46
It's an approachapproccio that can
be used for everything,
149
454726
2747
ma applicarlo alla genomica
è particolarmente complicato.
07:49
but usingutilizzando it in genomicsgenomica
is particularlysoprattutto complicatedcomplicato.
150
457497
2993
07:52
Little by little we grewè cresciuto and we wanted
to buildcostruire differentdiverso challengessfide.
151
460514
3276
Piano piano siamo cresciuti
e cercavamo altre sfide.
Abbiamo cominciato dalle basi,
dai tratti comuni.
07:55
We startediniziato from the beginninginizio,
from commonComune traitstratti.
152
463814
2732
I tratti comuni sono semplici
perché sono comuni,
07:58
CommonComune traitstratti are comfortableconfortevole
because they are commonComune,
153
466570
2603
tutti li hanno.
08:01
everyonetutti has them.
154
469197
1184
Quindi abbiamo iniziato
a porci un po' di domande:
08:02
So we startediniziato to askChiedere our questionsle domande:
155
470405
2494
possiamo predire l'altezza?
08:04
Can we predictpredire heightaltezza?
156
472923
1380
Possiamo leggere quei libri
e predire l'altezza?
08:06
Can we readleggere the bookslibri
and predictpredire your heightaltezza?
157
474985
2177
In effetti si,
08:09
Well, we actuallyin realtà can,
158
477186
1151
con un margine di precisione
di 5 centimetri.
08:10
with fivecinque centimeterscentimetri of precisionprecisione.
159
478361
1793
08:12
BMIBMI is fairlyabbastanza connectedcollegato to your lifestylestile di vita,
160
480178
3135
L'IMC è abbastanza collegato
allo stile di vita,
ma ce la facciamo ancora, ci siamo vicini
con un margine di errore di 8 chili.
08:15
but we still can, we get in the ballparkcampo di baseball,
eightotto kilogramschilogrammi of precisionprecisione.
161
483337
3864
Il colore degli occhi?
08:19
Can we predictpredire eyeocchio colorcolore?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Sì, possiamo prevederlo.
Con una precisione dell'80%.
08:21
EightyOttanta percentper cento accuracyprecisione.
164
489662
1324
Possiamo predire il colore della pelle?
08:23
Can we predictpredire skinpelle colorcolore?
165
491466
1858
Sì, possiamo,
con una precisione dell'80%.
08:25
Yeah we can, 80 percentper cento accuracyprecisione.
166
493348
2441
Possiamo predire l'età?
08:27
Can we predictpredire ageetà?
167
495813
1340
Si, perché sembra che il codice
cambi nel corso della vita.
08:30
We can, because apparentlyapparentemente,
the codecodice changesi cambiamenti duringdurante your life.
168
498121
3739
Si accorcia, si perdono pezzi,
compaiono delle aggiunte.
08:33
It getsprende shorterpiù breve, you loseperdere piecespezzi,
it getsprende insertionsinserimenti.
169
501884
3282
08:37
We readleggere the signalssegnali, and we make a modelmodello.
170
505190
2555
Noi leggiamo i segnali
e creiamo un modello.
E ora una sfida interessante:
08:40
Now, an interestinginteressante challengesfida:
171
508438
1475
possiamo prevedere un volto umano?
08:41
Can we predictpredire a humanumano faceviso?
172
509937
1729
È un po' complicato,
08:45
It's a little complicatedcomplicato,
173
513014
1278
perché un volto umano è disperso
tra milioni di queste lettere.
08:46
because a humanumano faceviso is scatteredsparsi
amongtra millionsmilioni of these letterslettere.
174
514316
3191
E un volto umano
non è un oggetto ben definito.
08:49
And a humanumano faceviso is not
a very well-definedben definita objectoggetto.
175
517531
2629
Abbiamo dovuto quindi partire da zero
08:52
So, we had to buildcostruire an entireintero tierlivello of it
176
520184
2051
per capire come insegnare
alla macchina cos'è una faccia,
08:54
to learnimparare and teachinsegnare
a machinemacchina what a faceviso is,
177
522259
2710
e poi incorporare e compattare il codice.
08:56
and embedincorporare and compresscomprimere it.
