TEDGlobal 2010
Sebastian Seung: I am my connectome
Io sono il mio connettoma: Sebastian Seung
Filmed:
Readability: 4.4
1,131,223 views
Sebastian Seung sta lavorando ad un progetto molto ambizioso: mappare un modello del cervello studiando le connessioni tra ciascun neurone. Chiama questo modello il nostro "connettoma", che è tanto personale quanto il nostro genoma-- e la sua comprensione potrebbe aprire una nuova strada alla comprensione dei nostri cervelli e delle nostre menti.
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
Viviamo un'era straordinaria,
00:20
the age of genomics.
1
5000
3000
l'era della genomica.
00:23
Your genome is the entire sequence of your DNA.
2
8000
3000
Il vostro genoma è la sequenza completa del vostro DNA.
00:26
Your sequence and mine are slightly different.
3
11000
3000
La vostra sequenza e la mia sono leggermente diverse,
00:29
That's why we look different.
4
14000
2000
Per questo non abbiamo lo stesso aspetto.
00:31
I've got brown eyes;
5
16000
2000
I miei occhi sono marroni,
00:33
you might have blue or gray.
6
18000
3000
i vostri potrebbero essere blu, o grigi.
00:36
But it's not just skin-deep.
7
21000
2000
Ma il genoma non si limita all'aspetto.
00:38
The headlines tell us
8
23000
2000
Come ci dicono i titoli dei giornali,
00:40
that genes can give us scary diseases,
9
25000
3000
i geni possono causarci malattie spaventose,
00:43
maybe even shape our personality,
10
28000
3000
e forse persino plasmare la nostra personalità,
00:46
or give us mental disorders.
11
31000
3000
o infliggerci disturbi mentali.
00:49
Our genes seem to have
12
34000
3000
I nostri geni, insomma, sembrano avere
00:52
awesome power over our destinies.
13
37000
3000
un potere stupefacente sul nostro destino.
00:56
And yet, I would like to think
14
41000
3000
E tuttavia, mi piacerebbe pensare
00:59
that I am more than my genes.
15
44000
3000
di essere qualcosa di più dei miei geni.
01:04
What do you guys think?
16
49000
2000
Voi che pensate, gente?
01:06
Are you more than your genes?
17
51000
3000
Siete più dei vostri geni?
01:09
(Audience: Yes.) Yes?
18
54000
2000
(Pubblico: Sì.) Sì?
01:13
I think some people agree with me.
19
58000
2000
Penso che alcuni di voi siano d'accordo con me.
01:15
I think we should make a statement.
20
60000
2000
e che dovremmo dichiararlo,
01:17
I think we should say it all together.
21
62000
2000
che dovremmo dirlo tutti insieme.
01:20
All right: "I'm more than my genes" -- all together.
22
65000
3000
Bene: "Io sono più dei miei geni". Tutti insieme.
01:23
Everybody: I am more than my genes.
23
68000
4000
(Tutti): Io sono più dei miei geni!
01:27
(Cheering)
24
72000
2000
(Sorride)
01:30
Sebastian Seung: What am I?
25
75000
2000
Sebastian Seung: Che cosa sono io?
01:32
(Laughter)
26
77000
3000
(Risate)
01:35
I am my connectome.
27
80000
3000
Io sono il mio connettoma.
01:40
Now, since you guys are really great,
28
85000
2000
Siete un pubblico grandioso, quindi forse potete
01:42
maybe you can humor me and say this all together too.
29
87000
2000
accontentarmi e dire tutti insieme anche questo.
01:44
(Laughter)
30
89000
2000
(Risate)
01:46
Right. All together now.
31
91000
2000
Bene. Tutti insieme adesso.
01:48
Everybody: I am my connectome.
32
93000
3000
(Tutti insieme): Io sono il mio connettoma.
01:53
SS: That sounded great.
33
98000
2000
SS: Fantastico!
01:55
You know, you guys are so great, you don't even know what a connectome is,
34
100000
2000
Siete proprio in gamba, non sapete nemmeno che cosa sia un connettoma
01:57
and you're willing to play along with me.
35
102000
2000
e siete disposti a stare al mio gioco.
01:59
I could just go home now.
36
104000
3000
Potrei tornarmene a casa già adesso.
02:02
Well, so far only one connectome is known,
37
107000
3000
Comunque, finora si conosce un solo connettoma,
02:05
that of this tiny worm.
38
110000
3000
quello di questo minuscolo verme.
02:08
Its modest nervous system
39
113000
2000
Il suo semplice sistema nervoso
02:10
consists of just 300 neurons.
40
115000
2000
è fatto di soli 300 neuroni.
02:12
And in the 1970s and '80s,
41
117000
2000
E negli anni '70 ed '80,
02:14
a team of scientists
42
119000
2000
un team di scienziati
02:16
mapped all 7,000 connections
43
121000
2000
ha mappato tutte le 7.000 connessioni
02:18
between the neurons.
44
123000
2000
tra i neuroni.
02:21
In this diagram, every node is a neuron,
45
126000
2000
In questo schema, ogni nodo è un neurone,
02:23
and every line is a connection.
46
128000
2000
ed ogni linea è una connessione.
02:25
This is the connectome
47
130000
2000
Questo è il connettoma
02:27
of the worm C. elegans.
48
132000
4000
del verme C. elegans.
02:31
Your connectome is far more complex than this
49
136000
3000
Il nostro connettoma è di gran lunga più complesso,
02:34
because your brain
50
139000
2000
perché il nostro cervello
02:36
contains 100 billion neurons
51
141000
2000
contiene 100 miliardi di neuroni
02:38
and 10,000 times as many connections.
