ABOUT THE SPEAKER
Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data.

Why you should listen

As a professor and researcher at Columbia University and as CSO of MyHeritage.com, Yaniv Erlich has performed foundational work in genetic privacy and large-scale studies of crowdsourced genomic data. Dubbed a "genome hacker" by the journal Nature, Erlich and his team discovered a privacy loophole enabling reidentification of allegedly anonymous male research participants using just internet searches and their Y chromosome. Later, he discovered that 60 percent of all US individuals with European descent can be identified by forensic genetics using open genetic genealogy databases, which Science magazine called one of the top 10 breakthroughs of 2018.

Erlich is also responsible for the construction of the world's largest family tree, comprising 13 million people, as well as the development of the website DNA.land, which has compiled the genotypes of more than 150,000 donors. He has also worked to discover the genetic bases for several conditions in Israeli families. His team has demonstrated stable DNA data storage, reaching a density of 215 petabyte per gram of DNA. He's been awarded numerous prizes, has published more than 45 papers and authored seven patents.

More profile about the speaker
Yaniv Erlich | Speaker | TED.com
TEDMED 2018

Yaniv Erlich: How we're building the world's largest family tree

Yaniv Erlich: ကျုပ်တို့က ကမ္ဘာ့အကြီးမားဆုံး မိသားစု ပင်စည်ကို တည်ဆောက်နေကြပုံ

Filmed:
1,507,766 views

ကွန်ပျူတာနဲ့ တွက်ချက်ရာတွင် ပါရမီရှင်ဖြစ်တဲ့ Yaniv Erlich က ကမ္ဘာ့အကြီးမားဆုံး မိသားစု ပင်စည်ကို တည်ဆောက်နိုင်အောင် ကူညီပေးခဲ့ရာ -- အဲဒီထဲမှာ လူစုစုပေါင်း ၁၃ သန်းပါဝင်ကြပြီး နှစ်ပေါင်းအရ လွန်ခဲ့တဲ့ နှစ် ၅၀၀ အထိရှိတဲ့ ကာလကို ခြုံငုံမိပါတယ်။ အဲဒီ သုတေသန အလုပ်ထဲကနေပြီး ပေါ်ထွက်လာကြတဲ့ အံ့အားသင့်ဖွယ် ပုံစံချပ်ပြားများ အကြောင်းကို၊ ကျုပ်တို့ရဲ့ ချစ်ကြိုက်ကြတဲ့ အသက်များအကြောင်း၊ ကျုပ်တို့ရဲ့ ကျန်းမာရေး၊ ပြီးတော့ ဆယ်စုနှစ်ချီ ကြာလာခဲ့ကြတဲ့ ရာဇဝတ်မှုများ အကြောင်းတို့ကို ပြောပြထားတဲ့ အပြင် ပြည်သူတွေ အများအပြား ပါဝင်ပြီး တည်ဆောက်ပေးခဲ့ကြတဲ့ ဆွေစဉ်မျိုးဆက်ဆိုင်ရာ ဒေတာများက အတိတ်ကာလကိုသာမက အနာဂတ်ကိုပါ မီးမောင်း ထိုးပြနိုင်စွမ်း ရှိတာကို ထောက်ပြထားပါတယ်။
- Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data. Full bio

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

00:12
People use the internet
for various reasons.
0
817
3452
ပြည်သူတို့ဟာ အင်တာနက်ကို အကြောင်း
အမျိုးမျိုးအတွက် အသုံးချကြပါတယ်။
00:17
It turns out that one of the most
popular categories of website
1
5765
3804
လူကြိုက်အများဆုံး ဝဘ်ဆိုက် တစ်ခုက
00:21
is something that people
typically consume in private.
