TEDGlobal 2011
Allan Jones: A map of the brain
Allan Jones: Smegenų žemėlapis
Filmed:
Readability: 4.4
1,269,611 views
Kaip mes galėtume pradėti suprasti, kaip veikia smegenys? Tokiu pat būdu, kaip ir pradėdami pažinti miestą: sukurdami žemėlapį. Šioje vizualiai pritrenkiančioje kalboje Allan Jones rodo, kaip jo komanda pavaizduoja aktyvuotus genus kiekviename mažyčiame regione ir kaip viskas galų gale susijungia.
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio
Double-click the English transcript below to play the video.
00:15
Humans have long held a fascination
0
0
2000
Žmonės ilgai buvo susižavėję
00:17
for the human brain.
1
2000
2000
žmogaus smegenimis.
00:19
We chart it, we've described it,
2
4000
3000
Mes braižėme jų schemas, mes jas aprašėme,
00:22
we've drawn it,
3
7000
2000
mes jas piešėme,
00:24
we've mapped it.
4
9000
3000
mes kūrėme jų žemėlapius.
00:27
Now just like the physical maps of our world
5
12000
3000
Taip pat kaip su fiziniais mūsų pasaulio žemėlapiais,
00:30
that have been highly influenced by technology --
6
15000
3000
jų kūrimą stipriai įtakojo technologijos --
00:33
think Google Maps,
7
18000
2000
pagalvokite apie Google Maps,
00:35
think GPS --
8
20000
2000
apie GPS --
00:37
the same thing is happening for brain mapping
9
22000
2000
tas pats vyksta su smegenų žemėlapių kūrimu
00:39
through transformation.
10
24000
2000
keičiantis technologijoms.
00:41
So let's take a look at the brain.
11
26000
2000
Tad žvilgtelėkime į smegenis.
00:43
Most people, when they first look at a fresh human brain,
12
28000
3000
Dauguma pirmąkart pamatę tikras žmogaus smegenis
00:46
they say, "It doesn't look what you're typically looking at
13
31000
3000
sako: "Tai neatrodo kaip tai, į ką paprastai žiūrėtum,
00:49
when someone shows you a brain."
14
34000
2000
kai kas nors tau parodo smegenis."
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
36000
3000
Į ką paprastai žiūrime yra stabilios smegenys. Jos pilkos.
00:54
And this outer layer, this is the vasculature,
16
39000
2000
Šis išorinis sluoksnis yra neįtikėtinas kraujagyslių
00:56
which is incredible, around a human brain.
17
41000
2000
tinklas, dengiantis žmogaus smegenis.
00:58
This is the blood vessels.
18
43000
2000
Tai kraujagyslės.
01:00
20 percent of the oxygen
19
45000
3000
20 procentų deguonies,
01:03
coming from your lungs,
20
48000
2000
ateinančio iš jūsų plaučių,
01:05
20 percent of the blood pumped from your heart,
21
50000
2000
20 procentų kraujo varomo iš jūsų širdies,
01:07
is servicing this one organ.
22
52000
2000
aprūpina būtent šį organą.
01:09
That's basically, if you hold two fists together,
23
54000
2000
Jei laikysite abu kumščius kartu,
01:11
it's just slightly larger than the two fists.
24
56000
2000
tai smegenys yra tik šiek tiek didesnės už šiuos du kumščius.
01:13
Scientists, sort of at the end of the 20th century,
25
58000
3000
Mokslininkai kažkur 20-tojo amžiaus pabaigoje
01:16
learned that they could track blood flow
26
61000
2000
išmoko sekti kraujo tekėjimą
01:18
to map non-invasively
27
63000
3000
ir nenaudojant invazinių procedūrų kurti
01:21
where activity was going on in the human brain.
28
66000
3000
smegenų aktyvumo žemėlapį.
01:24
So for example, they can see in the back part of the brain,
29
69000
3000
Jie, pavyzdžiui, gali matyti galinę smegenų dalį,
01:27
which is just turning around there.
30
72000
2000
kuri pasirodo štai čia.
01:29
There's the cerebellum; that's keeping you upright right now.
31
74000
2000
Čia smegenėlės; jos dabar išlaiko jus vertikalioje padėtyje.
01:31
It's keeping me standing. It's involved in coordinated movement.
32
76000
3000
Jos mane išlaiko stačią. Jos dalyvauja koordinuotame judėjime.
01:34
On the side here, this is temporal cortex.
33
79000
3000
Štai čia šone yra smilkininė žievė.
01:37
This is the area where primary auditory processing --
34
82000
3000
Čia vyksta pirminis klausos apdorojimas,
01:40
so you're hearing my words,
35
85000
2000
todėl jūs girdite, ką aš kalbu,
01:42
you're sending it up into higher language processing centers.
36
87000
2000
jūs siunčiate tai aukštesniesiems kalbos apdorojimo centrams.
01:44
Towards the front of the brain
37
89000
2000
Smegenų priekinėje dalyje
01:46
is the place in which all of the more complex thought, decision making --
38
91000
3000
yra vieta, kurioje vyksta visas sudėtingesnis mąstymas, sprendimų priėmimas --
01:49
it's the last to mature in late adulthood.
39
94000
4000
ji baigia vystytis vėlyvoje pilnametystėje.
01:53
This is where all your decision-making processes are going on.