52
143000
3000
e 10.000 volte più connessioni.
02:41
There's a diagram like this for your brain,
53
146000
2000
Esiste uno schema simile per il nostro cervello,
02:43
but there's no way it would fit on this slide.
54
148000
3000
ma non potrebbe stare in alcun modo dentro questa diapositiva.
02:47
Your connectome contains one million times more connections
55
152000
3000
Il nostro connettoma contiene un milione di volte più connessioni
02:50
than your genome has letters.
56
155000
3000
di quante lettere abbia il nostro genoma.
02:53
That's a lot of information.
57
158000
2000
È una quantità di informazione enorme.
02:55
What's in that information?
58
160000
3000
Che c'è in quelle informazioni?
02:59
We don't know for sure, but there are theories.
59
164000
3000
Non lo sappiamo con certezza, ma sono state formulate varie teorie.
03:02
Since the 19th century, neuroscientists have speculated
60
167000
3000
Dal 19.mo secolo, i neuroscienziati hanno ipotizzato
03:05
that maybe your memories --
61
170000
2000
che forse i nostri ricordi--
03:07
the information that makes you, you --
62
172000
2000
le informazioni che ci rendono le persone che siamo--
03:09
maybe your memories are stored
63
174000
2000
forse sono conservati
03:11
in the connections between your brain's neurons.
64
176000
2000
nelle connessioni tra i neuroni del cervello.
03:15
And perhaps other aspects of your personal identity --
65
180000
2000
E forse anche altri aspetti della nostra identità personale,
03:17
maybe your personality and your intellect --
66
182000
3000
forse la nostra personalità e il nostro intelletto,
03:20
maybe they're also encoded
67
185000
2000
forse anch'essi sono codificati
03:22
in the connections between your neurons.
68
187000
3000
nelle connessioni tra i nostri neuroni.
03:26
And so now you can see why I proposed this hypothesis:
69
191000
3000
Ora potete capire, dunque, perché ho avanzato quest'ipotesi:
03:29
I am my connectome.
70
194000
3000
io sono il mio connettoma.
03:32
I didn't ask you to chant it because it's true;
71
197000
3000
Non vi ho chiesto di fare il coro perché è vero,
03:35
I just want you to remember it.
72
200000
2000
voglio solo che ve lo ricordiate.
03:37
And in fact, we don't know if this hypothesis is correct,
73
202000
2000
In effetti, non sappiamo se l'ipotesi sia corretta,
03:39
because we have never had technologies
74
204000
2000
perché non abbiamo mai avuto tecnologie
03:41
powerful enough to test it.
75
206000
2000
abbastanza potenti da verificarla.
03:44
Finding that worm connectome
76
209000
3000
Trovare il connettoma di quel verme
03:47
took over a dozen years of tedious labor.
77
212000
3000
ha richiesto oltre dodici anni di lavoro tedioso.
03:50
And to find the connectomes of brains more like our own,
78
215000
3000
E per trovare i connettomi di cervelli più simili al nostro
03:53
we need more sophisticated technologies, that are automated,
79
218000
3000
servono tecnologie più sofisticate, automatizzate,
03:56
that will speed up the process of finding connectomes.
80
221000
3000
che accelerino la scoperta di nuovi connettomi.
03:59
And in the next few minutes, I'll tell you about some of these technologies,
81
224000
3000
E nei prossimi minuti, vi parlerò di alcune di queste tecnologie,
04:02
which are currently under development
82
227000
2000
che al momento sono in fase di sviluppo
04:04
in my lab and the labs of my collaborators.
83
229000
3000
nel mio laboratorio e in quelli dei miei collaboratori.
04:08
Now you've probably seen pictures of neurons before.
84
233000
3000
Probabilmente, avete già visto immagini di neuroni.
04:11
You can recognize them instantly
85
236000
2000
Si riconoscono all'istante
04:13
by their fantastic shapes.
86
238000
3000
grazie alle loro forme fantastiche.
04:16
They extend long and delicate branches,
87
241000
3000
Si estendono in diramazioni lunghe e delicate,
04:19
and in short, they look like trees.
88
244000
3000
e somigliano, in una parola, a degli alberi.
04:22
But this is just a single neuron.
89
247000
3000
Ma questo è solo un singolo neurone.
04:25
In order to find connectomes,
90
250000
2000
Per trovare i connettomi,
04:27
we have to see all the neurons at the same time.
91
252000
3000
dobbiamo osservare tutti i neuroni contemporaneamente.
04:30
So let's meet Bobby Kasthuri,
92
255000
2000
Incontriamo dunque Bobby Kasthuri,
04:32
who works in the laboratory of Jeff Lichtman
93
257000
2000
che lavora nel laboratorio di Jeff Lichtman
04:34
at Harvard University.
94
259000
2000
all'Università di Harvard.
04:36
Bobby is holding fantastically thin slices
95
261000
2000
Bobby tiene in mano delle fette fantasticamente sottili
04:38
of a mouse brain.
96
263000
2000
del cervello di un topo.
04:40
And we're zooming in by a factor of 100,000 times
97
265000
3000
E noi le ingrandiamo 100.000 volte
04:44
to obtain the resolution,
98
269000
2000
per ottenere la risoluzione giusta,
04:46
so that we can see the branches of neurons all at the same time.
99
271000
3000
che ci permetta di vedere vedere tutte le diramazioni contemporaneamente.