2
9593
2872
လူတွေပုံမှန်အားဖြင့် ကိုယ်ရေးကိုယ်တာ
အတွက် အသုံးပြုကြတာ ဖြစ်လာပါတယ်။
00:25
It involves curiosity,
3
13639
2510
အဲဒါဟာ စပ်စုလိုစိတ်မှ စပါတယ်၊
ပြီးတော့ မသိမသာ
အဲဒါကို ဝါသနာပါဖို့ လိုပါတယ်။
00:28
non-insignificant levels
of self-indulgence
4
16173
3796
00:31
and is centered around recording
the reproductive activities
5
19993
3260
ပြီးတော့ တခြားသူတွေရဲ့ မျိုးပွားမှု
ဆိုင်ရာ အချက်အလက်တွေကို
မှတ်တမ်း တင်ပေးမှု ပါဝင်ပါတယ်။
00:35
of other people.
6
23277
1309
00:36
(Laughter)
7
24610
1032
(ရယ်သံများ)
00:37
Of course, I'm talking about genealogy --
8
25666
2250
အဟုတ်ပါ၊ ဆွေစဉ်ပြကားချပ် အကြောင်းကို
ပြောနေတာ--
00:39
(Laughter)
9
27940
1214
(ရယ်သံများ)
00:41
the study of family history.
10
29178
1702
မိသားစုရဲ့ သမိုင်းလေ့လာမှုပါ။
မိသားစုသမိုင်းကို အသေးစိတ်
ရေးမှတ်ဖို့ ကိစ္စဲထဲကျတော့၊
00:43
When it comes to detailing family history,
11
31353
2037
မိသားစုတိုင်းထဲမှာ ဆွေစဉ်ကားချပ်ကို အထူး
စိတ်ဝင်စားသူဟာ အမြဲတမ်း ရှိတတ်ပါတယ်။
00:45
in every family, we have this person
that is obsessed with genealogy.
12
33414
3943
ဥပမာအဖြစ် သူ့ကို
Uncle Bernie လို့ ခေါ်ကြပါစို့။
00:49
Let's call him Uncle Bernie.
13
37381
1713
00:51
Uncle Bernie is exactly the last person
you want to sit next to
14
39118
3782
အဲဒီ Uncle Bernie ဟာ လွန်ခဲ့တဲ့
ဆုတောင်းပွဲတော်တုန်းက ခင်ဗျားနဲ့ ကပ်လျက်
00:54
in Thanksgiving dinner,
15
42924
1599
ထိုင်နေခဲ့သူပါပဲ၊
00:56
because he will bore you to death
with peculiar details
16
44547
2814
သူဟာ ခင်ဗျားကို သေချင်းစော်နံချင်
လောက်အောင်ကို ဒုက္ခပေးမယ့်သူပါ။
00:59
about some ancient relatives.
17
47385
1966
ရှေးဟောင်းမျိုးစဉ် အသေးစိတ်တွေကို
မေးမကုန်မှာမို့လို့ပါ။
ဒါပေမဲ့ ကျုပ်တို့ သိထားသင့်တာက၊
01:02
But as you know,
18
50462
1262
01:03
there is a scientific side for everything,
19
51748
2872
အရာတိုင်းအတွက် သိပ္ပံနည်း
အဖြေဆိုတာ ရှိတတ်ပါတယ်၊
01:06
and we found that Uncle Bernie's stories
20
54644
2978
ခုနက Uncle Bernie ရဲ့ပုံပြင်တွေဟာ
01:09
have immense potential
for biomedical research.
21
57646
3168
ဇီဝကျန်းမာရေး သုတေသနအတွက်
လွန်စွာမှ အရေးပါကြလို့ပါ။
အခုတော့ အဲဒီလို Uncle Bernie နဲ့
ဆွေးစဉ် ကားချပ် လေ့လာရေး ပညာရှင်တို့ဟာ
01:13
We let Uncle Bernie
and his fellow genealogists
22
61306
2714
01:16
document their family trees through
a genealogy website called geni.com.