40
98000
3000
Čia ta vieta, kur vyksta visi jūsų sprendimų priėmimo procesai.
01:56
It's the place where you're deciding right now
41
101000
2000
Joje priimate savo sprendimus šią akimirką;
01:58
you probably aren't going to order the steak for dinner.
42
103000
3000
jūs turbūt neužsisakysite kepsnio pietums.
02:01
So if you take a deeper look at the brain,
43
106000
2000
Tad jei giliau pažvelgsite į smegenis,
02:03
one of the things, if you look at it in cross-section,
44
108000
2000
vienas iš dalykų, jei pažiūrėsite į jų skerspjūvį,
02:05
what you can see
45
110000
2000
ką jūs matote
02:07
is that you can't really see a whole lot of structure there.
46
112000
3000
yra tai, kad ten nematyti itin sudėtingos struktūros.
02:10
But there's actually a lot of structure there.
47
115000
2000
Bet iš tikrųjų ten labai paini struktūra.
02:12
It's cells and it's wires all wired together.
48
117000
2000
Tai ląstelės ir neuronai, visi sujungti kartu.
02:14
So about a hundred years ago,
49
119000
2000
Tad prieš maždaug šimtą metų
02:16
some scientists invented a stain that would stain cells.
50
121000
2000
keletas mokslininkų išrado medžiagą, kuri nudažytų ląsteles.
02:18
And that's shown here in the the very light blue.
51
123000
3000
Ir tai rodoma čia šviesiai mėlyna spalva.
02:21
You can see areas
52
126000
2000
Jūs matote vietas,
02:23
where neuronal cell bodies are being stained.
53
128000
2000
kur nudažomos neuronų ląstelės.
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
130000
3000
Ir jūs matote, kad spalva labai nevienoda. Čia daug daugiau struktūros.
02:28
So the outer part of that brain
55
133000
2000
O išorinė tų smegenų dalis
02:30
is the neocortex.
56
135000
2000
yra naujoji žievė.
02:32
It's one continuous processing unit, if you will.
57
137000
3000
Tai yra vientisas apdorojimo įrenginys, jei taip galima pasakyti.
02:35
But you can also see things underneath there as well.
58
140000
2000
Bet jūs taip pat galite pamatyti giliau.
02:37
And all of these blank areas
59
142000
2000
Visos šios nenuspalvintos sritys
02:39
are the areas in which the wires are running through.
60
144000
2000
yra tos, per kurias eina jungtys.
02:41
They're probably less cell dense.
61
146000
2000
Ten ląstelių tankumas greičiausiai mažesnis.
02:43
So there's about 86 billion neurons in our brain.
62
148000
4000
Jūsų smegenyse yra apie 86 milijardai neuronų.
02:47
And as you can see, they're very non-uniformly distributed.
63
152000
3000
Kaip matote, jie nevienodai pasiskirstę.
02:50
And how they're distributed really contributes
64
155000
2000
Ir jų pasiskirstymas labai svarbus
02:52
to their underlying function.
65
157000
2000
vykdomai funkcijai.
02:54
And of course, as I mentioned before,
66
159000
2000
Ir, aišku, kaip sakiau pradžioje,
02:56
since we can now start to map brain function,
67
161000
3000
dėl to, kad dabar galime piešti smegenų veikimo žemėlapį,
02:59
we can start to tie these into the individual cells.
68
164000
3000
galime funkcijas susieti su individualiomis ląstelėmis.
03:02
So let's take a deeper look.
69
167000
2000
Pažvelkime giliau.
03:04
Let's look at neurons.
70
169000
2000
Pažiūrėkime į neuronus.
03:06
So as I mentioned, there are 86 billion neurons.
71
171000
2000
Kaip minėjau, yra 86 milijardai neuronų.
03:08
There are also these smaller cells as you'll see.
72
173000
2000
Taip pat yra tos mažesnės ląstelės, kaip matysite.
03:10
These are support cells -- astrocytes glia.
73
175000
2000
Jos yra pagalbinės ląstelės -- astrocitai, gliocitai.
03:12
And the nerves themselves
74
177000
3000
O patys nervai
03:15
are the ones who are receiving input.
75
180000
2000
yra duomenis priimančios ląstelės.
03:17
They're storing it, they're processing it.
76
182000
2000
Jos juos laiko ir apdoroja.
03:19
Each neuron is connected via synapses
77
184000
4000
Kiekvienas neuronas yra sujungtas sinapsėmis
03:23
to up to 10,000 other neurons in your brain.
78
188000
3000
su iki 10 tūkstančių kitų neuronų jūsų smegenyse.
03:26
And each neuron itself
79
191000
2000
Ir kiekvienas tas neuronas
03:28
is largely unique.
80
193000
2000
yra gana unikalus.
03:30
The unique character of both individual neurons
81
195000
2000
Ir atskirų neuronų,
03:32
and neurons within a collection of the brain
82
197000
2000
ir neuronų rinkinių unikalumas
03:34
are driven by fundamental properties
83
199000
3000
pagrįstas pamatinėmis
03:37
of their underlying biochemistry.
84
202000
2000
jų biocheminės struktūros savybėmis.
03:39
These are proteins.
85
204000
2000
Čia baltymai.
03:41
They're proteins that are controlling things like ion channel movement.
86
206000
3000
Tai baltymai, kontroliuojantys tokius dalykus kaip jonų kanalų judėjimas.