178
524993
2037
Se conoscete un po'
l'apprendimento automatico,
08:59
And if you're comfortableconfortevole
with machinemacchina learningapprendimento,
179
527054
2248
potete immaginare
che genere di sfida sia stata.
09:01
you understandcapire what the challengesfida is here.
180
529326
2284
Adesso, dopo 15 anni -- 15 anni
dalla lettura della prima sequenza --
09:04
Now, after 15 yearsanni -- 15 yearsanni after
we readleggere the first sequencesequenza --
181
532108
5991
a ottobre abbiamo iniziato
a ricevere dei segnali.
09:10
this OctoberOttobre, we startediniziato
to see some signalssegnali.
182
538123
2902
È stato un momento emozionante.
09:13
And it was a very emotionalemotivo momentmomento.
183
541049
2455
Qui vedete un soggetto
del nostro laboratorio.
09:15
What you see here is a subjectsoggetto
comingvenuta in our lablaboratorio.
184
543528
3745
Per noi questa è una faccia.
09:19
This is a faceviso for us.
185
547619
1928
Quindi prendiamo la vera faccia
di un soggetto, riduciamo la complessità,
09:21
So we take the realvero faceviso of a subjectsoggetto,
we reduceridurre the complexitycomplessità,
186
549571
3631
perché i geni non spiegano tutto:
09:25
because not everything is in your faceviso --
187
553226
1970
molti tratti, difetti e asimmetrie
derivano dalla vita.
09:27
lots of featuresCaratteristiche and defectsdifetti
and asymmetriesasimmetrie come from your life.
188
555220
3786
Rendiamo la faccia simmetrica
e applichiamo il nostro algoritmo.
09:31
We symmetrizesymmetrize the faceviso,
and we runcorrere our algorithmalgoritmo.
189
559030
3469
Ora vi mostro i risultati:
09:35
The resultsrisultati that I showmostrare you right now,
190
563245
1898
questa è la previsione
che otteniamo dal sangue.
09:37
this is the predictionpredizione we have
from the bloodsangue.
191
565167
3372
(Applauso)
09:41
(ApplauseApplausi)
192
569596
1524
Aspettate un attimo.
09:43
Wait a secondsecondo.
193
571144
1435
In questo istante state guardando
a sinistra e a destra, sinistra e destra,
09:44
In these secondssecondi, your eyesocchi are watchingGuardando,
left and right, left and right,
194
572603
4692
e il vostro cervello cerca
di convincersi che sono uguali.
09:49
and your braincervello wants
those picturesimmagini to be identicalidentico.
195
577319
3930
Quindi ora vi chiederò
di fare l'esercizio opposto:
09:53
So I askChiedere you to do
anotherun altro exerciseesercizio, to be honestonesto.
196
581273
2446
cercate le differenze,
09:55
Please searchricerca for the differencesdifferenze,
197
583743
2287
che sono molte.
09:58
whichquale are manymolti.
198
586054
1361
La maggiore parte di segnali
deriva dal genere,
09:59
The biggestmaggiore amountquantità of signalsegnale
comesviene from genderGenere,
199
587439
2603
poi dall'età, dall'IMC,
dall'etnia di un essere umano.
10:02
then there is ageetà, BMIBMI,
the ethnicitygruppo etnico componentcomponente of a humanumano.
200
590066
5201
E fare meglio di quel segnale
10:07
And scalingscalata up over that signalsegnale
is much more complicatedcomplicato.
201
595291
3711
è molto più complicato.
Ma quello che potete vedere,
nonostante le differenze,
10:11
But what you see here,
even in the differencesdifferenze,
202
599026
3250
vi fa capire che siamo
sulla strada giusta,
10:14
letslascia you understandcapire
that we are in the right ballparkcampo di baseball,
203
602300
3595
che ci stiamo avvicinando.
10:17
that we are gettingottenere closerpiù vicino.
204
605919
1348
E già ci impressiona.
10:19
And it's alreadygià givingdando you some emotionsemozioni.
205
607291
2349
Questo è un altro soggetto analizzato,
e questa è una previsione.
10:21
This is anotherun altro subjectsoggetto
that comesviene in placeposto,
206
609664
2703
10:24
and this is a predictionpredizione.
207
612391
1409
Il viso è un po' più piccolo,
10:25
A little smallerpiù piccola faceviso, we didn't get
the completecompletare cranialcranico structurestruttura,
208
613824
4596
non abbiamo individuato
la completa struttura del cranio,
ma comunque è una buona approssimazione.