23
64044
4668
သူတို့ရဲ့ ဆွေစဉ်ကားချပ်ကို geni.com
ဝဘ်ဆိုက်မှတစ်ဆင့် မှတ်တမ်းတင်နိုင်ကြပါပြီ။
အသုံးပြုသူတို့က သူတို့မျိုးစဉ်ပင်စည်ကို
ဝဘ်ဆိုက်ပေါ် တင်ပေးကြတဲ့ အခါမှာ၊
01:21
When users upload
their trees to the website,
24
69198
2128
၎င်းဟာ သူတို့ဆွေမျိုးတွေကို စိစစ်ကြည့်တယ်၊
01:23
it scans their relatives,
25
71350
1690
01:25
and if it finds matches to existing trees,
26
73064
2075
ရှိနှင့်နေကြတဲ့ ပင်စည်များနဲ့
တိုက်ဆိုင်မှုတွေကို ရှာကြည့်တယ်၊
01:27
it merges the existing
and the new tree together.
27
75163
3610
ရှိနေဆဲဟာတွေကို ပင်စည်သစ်နဲ့
ပေါင်းစည်းပေးလိုက်ပါတယ်။
01:31
The result is that large
family trees are created,
28
79768
2950
အဲဒါရဲ့ရလဒ်အဖြစ် လူတဦးချင်း အနေနဲ့
တည်ဆောက်ရနိုင်တာထက်
01:34
beyond the individual level
of each genealogist.
29
82742
3479
များစွာမှ ကြီးမားလှတဲ့ ဆွေစဉ် ပင်စည်တွေကို
ဖန်တီးပေးလာနိုင်ပါတယ်။
01:38
Now, by repeating this process
with millions of people
30
86808
4129
အဲဒီလို ပေါင်းစည်းမှုကို ကမ္ဘာပေါ်ရှိ
ပြည်သူ သန်းပေါင်းများစွာတို့အတွက်
01:42
all over the world,
31
90961
1817
လုပ်ပေးနိုင်လာလို့၊
01:44
we can crowdsource the construction
of a family tree of all humankind.
32
92802
5532
ကျုပ်တို့ဟာ လူသားတစ်ရပ်လုံးရဲ့ မိသားစု
ပင်စည်ကြီးကို တည်ဆောက်လာနိုင်ပါမယ်။
01:51
Using this website,
33
99292
1584
အဲဒီ ဝဘ်ဆိုက်ကို အသုံးပြုလျက်၊
01:52
we were able to connect 125 million people
34
100900
4813
ကျုပ်တို့ဟာ အခုထိ
လူ ၁၂၅ သန်းတို့ကို တစ်ခုတည်းသော
01:57
into a single family tree.
35
105737
2521
မိသားစု ပင်စည်ကြီးအဖြစ်
ဆက်သွယ်ပေးနိုင်ခဲ့ပါပြီ။
အဲဒီအပင်ကို ကျနော်ဟာ ဒီစခရင်ပေါ်မှာ
ရေးဆွဲမပြနိုင်ပါဘူး၊
02:00
I cannot draw the tree
on the screens over here
36
108967
2788
ဒီမှာ ရှိနေတဲ့ pixel တွေက ပင်စည်ထဲ
ရှိနေကြတဲ့ လူတွေထက်
02:03
because they have less pixels
37
111779
2165
02:05
than the number of people in this tree.
38
113968
2513
နည်းနေကြလို့ပါ။
02:08
But here is an example of a subset
of 6,000 individuals.
39
116505
5010
ဒါပေမဲ့ ဥပမာတစ်ခုအဖြစ် လူ ၆၀၀၀ တို့ရဲ့
အချက်လက်ကို ပြပေးနိုင်ပါတယ်။
02:14
Each green node is a person.
40
122159
2362
ဒီမှာ မြင်ရတဲ့ အစိမ်းရောင်
အဖုဟာ လူ တစ်ယောက်ပါ။
02:17
The red nodes represent marriages,
41
125060
2849
အနီရောင် အဖုက လက်ထပ်ခဲ့ကြတဲ့ စုံတွဲများပါ၊
02:19
and the connections represent parenthood.
42
127933
2258
ပြီးတော့ ချိတ်ဆက်မှုတွေက
မိဘဖြစ်မှုကို ပြပေးပါတယ်။
အဲဒီလို ပင်စည်ကြီးရဲ့ ဗဟိုမှာ
ဘိုးဘေးကို မြင်နိုင်ကြပါတယ်။
02:22
In the middle of this tree,
you see the ancestors.