03:44
They're controlling who nervous system cells partner up with.
87
209000
4000
Jie kontroliuoja, su kuo nervų sistemos ląstelės bendrauja.
03:48
And they're controlling
88
213000
2000
Ir jie kontroliuoja
03:50
basically everything that the nervous system has to do.
89
215000
2000
iš esmės viską, ką nervų sistema daro.
03:52
So if we zoom in to an even deeper level,
90
217000
3000
Jei padidinsime mastelį dar labiau,
03:55
all of those proteins
91
220000
2000
visi šie baltymai
03:57
are encoded by our genomes.
92
222000
2000
yra užkoduoti mūsų genomuose.
03:59
We each have 23 pairs of chromosomes.
93
224000
3000
Kiekvienas iš mūsų turime 23 chromosomų poras.
04:02
We get one from mom, one from dad.
94
227000
2000
Vieną gauname iš mamos, kitą iš tėčio.
04:04
And on these chromosomes
95
229000
2000
Ir šiose chromosomose
04:06
are roughly 25,000 genes.
96
231000
2000
yra apie 25 tūkstančius genų.
04:08
They're encoded in the DNA.
97
233000
2000
Jie užkoduoti DNR.
04:10
And the nature of a given cell
98
235000
3000
Ir konkrečios ląstelės prigimtis,
04:13
driving its underlying biochemistry
99
238000
2000
valdanti jos biocheminę struktūrą,
04:15
is dictated by which of these 25,000 genes
100
240000
3000
yra nulemta to, kurie iš šių 25 tūkstančių genų
04:18
are turned on
101
243000
2000
yra įjungti
04:20
and at what level they're turned on.
102
245000
2000
ir kokiame lygmenyje įjungti.
04:22
And so our project
103
247000
2000
Tad mūsų projekto esmė yra
04:24
is seeking to look at this readout,
104
249000
3000
pažvelgti į šiuos parodymus,
04:27
understanding which of these 25,000 genes is turned on.
105
252000
3000
siekiant suprasti, kuris iš šių 25 tūkstančių genų yra įjungtas.
04:30
So in order to undertake such a project,
106
255000
3000
Norint imtis tokio projekto,
04:33
we obviously need brains.
107
258000
3000
mums akivaizdžiai reikėjo smegenų.
04:36
So we sent our lab technician out.
108
261000
3000
Tad mes išsiuntėme tavo techninį darbuotoją.
04:39
We were seeking normal human brains.
109
264000
2000
Ieškojome normalių žmogaus smegenų.
04:41
What we actually start with
110
266000
2000
O iš tikrųjų pradėjome
04:43
is a medical examiner's office.
111
268000
2000
medicininio tyrėjo kabinete.
04:45
This a place where the dead are brought in.
112
270000
2000
Tai yra vieta, kur atgabenami mirusieji.
04:47
We are seeking normal human brains.
113
272000
2000
Mums reikia įprastų žmogaus smegenų.
04:49
There's a lot of criteria by which we're selecting these brains.
114
274000
3000
Yra daugybė kriterijų, pagal kuriuos renkamės tokias smegenis.
04:52
We want to make sure
115
277000
2000
Norime būti tikri,
04:54
that we have normal humans between the ages of 20 to 60,
116
279000
3000
kad turime normalias žmogaus smegenis tarp 20 ir 60 metų,
04:57
they died a somewhat natural death
117
282000
2000
kad jie mirė daugiau mažiau natūralia mirtimi
04:59
with no injury to the brain,
118
284000
2000
be smegenų pažeidimų,
05:01
no history of psychiatric disease,
119
286000
2000
nesirgdami psichine liga
05:03
no drugs on board --
120
288000
2000
ir nevartodami narkotikų --
05:05
we do a toxicology workup.
121
290000
2000
mes darome toksikologinį patikrinimą.
05:07
And we're very careful
122
292000
2000
Ir mes labai atsargūs,
05:09
about the brains that we do take.
123
294000
2000
kokias smegenis imame.
05:11
We're also selecting for brains
124
296000
2000
Mes taip pat pasirenkame tik tas smegenis,
05:13
in which we can get the tissue,
125
298000
2000
iš kurių galime paimti audinius,
05:15
we can get consent to take the tissue
126
300000
2000
galime gauti sutikimą paimti audinius
05:17
within 24 hours of time of death.
127
302000
2000
per 24 valandas po mirties.
05:19
Because what we're trying to measure, the RNA --
128
304000
3000
Nes tai, ką mes norime išmatuoti, RNA,
05:22
which is the readout from our genes --
129
307000
2000
talpinanti mūsų genų informaciją,
05:24
is very labile,
130
309000
2000
yra labai nepatvari
05:26
and so we have to move very quickly.
131
311000
2000
ir mes turime veikti labai greitai.
05:28
One side note on the collection of brains:
132
313000
3000
Iš smegenų rinkimo užrašų:
05:31
because of the way that we collect,
133
316000
2000
dėl to, kaip mes renkame smegenis,
05:33
and because we require consent,
134
318000
2000
ir dėl to, kad mums reikia turėti sutikimą,
05:35
we actually have a lot more male brains than female brains.
135
320000
3000
mes turime daug daugiau vyrų smegenų negu moterų.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
323000
3000
Vyrai daug dažniau žūsta būdami jauni.