10:30
but still, it's in the ballparkcampo di baseball.
209
618444
2651
Questo è un soggetto
che viene al nostro laboratorio,
10:33
This is a subjectsoggetto that comesviene in our lablaboratorio,
210
621634
2224
10:35
and this is the predictionpredizione.
211
623882
1443
e questa è la previsione.
10:38
So these people have never been seenvisto
in the trainingformazione of the machinemacchina.
212
626056
4676
Queste persone non sono mai state viste
durante la preparazione della macchina.
Sono le cosiddette
serie escluse.
10:42
These are the so-calledcosiddetto "held-outtenuto-out" setimpostato.
213
630756
2837
Ma probabilmente,
non immaginereste mai chi sono.
10:45
But these are people that you will
probablyprobabilmente never believe.
214
633617
3740
Stiamo pubblicando tutto
su una rivista scientifica,
10:49
We're publishingeditoriale everything
in a scientificscientifico publicationpubblicazione,
215
637381
2676
che potrete leggere.
10:52
you can readleggere it.
216
640081
1151
Ma dato che siamo sul palco,
Chris mi ha sfidato.
10:53
But sinceda we are onstagesul palco,
ChrisChris challengedsfidato me.
217
641256
2344
Forse mi sono esposto
nel cercare di fare una previsione
10:55
I probablyprobabilmente exposedesposto myselfme stessa
and triedprovato to predictpredire
218
643624
3626
10:59
someonequalcuno that you mightpotrebbe recognizericonoscere.
219
647274
2831
di una persona che potreste riconoscere.
In questa fialetta di sangue --
e credetemi, non avete idea
11:02
So, in this vialflaconcino of bloodsangue --
and believe me, you have no ideaidea
220
650470
4425
di cosa abbiamo fatto
per potervela mostrare --
11:06
what we had to do to have
this bloodsangue now, here --
221
654919
2880
11:09
in this vialflaconcino of bloodsangue is the amountquantità
of biologicalbiologico informationinformazione
222
657823
3901
in questa fialetta di sangue
c'è sufficiente informazione biologica
per permetterci di elaborare
un'intera sequenza genomica.
11:13
that we need to do a fullpieno genomegenoma sequencesequenza.
223
661748
2277
Ne basta davvero così poco.
11:16
We just need this amountquantità.
224
664049
2070
Abbiamo eseguito la sequenza,
e ora lo rifarò con voi.
11:18
We rancorse this sequencesequenza,
and I'm going to do it with you.
225
666528
3205
Poi abbiamo iniziato ad accumulare
tutta la conoscenza che avevamo.
11:21
And we startinizio to layerstrato up
all the understandingcomprensione we have.
226
669757
3979
Dalla fialetta di sangue,
abbiamo previsto che fosse maschio.
11:25
In the vialflaconcino of bloodsangue,
we predictedprevisto he's a malemaschio.
227
673760
3350
E il soggetto è un maschio.
11:29
And the subjectsoggetto is a malemaschio.
228
677134
1364
Abbiamo previsto
che fosse alto 1m e 76 cm.
11:30
We predictpredire that he's a metermetro and 76 cmcm.
229
678996
2438
Il soggetto è alto 1m e 77cm.
11:33
The subjectsoggetto is a metermetro and 77 cmcm.
230
681458
2392
Abbiamo previsto che pesasse 76kg;
il soggetto pesa 82kg.
11:35
So, we predictedprevisto that he's 76;
the subjectsoggetto is 82.
231
683874
4110
Abbiamo previsto la sua età, 38.
Il soggetto ha 35 anni.
11:40
We predictpredire his ageetà, 38.
232
688701
2632
11:43
The subjectsoggetto is 35.
233
691357
1904
Abbiamo previsto
il colore dei suoi occhi.
11:45
We predictpredire his eyeocchio colorcolore.
234
693851
2124
Troppo scuri.
11:48
Too darkbuio.
235
696824
1211
Abbiamo previsto
il colore della sua pelle:
11:50
We predictpredire his skinpelle colorcolore.
236
698059
1555
più o meno ci siamo.
11:52
We are almostquasi there.
237
700026
1410
Quella è la sua faccia.