43
130557
2372
02:24
And as we go to the periphery,
you see the descendants.
44
132953
2604
အစွန်အဖျားဆီကို သွားတာနဲ့အမျှ
ဆင်းသက်လာသူတွေကို မြင်ကြရမယ်။
02:27
This tree has seven
generations, approximately.
45
135581
3102
ဒီပင်စည်ထဲမှာ မျိုးဆက် ခုနစ်ခုခန့်
ပါဝင်တယ်လို့ ယူဆရတယ်။
အခုဆက်ပြီး ပါဝင်တဲ့ လူတွေရဲ့ ဦးရေကို
တိုးချဲ့ပေးရင် ဖြစ်လာပုံကို မြင်ရပါမယ်
02:31
Now, this is what happens
when we increase the number of individuals
46
139692
3234
02:34
to 70,000 people --
47
142950
1828
လူ ၇၀,၀၀၀ အထိ တိုးပေးလိုက်ရင် ---
02:36
still a tiny subset
of all the data that we have.
48
144802
4330
ကျုပ်တို့ဆီမှာ ရှိတဲ့ ဒေတာထဲက သေးငယ်လှတဲ့
အပိုင်းမျှ ရှိနေတုန်းပါ။
02:41
Despite that, you can already see
the formation of gigantic family trees
49
149629
4813
ဒါတောင်မှ သိပ်ကို ဝေးလံကြတဲ့ ဆွေမျိုး
များရဲ့ အချက်အလက်တွေကို
02:46
with many very distant relatives.
50
154466
2655
ခင်ဗျားတို့ မြင်လို့ ရနိုင်ပါတယ်။
02:49
Thanks to the hard work
of our genealogists,
51
157610
3134
ကျုပ်တို့ရဲ့ ဆွေစဉ်ပင်စည် ပညာရှင်တွေရဲ့
ကြိုးပမ်းမှုကျေးဇူးကြောင့်
02:52
we can go back in time
hundreds of years ago.
52
160768
3103
ကျုပ်တို့ဟာ လွန်ခဲ့တဲ့ နှစ်ရာချီဆီကို
ပြန်ပြီး သွားနိုင်ကြပါတယ်။
02:56
For example, here is Alexander Hamilton,
53
164418
3441
ဥပမာ အဖြစ် Alexander Hamilton
ကို ယူကြည့်ကြပါစို့၊
02:59
who was born in 1755.
54
167883
2475
သူဟာ ၁၇၅၅ ခုနှစ်မှာ မွေးခဲ့တယ်။
03:02
Alexander was the first
US Secretary of the Treasury,
55
170872
3764
အဲဒီ Alexander ဟာ အမေရိကန် ပြည်ထောင်စုရဲ့
ပထမဦးဆုံး ငွေတိုက်မှူး ဖြစ်ခဲ့တယ်၊
03:06
but mostly known today
due to a popular Broadway musical.
56
174660
3831
ဒါပေမဲ့ ဒီနေ့တွင် လူကြိုက်များတဲ့ Broadway
ဂီတဇာတ်မြူးကြောင့် လူသိများပါတယ်။
03:11
We found that Alexander has deeper
connections in the showbiz industry.
57
179137
4922
Alexander ဟာ ရှိုးပွဲတော်များနဲ့
နက်ရှိုင်းစွာ ဆက်နေတာကို တွေ့ရပါတယ်။
03:16
In fact, he's a blood relative of ...
58
184083
2111
တကယ်တော့ သူဟာ Kevin Bacon ရဲ့
သိပ်ကို နီးစပ်တဲ့ ဘိုးလေးပါ။
03:18
Kevin Bacon!
59
186781
1220
03:20
(Laughter)
60
188025
2032
(ရယ်သံများ)
သူတို့နှစ်ဦးစလုံးဟာ စကော့တလန်မှ
အမျိုးသမီးတစ်ဦးမှ ဆင်းသက်လာခဲ့ကြတယ်
03:22
Both of them are descendants
of a lady from Scotland
61
190081
2606
03:24
who lived in the 13th century.