05:41
And men are much more likely
137
326000
2000
Ir daug labiau tikėtina, kad vyrams
05:43
to have their significant other, spouse, give consent
138
328000
3000
jų sutuoktinės duos sutikimą,
05:46
than the other way around.
139
331000
2000
negu priešingai.
05:48
(Laughter)
140
333000
4000
(Juokas)
05:52
So the first thing that we do at the site of collection
141
337000
2000
Pirmiausia, ką darome gavę smegenis,
05:54
is we collect what's called an MR.
142
339000
2000
tai atliekame MR.
05:56
This is magnetic resonance imaging -- MRI.
143
341000
2000
Tai magnetinio rezonanso tomografija.
05:58
It's a standard template by which we're going to hang the rest of this data.
144
343000
3000
Tai standartinis pagrindas, ant kurio mes sudėliosime likusius duomenis.
06:01
So we collect this MR.
145
346000
2000
Taigi, mes sukuriame MR atvaizdą.
06:03
And you can think of this as our satellite view for our map.
146
348000
2000
Jūs galite tai įsivaizduoti kaip mūsų žemėlapio satelitinį atvaizdą.
06:05
The next thing we do
147
350000
2000
Toliau
06:07
is we collect what's called a diffusion tensor imaging.
148
352000
3000
mes atliekame vadinamąjį difuzinį tenzorinį atvaizdavimą.
06:10
This maps the large cabling in the brain.
149
355000
2000
Taip registruojame smegenyse esančias jungtis.
06:12
And again, you can think of this
150
357000
2000
Vėlgi, galite tai įsivaizduoti beveik kaip
06:14
as almost mapping our interstate highways, if you will.
151
359000
2000
mūsų greitkelių tinklo braižymą.
06:16
The brain is removed from the skull,
152
361000
2000
Smegenys išimamos iš kaukolės
06:18
and then it's sliced into one-centimeter slices.
153
363000
3000
ir supjaustomos į vieno centimetro storio riekes.
06:21
And those are frozen solid,
154
366000
2000
Jos visiškai sušaldomos
06:23
and they're shipped to Seattle.
155
368000
2000
ir išvežamos į Sietlą.
06:25
And in Seattle, we take these --
156
370000
2000
Sietle mes jas paimame --
06:27
this is a whole human hemisphere --
157
372000
2000
tai yra visas žmogaus smegenų pusrutulis --
06:29
and we put them into what's basically a glorified meat slicer.
158
374000
2000
ir įdedame jas į tai, kas paprastai kalbant yra mėsos pjaustyklė.
06:31
There's a blade here that's going to cut across
159
376000
2000
Ten yra ašmenys, kurios pjaus per
06:33
a section of the tissue
160
378000
2000
audinio dalį
06:35
and transfer it to a microscope slide.
161
380000
2000
ir pavers ją mikroskopiniu preparatu.
06:37
We're going to then apply one of those stains to it,
162
382000
2000
Jį nudažysime vienu iš šių dažų
06:39
and we scan it.
163
384000
2000
ir skenuosime.
06:41
And then what we get is our first mapping.
164
386000
3000
Tai atlikę gauname savo pirmąjį žemėlapį.
06:44
So this is where experts come in
165
389000
2000
Štai dabar pasikviečiame ekspertus
06:46
and they make basic anatomic assignments.
166
391000
2000
ir jie padaro standartinį anatominį suskirstymą.
06:48
You could consider this state boundaries, if you will,
167
393000
3000
Galite tai palyginti su valstijų ribomis,
06:51
those pretty broad outlines.
168
396000
2000
tie gražūs platūs kontūrai.
06:53
From this, we're able to then fragment that brain into further pieces,
169
398000
4000
Tai padarę galime smegenis fragmentuoti toliau,
06:57
which then we can put on a smaller cryostat.
170
402000
2000
jas galime dėti ant mažesnio kriostato.
06:59
And this is just showing this here --
171
404000
2000
Ir būtent tai dabar matote --
07:01
this frozen tissue, and it's being cut.
172
406000
2000
čia sušaldytas audinys ir jis yra pjaustomas.
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
408000
3000
Čia 20 mikronų storis, taigi tai maždaug vaiko plauko plotis.
07:06
And remember, it's frozen.
174
411000
2000
Ir prisiminkite, audinys sušaldytas.
07:08
And so you can see here,
175
413000
2000
O čia jūs matote
07:10
old-fashioned technology of the paintbrush being applied.
176
415000
2000
senamadiškosios teptuko technologijos taikymą.
07:12
We take a microscope slide.
177
417000
2000
Paimame mikroskopinį audinio preparatą.
07:14
Then we very carefully melt onto the slide.
178
419000
3000
Tada atsargiai jį užtirpdome ant stiklelio.
07:17
This will then go onto a robot
179
422000
2000
Tai paskui keliauja ant roboto,
07:19
that's going to apply one of those stains to it.
180
424000
3000
kuris nudažys jį vienu iš tų dažų.
07:26
And our anatomists are going to go in and take a deeper look at this.
181
431000
3000
Tada ateis mūsų anatomai ir pažiūrės įdėmiau.
07:29
So again this is what they can see under the microscope.
182
434000
2000
Vėlgi, tai yra ką jie mato per mikroskopą.
07:31
You can see collections and configurations
183
436000
2000
Jūs matote didelių ir mažų ląstelių
07:33
of large and small cells
184
438000
2000
rinkinius ir konfigūracijas
07:35
in clusters and various places.