04:50
Except, you still may not really recognize them,
100
275000
3000
Solo che potreste non riconoscerle ancora,
04:53
and that's because we have to work in three dimensions.
101
278000
3000
perché dobbiamo lavorare in tre dimensioni.
04:56
If we take many images of many slices of the brain
102
281000
2000
Raccogliendo molte scansioni di molte fette cerebrali
04:58
and stack them up,
103
283000
2000
e impilandole,
05:00
we get a three-dimensional image.
104
285000
2000
otteniamo un'immagine tridimensionale.
05:02
And still, you may not see the branches.
105
287000
2000
Ma ancora non si possono vedere le ramificazioni.
05:04
So we start at the top,
106
289000
2000
Iniziamo quindi dalla cima,
05:06
and we color in the cross-section of one branch in red,
107
291000
3000
e coloriamo in rosso la sezione di una ramificazione,
05:09
and we do that for the next slice
108
294000
2000
poi ripetiamo l'operazione nella fetta successiva
05:11
and for the next slice.
109
296000
2000
e in quella ancora successiva.
05:13
And we keep on doing that,
110
298000
2000
E continuiam così,
05:15
slice after slice.
111
300000
3000
fetta dopo fetta.
05:18
If we continue through the entire stack,
112
303000
2000
Se ripetiamo l'operazione per tutta la pila,
05:20
we can reconstruct the three-dimensional shape
113
305000
3000
possiamo ricostruire la forma tridimensionale
05:23
of a small fragment of a branch of a neuron.
114
308000
3000
di un piccolo frammento di una ramificazione neuronale.
05:26
And we can do that for another neuron in green.
115
311000
2000
E possiamo farlo con un altro neurone, in verde.
05:28
And you can see that the green neuron touches the red neuron
116
313000
2000
Potete vedere come il neurone verde tocchi quello rosso
05:30
at two locations,
117
315000
2000
in due punti,
05:32
and these are what are called synapses.
118
317000
2000
che sono quelle che chiamiamo sinapsi.
05:34
Let's zoom in on one synapse,
119
319000
2000
Adesso ingrandiamo una sinapsi
05:36
and keep your eyes on the interior of the green neuron.
120
321000
3000
e voi osservate l'interno del neurone verde.
05:39
You should see small circles --
121
324000
2000
Dovreste notare dei piccoli cerchi:
05:41
these are called vesicles.
122
326000
3000
si chiamano vescicole.
05:44
They contain a molecule know as a neurotransmitter.
123
329000
3000
Contengono una molecola nota come neurotrasmettitore.
05:47
And so when the green neuron wants to communicate,
124
332000
2000
Così quando il neurone verde vuole comunicare,
05:49
it wants to send a message to the red neuron,
125
334000
2000
se vuol mandare un messaggio al neurone rosso,
05:51
it spits out neurotransmitter.
126
336000
3000
sputa fuori neurotrasmettitori.
05:54
At the synapse, the two neurons
127
339000
2000
In corrispondenza della sinapsi, i due neuroni
05:56
are said to be connected
128
341000
2000
si dice che sono connessi,
05:58
like two friends talking on the telephone.
129
343000
3000
come due amici che parlano al telefono.
06:02
So you see how to find a synapse.
130
347000
2000
Avete visto, dunque, come si trova una sinapsi.
06:04
How can we find an entire connectome?
131
349000
3000
Ma come possiamo trovare un intero conettoma?
06:07
Well, we take this three-dimensional stack of images
132
352000
3000
Beh, prendiamo questa pila tridimensionale di immagini
06:10
and treat it as a gigantic three-dimensional coloring book.
133
355000
3000
e trattiamola come un gigantesco libro in 3D, da colorare.
06:13
We color every neuron in, in a different color,
134
358000
3000
Assegniamo a ogni neurone un colore diverso,
06:16
and then we look through all of the images,
135
361000
2000
poi esaminiamo tutte le immagini,
06:18
find the synapses
136
363000
2000
troviamo le sinapsi
06:20
and note the colors of the two neurons involved in each synapse.
137
365000
3000
e osserviamo i colori dei due neuroni ingaggiati in ogni sinapsi.
06:23
If we can do that throughout all the images,
138
368000
3000
Se riusciamo a farlo per tutte le immagini,
06:26
we could find a connectome.
139
371000
2000
potremmo trovare un connettoma.
06:29
Now, at this point,
140
374000
2000
A questo punto
06:31
you've learned the basics of neurons and synapses.
141
376000
2000
avete imparato le basi di neuroni e sinapsi.
06:33
And so I think we're ready to tackle
142
378000
2000
Penso quindi che siamo pronti ad affrontare
06:35
one of the most important questions in neuroscience:
143
380000
3000
una delle domande più importanti nelle neuroscienze:
06:39
how are the brains of men and women different?
144
384000
3000
in cosa sono diversi i cervelli degli uomini e delle donne?
06:42
(Laughter)
145
387000
2000
(Risate)
06:44
According to this self-help book,
146
389000
2000
Secondo questo manuale di auto-aiuto,
06:46
guys brains are like waffles;
147
391000
2000
i cervelli maschili sono come delle cialde:
06:48
they keep their lives compartmentalized in boxes.
148
393000
3000
rinchiudono la propria vita in tante scatole separate.
06:51
Girls' brains are like spaghetti;
149
396000
3000
Quelli delle donne, invece, sono come gli spaghetti;
06:54
everything in their life is connected to everything else.
150
399000
3000
ogni cosa, nella loro vita, è connessa a ogni altra.