62
192711
2314
၁၃ ရာစုမှာ နေထိုင်ခဲ့တဲ့ အမျိုးသမီးပါ။
03:27
So you can say that Alexander Hamilton
63
195049
3102
ဒါကြောင့်မို့လို့ Alexander Hamilton ဟာ
03:30
is 35 degrees of Kevin Bacon genealogy.
64
198175
3188
Kevin Bacon ရဲ့ ဆွေစဉ်ပင်စည်ထဲက
၃၅ အဆင့်မှာ ရှိနေသူပါလို့ ဆိုနိုင်ပါတယ်။
03:33
(Laughter)
65
201387
1441
(ရယ်သံများ)
03:34
And our tree has millions
of stories like that.
66
202852
3230
ကျုပ်တို့ရဲ့ ပင်စည်ကြီးထဲမှာ အဲဒီလို
ပုံပြင်တွေ သန်းနဲ့ချီ ရှိပါတယ်။
03:40
We invested significant efforts
to validate the quality of our data.
67
208113
4890
ကျုပ်တို့ဟာ ကျုပ်တို့ရဲ့ ဒေတာ အရည်အသွေး
ကောင်းစေဖို့ အတော့်လေး အားထုတ်ခဲ့ကြပါတယ်။
03:45
Using DNA, we found that .3 percent of
the mother-child connections in our data
68
213027
5391
DNA ကို အသုံးပြုလျက် ကျုပ်တို့ ဒေတာထဲတွင်
မိခင်နဲ့ကလေး ဆက်သွယ်မှုတွေရဲ့ ၃%ဟာ
03:50
are wrong,
69
218442
1250
လွဲမှားနေခဲ့ကြတယ်၊
03:51
which could match the adoption rate
in the US pre-Second World War.
70
219716
3591
အဲဒါ ဒုတိယကမ္ဘာစစ် မတိုင်မီတုန်းက မွေးစား
ခဲ့ကြတဲ့ ကလေးနှုန်းနဲ့ ကိုက်ညီခဲ့တယ်။
03:56
For the father's side,
71
224847
1785
ဖခင်တွေအတွက် လေ့လာကြည့်တော့၊
03:58
the news is not as good:
72
226656
1961
သတင်းဟာ သိပ်မကောင်းလှပါ-
04:02
1.9 percent of the father-child
connections in our data are wrong.
73
230149
5600
ကျုပ်တို့ ဒေတာထဲက ဖခင်-ကလေး ချိတ်ဆက်မှုဟာ
၁.၉ ရာခိုင်နှုန်း လွဲမှားနေခဲ့ကြတယ်။
ဒါကို တချို့လူတွေ မျက်နှာ ရှုံ့မဲ့သွားကြတာ
သတိထားမိတယ်။
04:07
And I see some people smirk over here.
74
235773
2363
04:10
It is what you think --
75
238160
1717
ဟုတ်ပါတယ်၊ ခင်ဗျားတို့ ထင်ကြသလို
ဘေးမှသွေးရောစပ်နေတဲ့ ကလေးတွေ များပါတယ်။
04:11
there are many milkmen out there.
76
239901
1789
04:13
(Laughter)
77
241714
1064
(ရယ်သံများ)
04:14
However, this 1.9 percent error rate
in patrilineal connections
78
242802
3989
တကယ်ကျတော့ ဖခင်ဆိုင်ရာ ချိတ်ဆက်မှု
၁.၉ % လွဲမှားမှုဟာ
04:18
is not unique to our data.
79
246815
1769
ကျုပ်တို့ ဒေတာအတွက် မထူးဆန်းပါဘူး။
04:20
Previous studies found
a similar error rate
80
248608
3069
အရင်တုန်းက ပြုလုပ်ခဲ့ဘူးတဲ့
ဆေးခန်းမှ လာကြတဲ့ ခွေမျိုးရိုးဆိုင်ရာ
04:23
using clinical-grade pedigrees.