185
440000
2000
spiečiuose ir įvairiose vietose.
07:37
And from there it's routine. They understand where to make these assignments.
186
442000
2000
Ir nuo čia viskas yra tiesiog rutina. Jie supranta, kur atlikti šiuos priskyrimus.
07:39
And they can make basically what's a reference atlas.
187
444000
3000
Ir jie gali pagaminti iš esmės nuorodų atlasą.
07:42
This is a more detailed map.
188
447000
2000
Tai yra detalesnis žemėlapis.
07:44
Our scientists then use this
189
449000
2000
Mūsų mokslininkai juo naudojasi
07:46
to go back to another piece of that tissue
190
451000
3000
grįždami prie kitos audinio dalies
07:49
and do what's called laser scanning microdissection.
191
454000
2000
ir daro vadinamąją lazerio skenavimo disekciją.
07:51
So the technician takes the instructions.
192
456000
3000
Technikas priima instrukcijas.
07:54
They scribe along a place there.
193
459000
2000
Jie pažymi vietas.
07:56
And then the laser actually cuts.
194
461000
2000
Ir tada lazeris iš tikrųjų pjauna.
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
463000
3000
Jūs matote tą mėlyną tašką, kuris pjauna. Ir tas audinys nukrenta.
08:01
You can see on the microscope slide here,
196
466000
2000
Ant šio mikroskopinio preparato galite matyti,
08:03
that's what's happening in real time.
197
468000
2000
kaip tai vyksta realiu laiku.
08:05
There's a container underneath that's collecting that tissue.
198
470000
3000
Apačioje yra talpykla, renkanti audinį.
08:08
We take that tissue,
199
473000
2000
Mes paimame audinį,
08:10
we purify the RNA out of it
200
475000
2000
išgryniname iš jo RNA,
08:12
using some basic technology,
201
477000
2000
naudodamiesi paprastais metodais,
08:14
and then we put a florescent tag on it.
202
479000
2000
ir tada uždedame fluorescencinę žymę.
08:16
We take that tagged material
203
481000
2000
Mes paimame šiuos sužymėtus audinius
08:18
and we put it on to something called a microarray.
204
483000
3000
ir uždedame ant vadinamojo mikromasyvo.
08:21
Now this may look like a bunch of dots to you,
205
486000
2000
Tai jums gali atrodyti kaip taškų krūva,
08:23
but each one of these individual dots
206
488000
2000
bet kiekvienas iš šių taškų
08:25
is actually a unique piece of the human genome
207
490000
2000
iš tikrųjų yra unikali žmogaus genomo dalis,
08:27
that we spotted down on glass.
208
492000
2000
kurią mes padėjome ant stiklo.
08:29
This has roughly 60,000 elements on it,
209
494000
3000
Ji turi apie 60 tūkstančių elementų,
08:32
so we repeatedly measure various genes
210
497000
3000
todėl mes pakartotinai matuojame įvairius genus
08:35
of the 25,000 genes in the genome.
211
500000
2000
iš 25 tūkstančių genų žmogaus genome.
08:37
And when we take a sample and we hybridize it to it,
212
502000
3000
Ir kai mes paimame mėginį ir jį hibridizuojame pagal genus,
08:40
we get a unique fingerprint, if you will,
213
505000
2000
mes gauname kažką panašaus į unikalų atvaizdą,
08:42
quantitatively of what genes are turned on in that sample.
214
507000
3000
rodantį, kokie genai yra įjungti tame mėginyje.
08:45
Now we do this over and over again,
215
510000
2000
Bet kurioms smegenims šį procesą
08:47
this process for any given brain.
216
512000
3000
kartojame vėl ir vėl.
08:50
We're taking over a thousand samples for each brain.
217
515000
3000
Kiekvienoms smegenims imame virš tūkstančio mėginių.
08:53
This area shown here is an area called the hippocampus.
218
518000
3000
Ši vieta yra vadinama hipokampu.
08:56
It's involved in learning and memory.
219
521000
2000
Ji susijusi su mokymusi ir atmintimi.
08:58
And it contributes to about 70 samples
220
523000
3000
Ji naudojama maždaug 70-yje mėginių
09:01
of those thousand samples.
221
526000
2000
iš to tūkstančio.
09:03
So each sample gets us about 50,000 data points
222
528000
4000
Kiekvienas mėginys atneša apie 50 tūkstančių duomenų punktų,
09:07
with repeat measurements, a thousand samples.
223
532000
3000
su pakartotinais matavimais, tūkstantis mėginių.
09:10
So roughly, we have 50 million data points
224
535000
2000
Tad skaičiuojant apytiksliai, mes turime 50 milijonų duomenų taškų
09:12
for a given human brain.
225
537000
2000
vienoms žmogaus smegenims.
09:14
We've done right now
226
539000
2000
Mes surinkome
09:16
two human brains-worth of data.
227
541000
2000
dviejų žmogaus smegenų duomenis.
09:18
We've put all of that together
228
543000
2000
Viską sudėjome kartu
09:20
into one thing,
229
545000
2000
į vieną vietą
09:22
and I'll show you what that synthesis looks like.
230
547000
2000
ir dabar parodysiu jums, kaip ši sintezė atrodo.