11:53
That's his faceviso.
238
701899
1373
Adesso, la rivelazione:
11:57
Now, the revealsvelare momentmomento:
239
705172
3269
il soggetto è questa persona.
12:00
the subjectsoggetto is this personpersona.
240
708465
1770
12:02
(LaughterRisate)
241
710259
1935
(Risate)
L'ho fatto intenzionalmente.
12:04
And I did it intentionallyapposta.
242
712218
2058
Faccio parte di un'etnia
molto particolare:
12:06
I am a very particularparticolare
and peculiarpeculiare ethnicitygruppo etnico.
243
714300
3692
sudeuropea, italiani --
che non corrispondono mai ai modelli.
12:10
SouthernDel sud EuropeanEuropeo, ItaliansItaliani --
they never fitin forma in modelsModelli.
244
718016
2950
12:12
And it's particularparticolare -- that ethnicitygruppo etnico
is a complexcomplesso cornerangolo casecaso for our modelmodello.
245
720990
5130
È particolare -- questa etnia
è un complesso caso limite
per il nostro modello.
Ma c'è un altro motivo.
12:18
But there is anotherun altro pointpunto.
246
726144
1509
Una delle cose su cui ci basiamo molto
per riconoscere le persone
12:19
So, one of the things that we use
a lot to recognizericonoscere people
247
727677
3477
non sarà mai scritto nel genoma.
12:23
will never be writtenscritto in the genomegenoma.
248
731178
1722
È il nostro libero arbitrio,
è il mio aspetto.
12:24
It's our freegratuito will, it's how I look.
249
732924
2317
Non il mio taglio di capelli,
in questo caso, ma quello della mia barba.
12:27
Not my haircuttaglio di capelli in this casecaso,
but my beardbarba cuttagliare.
250
735265
3229
12:30
So I'm going to showmostrare you, I'm going to,
in this casecaso, transfertrasferimento it --
251
738518
3553
Allora trasferirò, in questo caso --
solo con Photoshop,
senza modelli 3D --
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingmodellismo --
252
742095
2765
la barba sul soggetto.
12:36
the beardbarba on the subjectsoggetto.
253
744884
1713
Ed immediatamente siamo
molto molto più vicini.
12:38
And immediatelysubito, we get
much, much better in the feelingsensazione.
254
746621
3472
12:42
So, why do we do this?
255
750955
2709
Perché facciamo tutto questo?
Di certo non lo facciamo
per predire l'altezza
12:47
We certainlycertamente don't do it
for predictingprevisione heightaltezza
256
755938
5140
o scattare una bella foto
dal nostro sangue.
12:53
or takingpresa a beautifulbellissimo pictureimmagine
out of your bloodsangue.
257
761102
2372
Lo facciamo perché la stessa tecnologia
e lo stesso approccio,
12:56
We do it because the samestesso technologytecnologia
and the samestesso approachapproccio,
258
764390
4018
l'apprendimento automatico
di questo codice,
13:00
the machinemacchina learningapprendimento of this codecodice,
259
768432
2520
ci sta aiutando a capire come funzioniamo,
13:02
is helpingporzione us to understandcapire how we work,
260
770976
3137
come funziona il nostro corpo,
13:06
how your bodycorpo workslavori,
261
774137
1486
come invecchia il nostro corpo,
13:07
how your bodycorpo agesevo,
262
775647
1665
come si generano le malattie,
13:09
how diseasemalattia generatesgenera in your bodycorpo,
263
777336
2769
come il cancro nasce e si sviluppa,
13:12
how your cancercancro growscresce and developssviluppa,
264
780129
2972
come funzionano i farmaci
13:15
how drugsfarmaci work
265
783125
1783
e se funzionano sul nostro corpo.
13:16
and if they work on your bodycorpo.
266
784932
2314
È una sfida immensa.
13:19
This is a hugeenorme challengesfida.
267
787713
1667
È una sfida che condividiamo
13:21
This is a challengesfida that we shareCondividere
268
789894
1638
con centinaia di altri ricercatori
nel mondo.
13:23
with thousandsmigliaia of other
researchersricercatori around the worldmondo.
269
791556
2579
Si chiama medicina personalizzata.
13:26
It's calledchiamato personalizedpersonalizzato medicinemedicina.