81
251701
2021
အမှားတွေဟာလည်း အဲဒီလောက်ပဲ ရှိခဲ့ပါတယ်။
04:26
So the quality of our data is good,
82
254254
2525
ဒီတော့ ကျုပ်တို့ဒေတာရဲ့ အရည်အသွေးဟာ
ကောင်းပါးတယ်၊
04:28
and that should not be a surprise.
83
256803
2133
ခုနက အချက်ဟာ အံ့အားသင့်စရာ
မဟုတ်ပါဘူး။
ကျုပ်တို့ရဲ့ ဆွေစဉ်ပင်စည် ပညာရှင်များဟာ
မိသားစု သမိုင်းကို
04:30
Our genealogists have
a profound, vested interest
84
258960
3776
04:34
in correctly documenting
their family history.
85
262760
3668
မှတ်တမ်း တင်ကြရာတွင် တကယ့်ကို
အားထုတ်ကြိုးစားကြပါတယ်။
04:40
We can leverage this data to learn
quantitative information about humanity,
86
268594
4591
ကျုပ်တို့ဟာ ဒီဒေတာကို အသုံးပြုပြီး
လူသားတို့ဆိုင်ရာ အချက်အလက်တချို့ကို၊
ဥပမာ၊ လူဦးရေပျံ့နှံ့နေထိုင်ကြပုံ
အကြောင်းကို လေ့လာနိုင်ပါတယ်။
04:45
for example, questions about demography.
87
273209
2596
04:47
Here is a look at all our profiles
on the map of the world.
88
275829
3857
ကျုပ်တို့ရဲ့ ပရိုဖိုင်အားလုံးကို ကမ္ဘာ့
မြေပုံပေါ်မှာ ဒီလို မြင်နိုင်ပါတယ်။
04:52
Each pixel is a person
that lived at some point.
89
280250
4481
pixel တခုချင်းစီဟာ
တချိန်ချိန်မှာ နေထိုင်ခဲ့တဲ့ လူပါ။
ကျုပ်တို့ဆီမှာ ဒေတာက သိပ်မများလှတော့၊
04:56
And since we have so much data,
90
284755
1680
04:58
you can see the contours
of many countries,
91
286459
2781
ခင်ဗျားတို့ဟာ နိုင်ငံ တော်တော်များများရဲ့
နယ်မြေတွေကို၊
05:01
especially in the Western world.
92
289264
2099
အထူးသဖြင့် အနောက်ကမ္ဘာခြမ်းမှာ
မြင်နိုင်ကြပါတယ်။
05:03
In this clip, we stratified
the map that I've showed you
93
291387
3548
အခုပြမယ့် ဗီဒီယိုထဲမှာကျတော့
ခင်ဗျားတို့ကို ပြောပြခဲ့တာတွေကို
05:06
based on the year of births of individuals
from 1400 to 1900,
94
294959
5072
အခြေခံပြီး ၁၄၀၀ ပြည့်နှစ်မှ ၁၉၀၀ အထိ
မွေးခဲ့ကြတဲ့ သူတွေကို ကြည့်ကြရမှာပါ။
ပြီးတော့ အဲဒါတွေကို လူမျိုးတွေ နေရာ
စွန့်ရွှေ့ပြောင်းခဲ့မှုနဲ့ ယှဉ်ပြထားပါတယ်။
05:12
and we compared it
to known migration events.
95
300055
2766
ဒီထဲမှာ အနက်ရှိုင်းဆုံး ဒေတာတွေရဲ့
ချိတ်ဆက်မှုတွေဟာ ယူကေနဲ့
05:15
The clip is going to show you
that the deepest lineages in our data
96
303482
3165
သက်ဆိုင်နေတာကို မြင်ကြရမှာပါ၊
05:18
go all the way back to the UK,
97
306671
1627
သူတို့ဆီမှာ မှတ်တမ်းတွေကို
ထားတဲ့ စနစ်က ကောင်းခဲ့လို့ပါ။
05:20
where they had better record keeping,
98
308322
1808
နောက်မှာ သူတို့ဟာ အနောက်နိုင်င်ငံများရဲ့
ကိုလိုနီ လမ်းကြောင်းအတိုင်း သွားကြပါတယ်။
05:22
and then they spread along
the routes of Western colonialism.