06:57
(Laughter)
151
402000
2000
(Risate)
06:59
You guys are laughing,
152
404000
2000
Voi ridete, gente,
07:01
but you know, this book changed my life.
153
406000
2000
ma questo libro ha cambiato la mia vita!
07:03
(Laughter)
154
408000
2000
(Risate)
07:07
But seriously, what's wrong with this?
155
412000
3000
Seriamente, che cosa c'è che non va in tutto questo?
07:10
You already know enough to tell me -- what's wrong with this statement?
156
415000
3000
Ne sapete già abbastanza per dirmelo. Cosa non va in questa affermazione?
07:20
It doesn't matter whether you're a guy or girl,
157
425000
3000
Non importa che siate un ragazzo o una ragazza,
07:23
everyone's brains are like spaghetti.
158
428000
3000
tutti noi abbiamo cervelli simili agli spaghetti.
07:26
Or maybe really, really fine capellini with branches.
159
431000
3000
O forse a sottilissimi capelli d'angelo, con tante ramificazioni.
07:30
Just as one strand of spaghetti
160
435000
2000
Proprio come uno spaghetto
07:32
contacts many other strands on your plate,
161
437000
3000
ne tocca molti altri, nel piatto,
07:35
one neuron touches many other neurons
162
440000
2000
un neurone tocca molti altri neuroni
07:37
through their entangled branches.
163
442000
2000
grazie alle loro ramificazioni intrecciate.
07:39
One neuron can be connected to so many other neurons,
164
444000
3000
E il motivo per cui possono connettersi a così tanti altri neuroni
07:42
because there can be synapses
165
447000
2000
è che ci possono essere delle sinapsi
07:44
at these points of contact.
166
449000
3000
in quei punti di contatto.
07:49
By now, you might have sort of lost perspective
167
454000
3000
A questo punto, potreste aver perso il senso delle proporzioni
07:52
on how large this cube of brain tissue actually is.
168
457000
3000
su quanto grande sia in realtà questo cubo di tessuto cerebrale.
07:55
And so let's do a series of comparisons to show you.
169
460000
3000
E quindi vi farò una serie di confronti, per mostrarvelo.
07:58
I assure you, this is very tiny. It's just six microns on a side.
170
463000
3000
È molto piccolo, ve l'assicuro. Solo sei micron (0,006 millimetri) di lato.
08:03
So, here's how it stacks up against an entire neuron.
171
468000
3000
Eccolo a confronto con un intero neurone.
08:06
And you can tell that, really, only the smallest fragments of branches
172
471000
3000
Potete vedere che in realtà solo i più piccoli frammenti delle ramificazioni
08:09
are contained inside this cube.
173
474000
3000
stanno dentro questo cubo.
08:12
And a neuron, well, that's smaller than brain.
174
477000
3000
E un neurone, beh, è più piccolo del cervello.
08:17
And that's just a mouse brain --
175
482000
2000
E questo è solo un cervello di topo.
08:21
it's a lot smaller than a human brain.
176
486000
3000
Che è molto più piccolo di un cervello umano.
08:25
So when show my friends this,
177
490000
2000
Perciò, quando mostro queste cose ai miei amici,
08:27
sometimes they've told me,
178
492000
2000
a volte mi hanno detto:
08:29
"You know, Sebastian, you should just give up.
179
494000
3000
"Sai, Sebastian, dovresti proprio lasciar perdere.
08:32
Neuroscience is hopeless."
180
497000
2000
Non c'è speranza per la neuroscienza."
08:34
Because if you look at a brain with your naked eye,
181
499000
2000
Perché osservando un cervello a occhio nudo,
08:36
you don't really see how complex it is,
182
501000
2000
non si può realmente vedere quant'è complesso,
08:38
but when you use a microscope,
183
503000
2000
ma quando usi un microscopio
08:40
finally the hidden complexity is revealed.
184
505000
3000
la sua complessità nascosta finalmente si rivela.
08:45
In the 17th century,
185
510000
2000
Nel 17esimo secolo,
08:47
the mathematician and philosopher, Blaise Pascal,
186
512000
2000
Blasie Pascal, matematico e filosofo,
08:49
wrote of his dread of the infinite,
187
514000
3000
scrisse del suo timore dell'infinito,
08:52
his feeling of insignificance
188
517000
2000
del suo sentirsi insignificante
08:54
at contemplating the vast reaches of outer space.
189
519000
3000
quando contemplava la vastità del cosmo.
08:59
And, as a scientist,
190
524000
2000
E io, come scienziato,
09:01
I'm not supposed to talk about my feelings --
191
526000
3000
non dovrei parlare dei miei sentimenti.
09:04
too much information, professor.
192
529000
2000
Troppe informazioni, professore.
09:06
(Laughter)
193
531000
2000
(Risate)
09:08
But may I?
194
533000
2000
Ma posso farlo?
09:10
(Laughter)
195
535000
2000
(Risate)
09:12
(Applause)
196
537000
2000
(Applausi)
09:14
I feel curiosity,
197
539000
2000
Provo curiosità,
09:16
and I feel wonder,
198
541000
2000
e provo meraviglia,
09:18
but at times I have also felt despair.
199
543000
3000
ma ho anche provato disperazione, a volte.
09:22
Why did I choose to study
200
547000
2000
Perché ho scelto di studiare
09:24
this organ that is so awesome in its complexity
201
549000
3000
un organo dalla complessità così sbalorditiva
09:27
that it might well be infinite?
202
552000
2000
da essere praticamente infinito?