270
794159
2222
Ed è la capacità di passare
da un approccio statistico,
13:29
It's the abilitycapacità to movemossa
from a statisticalstatistico approachapproccio
271
797125
3460
dove siete un puntino nell'oceano,
13:32
where you're a dotpunto in the oceanoceano,
272
800609
2032
a un approccio personalizzato,
13:34
to a personalizedpersonalizzato approachapproccio,
273
802665
1813
in cui leggiamo tutti questi libri
13:36
where we readleggere all these bookslibri
274
804502
2185
e capiamo esattamente come siete.
13:38
and we get an understandingcomprensione
of exactlydi preciso how you are.
275
806711
2864
Ma è una sfida
particolarmente complicata,
13:42
But it is a particularlysoprattutto
complicatedcomplicato challengesfida,
276
810260
3362
perché di tutti questi libri, ad oggi,
13:45
because of all these bookslibri, as of todayoggi,
277
813646
3998
conosciamo solo il 2% circa:
13:49
we just know probablyprobabilmente two percentper cento:
278
817668
2642
quattro libri su più di 175.
13:53
fourquattro bookslibri of more than 175.
279
821027
3653
13:58
And this is not the topicargomento of my talk,
280
826021
3206
Questo non è l'argomento del mio talk,
perché impareremo più di questo.
14:02
because we will learnimparare more.
281
830145
2598
Le migliori menti al mondo
stanno lavorando su questo argomento.
14:05
There are the bestmigliore mindsmenti
in the worldmondo on this topicargomento.
282
833378
2669
Le previsioni miglioreranno,
14:09
The predictionpredizione will get better,
283
837048
1834
il modello sarà più preciso.
14:10
the modelmodello will get more precisepreciso.
284
838906
2253
E più impareremo,
14:13
And the more we learnimparare,
285
841183
1858
più dovremo confrontarci con decisioni
14:15
the more we will
be confronteddi fronte with decisionsdecisioni
286
843065
4830
mai affrontate prima
14:19
that we never had to faceviso before
287
847919
3021
sulla vita, sulla morte,
sull'essere genitori.
14:22
about life,
288
850964
1435
14:24
about deathmorte,
289
852423
1674
14:26
about parentinggenitorialità.
290
854121
1603
Quindi, questa conversazione --
stiamo indagando i meccanismi
più profondi della vita.
14:32
So, we are touchingtoccante the very
innerinterno detaildettaglio on how life workslavori.
291
860626
4746
Ed è una rivoluzione
che non può essere limitata
14:38
And it's a revolutionrivoluzione
that cannotnon può be confinedconfinati
292
866118
3158
al campo della scienza
o della tecnologia.
14:41
in the domaindominio of sciencescienza or technologytecnologia.
293
869300
2659
Deve diventare
una conversazione globale.
14:44
This mustdovere be a globalglobale conversationconversazione.
294
872960
2244
Dobbiamo pensare al futuro
che stiamo costruendo come umanità.
14:47
We mustdovere startinizio to think of the futurefuturo
we're buildingcostruzione as a humanityumanità.
295
875798
5217
Dobbiamo collaborare con i creativi,
con gli artisti, con i filosofi,
14:53
We need to interactinteragire with creativescreatività,
with artistsartisti, with philosophersfilosofi,
296
881039
4064
con i politici.
14:57
with politicianspolitici.
297
885127
1510
Siamo tutti coinvolti, perché in ballo
c'è il futuro della nostra specie.
14:58
EveryoneTutti is involvedcoinvolti,
298
886661
1158
14:59
because it's the futurefuturo of our speciesspecie.
299
887843
2825
Senza timori, ma con la consapevolezza
15:03
WithoutSenza fearpaura, but with the understandingcomprensione
300
891273
3968
che le decisioni
che prenderemo nel prossimo anno
15:07
that the decisionsdecisioni
that we make in the nextIl prossimo yearanno
301
895265
3871
cambieranno il corso della storia
per sempre.
15:11
will changemodificare the coursecorso of historystoria foreverper sempre.
302
899160
3789
Grazie.
15:15
Thank you.
303
903732
1160
(Applausi)
15:16
(ApplauseApplausi)
304
904916
10159
Translated by Elena Balloch
Reviewed by Michele Gianella

▲Back to top

ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com