09:24
It's basically a large data set of information
231
549000
3000
Tai iš esmės yra didelis duomenų masyvas,
09:27
that's all freely available to any scientist around the world.
232
552000
3000
kuris laisvai prieinamas bet kuriam pasaulio mokslininkui.
09:30
They don't even have to log in to come use this tool,
233
555000
3000
Jiems net nereikia prisijungti, norint naudotis šiuo įrankiu,
09:33
mine this data, find interesting things out with this.
234
558000
4000
tyrinėti šiuos duomenis, rasti įdomių dalykų.
09:37
So here's the modalities that we put together.
235
562000
3000
Štai ką mes padarėme.
09:40
You'll start to recognize these things from what we've collected before.
236
565000
3000
Turbūt atpažinsite tai iš to, ką surinkome anksčiau.
09:43
Here's the MR. It provides the framework.
237
568000
2000
Čia MR atvaizdas. Jis suteikia struktūrą.
09:45
There's an operator side on the right that allows you to turn,
238
570000
3000
Dešinėje yra valdymo pultas, kuris leidžia pasukti,
09:48
it allows you to zoom in,
239
573000
2000
leidžia priartinti,
09:50
it allows you to highlight individual structures.
240
575000
3000
ir leidžia paryškinti atskiras struktūras.
09:53
But most importantly,
241
578000
2000
Bet svarbiausia, kad
09:55
we're now mapping into this anatomic framework,
242
580000
3000
mes kuriame žemėlapį iš šių anatominių struktūrų,
09:58
which is a common framework for people to understand where genes are turned on.
243
583000
3000
kuris padeda suprasti, kuriose vietose yra įjungti atskiri genai.
10:01
So the red levels
244
586000
2000
Raudonos sritys
10:03
are where a gene is turned on to a great degree.
245
588000
2000
rodo, kur genai įjungti labai stipriai.
10:05
Green is the sort of cool areas where it's not turned on.
246
590000
3000
Žalios yra neaktyvios sritys, kur genai nėra įjungti.
10:08
And each gene gives us a fingerprint.
247
593000
2000
Ir kiekvienas genas duoda mums atspaudą.
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
595000
5000
Ir atminkite, kad mes išanalizavome visus 25000 genų žmogaus genome
10:15
and have all of that data available.
249
600000
4000
ir visi duomenys yra laisvai prieinami.
10:19
So what can scientists learn about this data?
250
604000
2000
Tad ką gali mokslininkai gauti iš šių duomenų?
10:21
We're just starting to look at this data ourselves.
251
606000
3000
Mes ir patys tik pradedame juos nagrinėti.
10:24
There's some basic things that you would want to understand.
252
609000
3000
Yra keletas paprastų dalykų, kuriuos norėtume suprasti.
10:27
Two great examples are drugs,
253
612000
2000
Du puikūs pavyzdžiai yra vaistai,
10:29
Prozac and Wellbutrin.
254
614000
2000
Prozac ir Wellbutrin.
10:31
These are commonly prescribed antidepressants.
255
616000
3000
Tai yra dažnai išrašomi antidepresantai.
10:34
Now remember, we're assaying genes.
256
619000
2000
Neužmirškite, kad mes analizuojame genus.
10:36
Genes send the instructions to make proteins.
257
621000
3000
Genai siunčia nurodymus baltymų gamybai.
10:39
Proteins are targets for drugs.
258
624000
2000
Baltymai yra vaistų taikinys.
10:41
So drugs bind to proteins
259
626000
2000
Vaistai jungiasi prie baltymų
10:43
and either turn them off, etc.
260
628000
2000
ir juos išjungia ar panašiai.
10:45
So if you want to understand the action of drugs,
261
630000
2000
Tad jei norite suprasti vaistų veikimą,
10:47
you want to understand how they're acting in the ways you want them to,
262
632000
3000
norite suprasti, ar jie veikia būtent taip, kaip norite,
10:50
and also in the ways you don't want them to.
263
635000
2000
ir ar jie veikia kaip nors, kaip jūs nenorite.
10:52
In the side effect profile, etc.,
264
637000
2000
Dėl šalutinių efektų ir t.t.
10:54
you want to see where those genes are turned on.
265
639000
2000
norite matyti, kur genai yra įjungti.
10:56
And for the first time, we can actually do that.
266
641000
2000
Ir pirmąkart tai iš tikro galite padaryti.
10:58
We can do that in multiple individuals that we've assayed too.
267
643000
3000
Mes tai galime padaryti ir keletui individų, kuriuos ištyrėme.
11:01
So now we can look throughout the brain.
268
646000
3000
Tad dabar mes galime žvalgytis po visas smegenis.
11:04
We can see this unique fingerprint.
269
649000
2000
Galime matyti šį unikalų genų antspaudą.
11:06
And we get confirmation.
270
651000
2000
Ir gauti patvirtinimą.
11:08
We get confirmation that, indeed, the gene is turned on --
271
653000
3000
Patvirtinimą, kad išties tas genas yra įjungtas --
11:11
for something like Prozac,
272
656000
2000
kažkam, kaip Prozac,
11:13
in serotonergic structures, things that are already known be affected --
273
658000
3000
serotonerginėse struktūrose, kurios žinojome, kad yra veikiamos,
11:16
but we also get to see the whole thing.
274
661000
2000
bet taip pat mes matome pilną vaizdą.