09:29
It's absurd.
203
554000
2000
È assurdo.
09:31
How could we even dare to think
204
556000
2000
Come osiamo anche solo credere
09:33
that we might ever understand this?
205
558000
3000
che potremo mai comprenderlo?
09:38
And yet, I persist in this quixotic endeavor.
206
563000
3000
Tuttavia, io persisto in quest'impresa donchisciottesca.
09:41
And indeed, these days I harbor new hopes.
207
566000
3000
E anzi in questi giorni nutro nuove speranze.
09:45
Someday,
208
570000
2000
Un giorno,
09:47
a fleet of microscopes will capture
209
572000
2000
una batteria di microscopi riuscirà a rinchiudere
09:49
every neuron and every synapse
210
574000
2000
ogni neurone ed ogni sinapsi
09:51
in a vast database of images.
211
576000
3000
in un grande database di immagini.
09:54
And some day, artificially intelligent supercomputers
212
579000
3000
E un giorno, dei supercomputer dotati d'intelligenza artificiale
09:57
will analyze the images without human assistance
213
582000
3000
analizzeranno le immagini senza intervento umano,
10:00
to summarize them in a connectome.
214
585000
3000
ricomponendole in un connettoma.
10:04
I do not know, but I hope that I will live to see that day,
215
589000
3000
Non lo so per certo, ma spero di essere ancora vivo, quel giorno.
10:08
because finding an entire human connectome
216
593000
2000
Perché ricostruire un intero connettoma umano
10:10
is one of the greatest technological challenges of all time.
217
595000
3000
è una delle sfide tecnologiche più grandi di tutti i tempi.
10:13
It will take the work of generations to succeed.
218
598000
3000
Sarà necessario il lavoro di generazioni, per vincerla.
10:17
At the present time, my collaborators and I,
219
602000
3000
Per il momento, i miei collaboratori ed io
10:20
what we're aiming for is much more modest --
220
605000
2000
ci poniamo un obiettivo molto più modesto --
10:22
just to find partial connectomes
221
607000
2000
solo trovare connettomi parziali
10:24
of tiny chunks of mouse and human brain.
222
609000
3000
di piccoli campioni di cervello umano e murino.
10:27
But even that will be enough for the first tests of this hypothesis
223
612000
3000
Ma anche quelli saranno sufficienti per iniziare a testare l'ipotesi
10:30
that I am my connectome.
224
615000
3000
che io sono il mio connettoma.
10:35
For now, let me try to convince you of the plausibility of this hypothesis,
225
620000
3000
Per ora, lasciate che provi a convincervi che quest'ipotesi è plausibile,
10:38
that it's actually worth taking seriously.
226
623000
3000
che merita di essere presa seriamente in considerazione.
10:42
As you grow during childhood
227
627000
2000
Man mano che cresciamo, durante l'infanzia,
10:44
and age during adulthood,
228
629000
3000
e poi invecchiamo, nella maturità,
10:47
your personal identity changes slowly.
229
632000
3000
la nostra identità personale cambia lentamente.
10:50
Likewise, every connectome
230
635000
2000
Analogamente, ogni connettoma
10:52
changes over time.
231
637000
2000
cambia nel tempo.
10:55
What kinds of changes happen?
232
640000
2000
Che tipo di cambiamenti avvengono?
10:57
Well, neurons, like trees,
233
642000
2000
Beh, i neuroni, come gli alberi,
10:59
can grow new branches,
234
644000
2000
possono emettere nuovi rami,
11:01
and they can lose old ones.
235
646000
3000
e perdere quelli vecchi.
11:04
Synapses can be created,
236
649000
3000
Delle sinapsi si possono creare,
11:07
and they can be eliminated.
237
652000
3000
e possono venir eliminate.
11:10
And synapses can grow larger,
238
655000
2000
Delle sinapsi possono ingrandirsi
11:12
and they can grow smaller.
239
657000
3000
e possono rimpicciolirsi.
11:15
Second question:
240
660000
2000
Seconda domanda:
11:17
what causes these changes?
241
662000
3000
qual è la causa di questi cambiamenti?
11:20
Well, it's true.
242
665000
2000
Beh, è vero:
11:22
To some extent, they are programmed by your genes.
243
667000
3000
In una certa misura, sono programmati dai nostri geni.
11:25
But that's not the whole story,
244
670000
2000
Ma i geni non spiegano tutto,
11:27
because there are signals, electrical signals,
245
672000
2000
perché ci sono segnali, segnali elettrici,
11:29
that travel along the branches of neurons
246
674000
2000
che scorrono lungo le ramificazioni neuronali
11:31
and chemical signals
247
676000
2000
e segnali chimici
11:33
that jump across from branch to branch.
248
678000
2000
che saltano da una ramificazione all'altra.
11:35
These signals are called neural activity.
249
680000
3000
Questi segnali costituiscono la cosiddetta attività neurale.
11:38
And there's a lot of evidence
250
683000
2000
E ci sono molte prove
11:40
that neural activity
251
685000
3000
che l'attività neurale
11:43
is encoding our thoughts, feelings and perceptions,
252
688000
3000
codifica i nostri pensieri, sensazioni e percezioni,
11:46
our mental experiences.
253
691000
2000
le nostre esperienze mentali.
11:48
And there's a lot of evidence that neural activity
254
693000
3000
E ci sono anche molte prove che l'attività neurale
11:51
can cause your connections to change.
255
696000
3000
può far cambiare le nostre connessioni.