99
310154
3282
05:25
Let's watch this.
100
313460
1322
အခုတော့ ဗီဒီယိုကို ကြည့်ကြပါစို့။
05:27
(Music)
101
315143
1609
(ဂီတ)
05:28
[Year of birth: ]
102
316776
2341
[မွေးနှစ်- ]
05:31
[1492 - Columbus sails the ocean blue]
103
319705
1836
[၁၄၉၂- ကိုလံဘတ်က ပင်လယ်ထဲ ခရီးထွက်]
05:35
[1620 - Mayflower lands in Massachusetts]
104
323661
2000
[၁၆၂၀ - မက်ဆာချူးဆက်ထဲက မေဖလားဝါးမြေများ]
05:38
[1652 - Dutch settle in South Africa]
105
326726
1775
[၁၆၅၂ - ဒတ်ခ်ျလူမျိုးတွေ
တောင်အာဖရိကမှာ ခြေချခဲ့]
[၁၇၈၈ - ဗြိတိန်နိုင်ငံက သြစတြေးလျ
ဘက်သို့ ခရီးဆန့်မှုကို စတင်ခဲ့]
05:44
[1788 - Great Britain penal
transportation to Australia starts]
106
332321
3186
[၁၈၃၆ - ပထမဦးဆုံး ရွှေ့ပြောင်း
ကြသူတို့က Oregon Trail ကိုသုံးကြ]
05:47
[1836 - First migrants use Oregon Trail]
107
335531
1927
05:50
[all activity]
108
338149
3183
[လုပ်ဆောင်ချက်များ အားလုံး]
05:55
I love this movie.
109
343851
1543
ကျနော် ဒီဗီဒီယိုကို ကြိုက်တယ်။
05:57
Now, since these migration events
are giving the context of families,
110
345418
5093
ဒီမှာ မြင်ခဲ့ကြရတဲ့ ရွှေ့ပြောင်းမှုတွေက
မိသားစုတွေရဲ့ ဇာတ်မြစ်ကို ပြသနေကြတော့၊
ကျုပ်တို့ဟာ ဒီလို မေးခွန်းတွေကို
မေးနိုင်ကြတယ်-
06:02
we can ask questions such as:
111
350535
2183
06:04
What is the typical distance
between the birth locations
112
352742
3470
လင်နဲ့ မယားတို့ရဲ့ မွေးရပ်များ အကြားက
ပုံမှန် အကွာအဝေးဟာ
06:08
of husbands and wives?
113
356236
2812
ဘယ်လောက်များပါလိမ့်။
06:11
This distance plays
a pivotal role in demography,
114
359072
3677
လူတွေက မိသားစုကို ဖွဲ့စည်းရန် ခရီးသွား
ကြပုံဟာ လူဦးရေပျံ့နှံ့နေထိုင်မှုအတွက်
06:14
because the patterns in which
people migrate to form families
115
362773
3681
သိပ်ကို သော့ချက်ကျပြီး အရေးကြီးတဲ့
အချက် ဖြစ်နေလို့ပါ။
အဲဒီအချက်က မျိုးရိုးဗီဇတွေက ပထဝီဒေသ
အနှံ ပြန့်နှံ့ပုံကို ဆုံးဖြတ်ပေးလို့ပါ။
06:18
determine how genes spread
in geographical areas.
116
366478
3713
ကျုပ်တို့ရဲ့ ဒေတာကို သုံးပြီး
အဲဒီအချက်ကို ကျုပ်တို့ လေ့လာခဲ့ကြရာ၊
06:22
We analyzed this distance using our data,
117
370706
2328
06:25
and we found that in the old days,
118
373058
2290
ရှေးခေတ် နှစ်များတုံးက ဒီကိစ္စဟာ
06:27
people had it easy.
119
375372
1230
လွယ်ကူခဲ့ပုံ ရပါတယ်။
06:28
They just married someone
in the village nearby.