11:18
We also get to see areas that no one has ever looked at before,
275
663000
2000
Taip galime pamatyti vietas, į kurias niekas iki šiol nėra atkreipęs dėmesio
11:20
and we see these genes turned on there.
276
665000
2000
ir ten matome įjungtus šiuos genus.
11:22
It's as interesting a side effect as it could be.
277
667000
3000
Joks šalutinis efektas negalėtų būti įdomesnis.
11:25
One other thing you can do with such a thing
278
670000
2000
Dar vienas dalykas, kuriam galime pritaikyti šį metodą,
11:27
is you can, because it's a pattern matching exercise,
279
672000
3000
nes tai yra struktūrų atpažinimo užduotis,
11:30
because there's unique fingerprint,
280
675000
2000
ir todėl, kad tai unikalus antspaudas,
11:32
we can actually scan through the entire genome
281
677000
2000
yra tai, kad mes galime nuskenuoti ištisą genomą
11:34
and find other proteins
282
679000
2000
ir rasti kitus baltymus,
11:36
that show a similar fingerprint.
283
681000
2000
kurie turi panašų antspaudą.
11:38
So if you're in drug discovery, for example,
284
683000
3000
Todėl jei dirbate vaistų kūrime,
11:41
you can go through
285
686000
2000
galite praeiti
11:43
an entire listing of what the genome has on offer
286
688000
2000
per visą sąrašą dalykų, kuriuos gali pasiūlyti genomas
11:45
to find perhaps better drug targets and optimize.
287
690000
4000
ir galbūt rasti geresnius taikinius vaistui ir pagerinti jo veikimą.
11:49
Most of you are probably familiar
288
694000
2000
Dauguma jūsų tikriausiai susipažinę
11:51
with genome-wide association studies
289
696000
2000
su viso genomo asociacijų tyrimais,
11:53
in the form of people covering in the news
290
698000
3000
kai žmonės kalba per žinias
11:56
saying, "Scientists have recently discovered the gene or genes
291
701000
3000
ir sako "Mokslininkai neseniai atrado geną ar genus,
11:59
which affect X."
292
704000
2000
kurie turi poveikį X."
12:01
And so these kinds of studies
293
706000
2000
Šio tipo tyrimus
12:03
are routinely published by scientists
294
708000
2000
mokslininkai nuolatos publikuoja
12:05
and they're great. They analyze large populations.
295
710000
2000
ir jie yra puikūs. Analizuoja dideles populiacijas.
12:07
They look at their entire genomes,
296
712000
2000
Nagrinėjami ištisi genomai
12:09
and they try to find hot spots of activity
297
714000
2000
ir bandoma rasti aktyviausias sritis,
12:11
that are linked causally to genes.
298
716000
3000
kurios priežastiniais ryšiais susijusios su genais.
12:14
But what you get out of such an exercise
299
719000
2000
Bet tai ką gauname iš tokių tyrimų
12:16
is simply a list of genes.
300
721000
2000
yra tiesiog genų sąrašas.
12:18
It tells you the what, but it doesn't tell you the where.
301
723000
3000
Jis pasako, kas, bet nepasako kur.
12:21
And so it's very important for those researchers
302
726000
3000
Ir todėl šiems mokslininkams yra labai svarbu,
12:24
that we've created this resource.
303
729000
2000
kad mes sukūrėme šį šaltinį.
12:26
Now they can come in
304
731000
2000
Mokslininkai gali jį naudoti
12:28
and they can start to get clues about activity.
305
733000
2000
ir gauti užuominų apie veiklą.
12:30
They can start to look at common pathways --
306
735000
2000
Jie gali pradėti matyti būdus -
12:32
other things that they simply haven't been able to do before.
307
737000
3000
kitus metodus, kurių anksčiau tiesiog negalėjo pritaikyti.
12:36
So I think this audience in particular
308
741000
3000
Todėl manau, kad būtent ši auditorija
12:39
can understand the importance of individuality.
309
744000
3000
gali suprasti individualumo svarbą.
12:42
And I think every human,
310
747000
2000
Ir manau, kad kiekvienas žmogus,
12:44
we all have different genetic backgrounds,
311
749000
4000
mes visi turime skirtingą genetinę kilmę,
12:48
we all have lived separate lives.
312
753000
2000
mes visi gyvename atskirus gyvenimus.
12:50
But the fact is
313
755000
2000
Bet iš tikrųjų
12:52
our genomes are greater than 99 percent similar.
314
757000
3000
mūsų genomai bent 99-iais procentais panašūs.
12:55
We're similar at the genetic level.
315
760000
3000
Esame panašūs genetiniame lygmenyje.
12:58
And what we're finding
316
763000
2000
Ir dabar atrandame, kad
13:00
is actually, even at the brain biochemical level,
317
765000
2000
iš tikrųjų net smegenų biocheminiame lygmenyje
13:02
we are quite similar.
318
767000
2000
esame gana panašūs.
13:04
And so this shows it's not 99 percent,
319
769000
2000
Tai parodo ne 99 procentų panašumą,
13:06
but it's roughly 90 percent correspondence
320
771000
2000
bet apytiksliai 90 procentų atitikimą
13:08
at a reasonable cutoff,
321
773000
3000
priimtinu tikslumu,
13:11
so everything in the cloud is roughly correlated.
322
776000
2000
todėl viskas tame debesyje daugiau mažiau koreliuoja.