11:54
And if you put those two facts together,
256
699000
3000
E se mettete insieme questi due fatti,
11:57
it means that your experiences
257
702000
2000
ciò significa che le nostre esperienze
11:59
can change your connectome.
258
704000
3000
possono modificare il nostro connettoma.
12:02
And that's why every connectome is unique,
259
707000
2000
Ecco perché ogni connettoma è unico,
12:04
even those of genetically identical twins.
260
709000
3000
anche quelli dei gemelli identici.
12:08
The connectome is where nature meets nurture.
261
713000
3000
È nel connettoma che s'incontrano natura e cultura.
12:12
And it might true
262
717000
2000
E potrebbe darsi
12:14
that just the mere act of thinking
263
719000
2000
che il semplice fatto di pensare
12:16
can change your connectome --
264
721000
2000
possa cambiare il nostro connettoma --
12:18
an idea that you may find empowering.
265
723000
3000
un'idea che potrebbe farci sentire portatori di un grande potere.
12:24
What's in this picture?
266
729000
2000
Cosa c'è in questa immagine?
12:28
A cool and refreshing stream of water, you say.
267
733000
3000
Un corso d'acqua fresco e rinfrescante, direte voi.
12:32
What else is in this picture?
268
737000
2000
Che altro c'è nell'immagine?
12:37
Do not forget that groove in the Earth
269
742000
2000
Non dimenticate quel solco nella terra
12:39
called the stream bed.
270
744000
3000
chiamato letto del fiume.
12:42
Without it, the water would not know in which direction to flow.
271
747000
3000
Senza un letto, l'acqua non saprebbe in quale direzione scorrere.
12:45
And with the stream,
272
750000
2000
E mi piacerebbe, con l'immagine del flusso,
12:47
I would like to propose a metaphor
273
752000
2000
proporre una metafora
12:49
for the relationship between neural activity
274
754000
2000
per la relazione tra attività neurale
12:51
and connectivity.
275
756000
2000
e connettività.
12:54
Neural activity is constantly changing.
276
759000
3000
L'attività neurale è in continuo mutamento.
12:57
It's like the water of the stream; it never sits still.
277
762000
3000
È come l'acqua di quel fiume; non sta mai ferma.
13:00
The connections
278
765000
2000
Le connessioni
13:02
of the brain's neural network
279
767000
2000
della rete neurale del cervello
13:04
determines the pathways
280
769000
2000
determinano i percorsi
13:06
along which neural activity flows.
281
771000
2000
lungo i quali scorre l'attività neurale.
13:08
And so the connectome is like bed of the stream;
282
773000
3000
Il connettoma, quindi, è come il letto del torrente.
13:13
but the metaphor is richer than that,
283
778000
3000
Ma la metafora è ancora più ricca.
13:16
because it's true that the stream bed
284
781000
3000
Perché è vero che il letto del fiume
13:19
guides the flow of the water,
285
784000
2000
guida il corso dell'acqua,
13:21
but over long timescales,
286
786000
2000
ma nel lungo periodo
13:23
the water also reshapes the bed of the stream.
287
788000
3000
anche l'acqua ridisegna il letto del fiume.
13:26
And as I told you just now,
288
791000
2000
E come vi ho appena detto,
13:28
neural activity can change the connectome.
289
793000
3000
l'attività neurale può cambiare il connettoma.
13:33
And if you'll allow me to ascend
290
798000
2000
E se mi permettete di scalare
13:35
to metaphorical heights,
291
800000
3000
le vette della metafora,
13:38
I will remind you that neural activity
292
803000
3000
vi ricorderò che l'attività neurale è, o almeno
13:41
is the physical basis -- or so neuroscientists think --
293
806000
2000
i neuroscienziati pensano che sia, la base fisica
13:43
of thoughts, feelings and perceptions.
294
808000
3000
di pensieri, sensazioni e percezioni.
13:46
And so we might even speak of
295
811000
2000
E quindi, potremmo perfino parlare
13:48
the stream of consciousness.
296
813000
2000
di flusso di coscienza.
13:50
Neural activity is its water,
297
815000
3000
L'attività neurale è la sua acqua,
13:53
and the connectome is its bed.
298
818000
3000
e il connettoma è il suo letto.
13:57
So let's return from the heights of metaphor
299
822000
2000
Adesso scendiamo dalle vette della metafora
13:59
and return to science.
300
824000
2000
e torniamo alla scienza.
14:01
Suppose our technologies for finding connectomes
301
826000
2000
Supponiamo che le tecnologie preposte a trovare i connettomi
14:03
actually work.
302
828000
2000
funzionino davvero.
14:05
How will we go about testing the hypothesis
303
830000
2000
In che modo testiamo l'ipotesi
14:07
"I am my connectome?"
304
832000
3000
"Io sono il mio connettoma"?
14:10
Well, I propose a direct test.
305
835000
3000
Beh, propongo un test diretto.
14:13
Let us attempt
306
838000
2000
Proviamo
14:15
to read out memories from connectomes.
307
840000
3000
a estrarre dei ricordi dai connettomi.
14:18
Consider the memory
308
843000
2000
Prendiamo ad esempio la memoria
14:20
of long temporal sequences of movements,
309
845000
3000
di lunghe sequenze temporali di movimenti,
14:23
like a pianist playing a Beethoven sonata.
310
848000
3000
come un pianista che esegua una sonata di Beethoven.
14:26
According to a theory that dates back to the 19th century,
311
851000
3000
Secondo una teoria che risale al 19esimo secolo,
14:29
such memories are stored
312
854000
2000
tali memorie sono conservate nel nostro cervello
14:31
as chains of synaptic connections inside your brain.