13:13
And then we find some outliers,
323
778000
2000
Tada atrandame išskirtinumų,
13:15
some things that lie beyond the cloud.
324
780000
3000
kažką, kas yra už debesies ribų.
13:18
And those genes are interesting,
325
783000
2000
Ir tie genai yra įdomūs,
13:20
but they're very subtle.
326
785000
2000
bet labai subtilūs.
13:22
So I think it's an important message
327
787000
3000
Todėl manau, kad labai svarbi idėja,
13:25
to take home today
328
790000
2000
kurią turėtumėte atsiminti:
13:27
that even though we celebrate all of our differences,
329
792000
3000
nepaisant to, kad itin vertiname savo išskirtinumą,
13:30
we are quite similar
330
795000
2000
mes esame gana panašūs
13:32
even at the brain level.
331
797000
2000
net smegenų lygyje.
13:34
Now what do those differences look like?
332
799000
2000
O kaip tie skirtumai atrodo?
13:36
This is an example of a study that we did
333
801000
2000
Čia studijos, kurią atlikome, pavyzdys
13:38
to follow up and see what exactly those differences were --
334
803000
2000
tęsti tyrimą ir tiksliai pamatyti, kokie yra tie skirtumai,
13:40
and they're quite subtle.
335
805000
2000
ir jie yra gan subtilūs.
13:42
These are things where genes are turned on in an individual cell type.
336
807000
4000
Tai yra, kokie genai yra įjungti atskiruose ląstelių tipuose.
13:46
These are two genes that we found as good examples.
337
811000
3000
Štai du genai, kuriuos atrinkome kaip gerus pavyzdžius.
13:49
One is called RELN -- it's involved in early developmental cues.
338
814000
3000
Vienas vadinamas RELN -- jis susijęs su ankstyvaisiais vystymosi signalais.
13:52
DISC1 is a gene
339
817000
2000
DISC1 yra genas,
13:54
that's deleted in schizophrenia.
340
819000
2000
kuris šizofrenijos atveju neaktyvus.
13:56
These aren't schizophrenic individuals,
341
821000
2000
Šie individai nėra šizofrenikai,
13:58
but they do show some population variation.
342
823000
3000
bet jiems būdinga tam tikra variacija populiacijoje.
14:01
And so what you're looking at here
343
826000
2000
O štai čia,
14:03
in donor one and donor four,
344
828000
2000
pas pirmą ir ketvirtą donorą,
14:05
which are the exceptions to the other two,
345
830000
2000
matote išimtis lyginant su kitais dviem.
14:07
that genes are being turned on
346
832000
2000
Genai yra įjungti
14:09
in a very specific subset of cells.
347
834000
2000
labai specifinėje ląstelių grupėje.
14:11
It's this dark purple precipitate within the cell
348
836000
3000
Šios tamsiai violetinėse nuosėdos šioje ląstelėje
14:14
that's telling us a gene is turned on there.
349
839000
3000
mums rodo, kad genas čia yra įjungtas.
14:17
Whether or not that's due
350
842000
2000
Ar tai dėl individo genetinės prigimties,
14:19
to an individual's genetic background or their experiences,
351
844000
2000
ar dėl individo genetinės kilmės, ar patirties,
14:21
we don't know.
352
846000
2000
pasakyti negalime.
14:23
Those kinds of studies require much larger populations.
353
848000
3000
Tokie tyrimai reikalauja daug didesnių imčių.
14:28
So I'm going to leave you with a final note
354
853000
2000
Todėl paliksiu jus su paskutiniu teiginiu
14:30
about the complexity of the brain
355
855000
3000
apie smegenų sudėtingumą
14:33
and how much more we have to go.
356
858000
2000
ir kiek mums dar reikia atrasti.
14:35
I think these resources are incredibly valuable.
357
860000
2000
Manau, kad šie duomenų šaltiniai yra neįtikėtinai vertingi.
14:37
They give researchers a handle
358
862000
2000
Jie tyrinėtojams nurodo,
14:39
on where to go.
359
864000
2000
kur toliau judėti.
14:41
But we only looked at a handful of individuals at this point.
360
866000
3000
Bet iki šiol mes pažvelgėme tik į saujelę individų.
14:44
We're certainly going to be looking at more.
361
869000
2000
Mes neabejotinai tirsime daugiau.
14:46
I'll just close by saying
362
871000
2000
Pabaigsiu sakydamas,
14:48
that the tools are there,
363
873000
2000
kad įrankiai yra,
14:50
and this is truly an unexplored, undiscovered continent.
364
875000
4000
ir tai tikrai yra neištyrinėtas ir neatrastas žemynas.
14:54
This is the new frontier, if you will.
365
879000
4000
Tai yra "nauja riba", jei taip galima pasakyti.
14:58
And so for those who are undaunted,
366
883000
2000
Ir tiems, kurių nebaugina smegenų sudėtingumas,
15:00
but humbled by the complexity of the brain,
367
885000
2000
bet verčia kukliai žavėtis,
15:02
the future awaits.
368
887000
2000
jūsų laukia ateitis.
15:04
Thanks.
369
889000
2000
Ačiū.
15:06
(Applause)
370
891000
9000
(Plojimai)
ABOUT THE SPEAKER
Allan Jones - Brain scientistAs CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.
Why you should listen
The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.
Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.
He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."
Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>
Allan Jones | Speaker | TED.com