313
856000
3000
come catene di connessioni sinaptiche.
14:35
Because, if the first neurons in the chain are activated,
314
860000
3000
Perché i primi neuroni della catena, se si attivano, mandano
14:38
through their synapses they send messages to the second neurons, which are activated,
315
863000
3000
attraverso le sinapsi dei messaggi ai neuroni seguenti, che si attivano,
14:41
and so on down the line,
316
866000
2000
e così via lungo la linea,
14:43
like a chain of falling dominoes.
317
868000
2000
come una catena di tessere del domino.
14:45
And this sequence of neural activation
318
870000
2000
E questa sequenza di attivazioni neurali
14:47
is hypothesized to be the neural basis
319
872000
3000
si suppone che sia la base neurale
14:50
of those sequence of movements.
320
875000
2000
di quelle sequenze di movimenti.
14:52
So one way of trying to test the theory
321
877000
2000
Un modo di provare a verificare questa teoria
14:54
is to look for such chains
322
879000
2000
è dunque osservare tali catene
14:56
inside connectomes.
323
881000
2000
dentro i connettomi.
14:58
But it won't be easy, because they're not going to look like this.
324
883000
3000
Ma non sarà semplice, perché non avranno questo aspetto.
15:01
They're going to be scrambled up.
325
886000
2000
Saranno attorcigliate in mille modi.
15:03
So we'll have to use our computers
326
888000
2000
Dovremo quindi usare i nostri computer
15:05
to try to unscramble the chain.
327
890000
3000
per cercare di districare la catena.
15:08
And if we can do that,
328
893000
2000
E se ci riusciamo,
15:10
the sequence of the neurons we recover from that unscrambling
329
895000
3000
la sequenza di neuroni ricostruita con questo sbrogliamento
15:13
will be a prediction of the pattern of neural activity
330
898000
3000
costituirà una previsione dello schema di attività neurale
15:16
that is replayed in the brain during memory recall.
331
901000
3000
che viene riprodotta nel cervello durante i richiami alla memoria.
15:19
And if that were successful,
332
904000
2000
Se ci riuscissimo,
15:21
that would be the first example of reading a memory from a connectome.
333
906000
3000
sarebbe il primo esempio di lettura di un ricordo da un connettoma.
15:28
(Laughter)
334
913000
2000
(Risate)
15:30
What a mess --
335
915000
2000
Che confusione!
15:33
have you ever tried to wire up a system
336
918000
2000
Avete mai provato a cablare un sistema
15:35
as complex as this?
337
920000
2000
complesso come questo?
15:37
I hope not.
338
922000
2000
Spero di no.
15:39
But if you have, you know it's very easy to make a mistake.
339
924000
3000
Ma se vi è successo, sapete quanto sia facile commettere un errore.
15:45
The branches of neurons are like the wires of the brain.
340
930000
2000
Le ramificazioni dei neuroni sono come i fili del cervello.
15:47
Can anyone guess: what's the total length of wires in your brain?
341
932000
4000
Provate a indovinare: qual è la lunghezza totale dei cavi nel vostro cervello?
15:54
I'll give you a hint. It's a big number.
342
939000
2000
Vi darò un suggerimento. È un numero grande.
15:56
(Laughter)
343
941000
2000
(Risate)
15:59
I estimate, millions of miles,
344
944000
3000
Io stimo [che siano] milioni di chilometri.
16:02
all packed in your skull.
345
947000
3000
Tutti ripiegati dentro il vostro cranio.
16:05
And if you appreciate that number,
346
950000
2000
Se vi rendete conto di quanti sono,
16:07
you can easily see
347
952000
2000
potrete facilmente capire quanto sia enorme
16:09
there is huge potential for mis-wiring of the brain.
348
954000
2000
il potenziale di errore nel cablaggio cerebrale.
16:11
And indeed, the popular press loves headlines like,
349
956000
3000
E in realtà, alla stampa popolare piacciono titoli come:
16:14
"Anorexic brains are wired differently,"
350
959000
2000
"I cervelli anoressici (o quelli autistici)
16:16
or "Autistic brains are wired differently."
351
961000
2000
sono cablati diversamente."
16:18
These are plausible claims,
352
963000
2000
Sono affermazioni plausibili,
16:20
but in truth,
353
965000
2000
ma in realtà non riusciamo ad osservare
16:22
we can't see the brain's wiring clearly enough
354
967000
2000
il cablaggio del cervello abbastanza nitidamente
16:24
to tell if these are really true.
355
969000
2000
da stabilire se sono vere.
16:26
And so the technologies for seeing connectomes
356
971000
3000
Pertanto, le tecnologie per vedere i connettomi
16:29
will allow us to finally
357
974000
2000
ci permetteranno finalmente
16:31
read mis-wiring of the brain,
358
976000
2000
di leggere gli errori nel cablaggio del cervello,
16:33
to see mental disorders in connectomes.
359
978000
3000
osservando i disordini mentali nei connettomi.
16:40
Sometimes the best way to test a hypothesis
360
985000
3000
A volte il miglior modo di testare un'ipotesi
16:43
is to consider its most extreme implication.
361
988000
3000
è di considerare le sue conseguenze estreme.
16:46
Philosophers know this game very well.
362
991000
3000
I filosofi conoscono il gioco molto bene.
16:50
If you believe that I am my connectome,
363
995000
3000
Se credete che io sia il mio connettoma,
16:53
I think you must also accept the idea
364
998000
3000
penso che dobbiate anche accettare l'idea
16:56
that death is the destruction
365
1001000
2000
che la morte sia la distruzione
16:58
of your connectome.
366
1003000
3000
del nostro connettoma.♫
17:02
I mention this because there are prophets today
367
1007000
3000
Affronto il tema perché ci sono dei profeti, oggi,
17:05
who claim that technology
368
1010000
3000
che affermano che la tecnologia
17:08
will fundamentally alter the human condition
369
1013000
3000
potrà alterare in modo fondamentale la condizione umana
17:11
and perhaps even transform the human species.
370
1016000
3000
e forse persino trasformare la specie umana.
17:14
One of their most cherished dreams
371
1019000
3000
Uno dei sogni a loro più cari
17:17
is to cheat death
372
1022000
2000
è quello di ingannare la morte
17:19
by that practice known as cryonics.
373
1024000
2000
con la pratica nota come crionica.
17:21
If you pay 100,000 dollars,
374
1026000
2000
Pagando 100.000 dollari,
17:23
you can arrange to have your body frozen after death
375
1028000
3000
potete farvi congelare il corpo dopo la morte
17:26
and stored in liquid nitrogen
376
1031000
2000
e conservarlo nel nitrogeno liquido,
17:28
in one of these tanks in an Arizona warehouse,
377
1033000
2000
in una di queste cisterne in un magazzino dell'Arizona,
17:30
awaiting a future civilization
378
1035000
2000
in attesa di una civiltà futura
17:32
that is advanced to resurrect you.
379
1037000
3000
abbastanza avanzata da farvi risorgere.
17:36
Should we ridicule the modern seekers of immortality,
380
1041000
2000
Dovremmo ridicolizzare questi moderni cercatori
17:38
calling them fools?
381
1043000
2000
dell'immortalità, definendoli sciocchi?
17:40
Or will they someday chuckle
382
1045000
2000
O saranno loro, un giorno, a sorridere
17:42
over our graves?
383
1047000
2000
sulle nostre tombe?
17:45
I don't know --
384
1050000
2000
Non lo so.
17:47
I prefer to test their beliefs, scientifically.
385
1052000
3000
Preferisco testare le loro convinzioni, scientificamente.
17:50
I propose that we attempt to find a connectome
386
1055000
2000
Propongo di provare a trovare un connettoma
17:52
of a frozen brain.
387
1057000
2000
di un cervello congelato.
17:54
We know that damage to the brain
388
1059000
2000
Sappiamo che il cervello si danneggia
17:56
occurs after death and during freezing.
389
1061000
2000
dopo la morte e durante il congelamento.
17:58
The question is: has that damage erased the connectome?
390
1063000
3000
La domanda è: questo danno ha cancellato il connettoma?
18:01
If it has, there is no way that any future civilization
391
1066000
3000
Se sì, nessuna civiltà futura potrà in alcun modo
18:04
will be able to recover the memories of these frozen brains.
392
1069000
3000
recuperare le memorie di questi cervelli congelati.
18:07
Resurrection might succeed for the body,
393
1072000
2000
La risurrezione potrebbe realizzarsi per il corpo,
18:09
but not for the mind.
394
1074000
2000
ma non per la mente.
18:11
On the other hand, if the connectome is still intact,
395
1076000
3000
D'altro canto, se il connettoma resta intatto,
18:14
we cannot ridicule the claims of cryonics so easily.
396
1079000
3000
non possiamo liquidare le affermazioni della crionica così in fretta.
18:20
I've described a quest
397
1085000
2000
Vi ho appena descritto una ricerca
18:22
that begins in the world of the very small,
398
1087000
3000
che inizia nel mondo del molto piccolo,
18:25
and propels us to the world of the far future.
399
1090000
3000
e ci spinge nel mondo dell'estremo futuro.
18:28
Connectomes will mark a turning point in human history.
400
1093000
3000
I connettomi segneranno un punto di svolta nella storia umana.
18:32
As we evolved from our ape-like ancestors
401
1097000
2000
Mentre ci evolvevamo dai nostri antenati primati
18:34
on the African savanna,
402
1099000
2000
nella savana Africana,
18:36
what distinguished us was our larger brains.
403
1101000
3000
a distinguerci sono stati i nostri cervelli più grandi.
18:40
We have used our brains to fashion
404
1105000
2000
Abbiamo usato i nostri cervelli per dare forma
18:42
ever more amazing technologies.
405
1107000
3000
a tecnologie sempre più sorprendenti.
18:45
Eventually, these technologies will become so powerful
406
1110000
3000
Alla fine, queste tecnologie diventeranno così potenti
18:48
that we will use them to know ourselves
407
1113000
3000
che le useremo per conoscere noi stessi,
18:51
by deconstructing and reconstructing
408
1116000
3000
decostruendo e ricostruendo
18:54
our own brains.
409
1119000
3000
i nostri stessi cervelli.
18:57
I believe that this voyage of self-discovery
410
1122000
3000
Credo che questo viaggio di auto-scoperta
19:00
is not just for scientists,
411
1125000
3000
non riguardi solo gli scienziati,
19:03
but for all of us.
412
1128000
2000
ma tutti noi.
19:05
And I'm grateful for the opportunity to share this voyage with you today.
413
1130000
3000
E sono grato di aver oggi potuto condividere questo viaggio con voi.
19:08
Thank you.
414
1133000
2000
Grazie.
19:10
(Applause)
415
1135000
8000
(Applausi)
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