120
376626
2594
လူတွေဟာ အနီးအနား ရွာထဲက
တစ်ယောက်ယောက်နဲ့ လက်ထပ်ခဲ့ကြတယ်။
ဒါပေမဲ့ စက်မှုတော်လှန်ရေးဟာ ကျုပ်တို့ရဲ့
ဘဝကို များစွာမှ ရှုပ်ထွေးပစ်ခဲ့တယ်။
06:31
But the Industrial Revolution
really complicated our love life.
121
379958
3705
06:35
And today, with affordable flights
and online social media,
122
383687
4560
ဒီနေ့တွင်၊ လေယာဉ်နဲ့ သွာလာနိုင်ပြီး
အွန်လိုင်း လူမှုမီဒီယာတွေ ရှိနေကြတော့၊
06:40
people typically migrate more than
100 kilometers from their place of birth
123
388271
4828
လူတွေဟာ သူတို့ရဲ့ ကြင်ဖေါ်ကို ရှာဖို့အတွက်
ကိုယ့်မွေးရပ်မှနေပြီး
06:45
to find their soul mate.
124
393123
1504
ကီလိုမီတာ ၁၀၀ မကအထိ သွားကြပါတယ်။
ဒီတော့ ခင်ဗျားတို့ မေးချင်နိုင်ကြတာက-
06:48
So now you might ask:
125
396524
1187
06:49
OK, but who does the hard work
of migrating from places to places
126
397735
4496
ကောင်းပါပြီ၊ အဲဒီလို မိသားစုထူထောင်ဖို့
အဝေးမှာ ရှာကြံရတဲ့ ခက်ခဲတဲ့ အလုပ်ကို
06:54
to form families?
127
402255
1269
လုပ်တာက ဘယ်သူများလဲ။
06:55
Are these the males or the females?
128
403548
3727
အဲဒါ ဤယောက်ျားလား မိန်းမလား။
ကျုပ်တို့ ဒေတာကို သုံးပြီး အဲဒီမေးခွန်း
အတွက် အဖြေကို ရှာကြည့်တော့
06:59
We used our data to address this question,
129
407752
2155
07:01
and at least in the last 300 years,
130
409931
2594
အနည်းဆုံးအားဖြင့်
နောက်ဆုံး နှစ် ၃၀၀ အတွင်းမှာ
မိသားစုကို ထူထောင်ဖို့အတွက် တနေရာမှနေပြီး
နောက် တနေရာကို သွားရတဲ့ မလွယ်တဲ့ အလုပ်ကို
07:04
we found that the ladies do the hard work
131
412549
3883
07:08
of migrating from places
to places to form families.
132
416456
2996
အမျိုးသမီးတွေ ပြုလုပ်ခဲ့ကြတာကို
တွေ့နိုင်ပါတယ်။
07:11
Now, these results
are statistically significant,
133
419476
3101
အဲဒီစာရင်းအင်းတွေက
အတော့်ကို အရေးပါကြလို့
07:14
so you can take it as scientific fact
that males are lazy.
134
422601
3471
ယောက်ျားတွေဟာ ပျင်းရိကြတာကို
သိပ္ပံနည်းကျ အဖြေအဖြစ် လက်ခံကြရပါမယ်။
07:18
(Laughter)
135
426096
3156
(ရယ်သံများ)
ကျုပ်တို့ဟာ လူဦးရေပျံ့နှံ့နေထိုင်မှု
မေးခွန်းတွေကနေပြီး
07:21
We can move from questions
about demography
136
429276
2536
07:23
and ask questions about human health.
137
431836
2913
ရွှေ့ပြောင်းလျက် လူ့ကျန်းမာရေး အကြောင်း
မေးနိုင်ကြပါတယ်။
07:26
For example, we can ask
138
434773
1487
ဥပမာ၊ လူတဦးနဲ့တဦး
07:28
to what extent genetic variations
account for differences in life span
139
436284
4963
အသက်အရွယ်ချင်း မတူကွဲပြားမှုက
မျိုးရိုးဗီဇမူကွာဟချက်နဲ့
07:33
between individuals.
140
441271
1194
ဘယ်လို ဆက်စပ်နေပါသလဲ။
အမွှာများရဲ့ အသက်အရွယ် ကွဲပြားခဲ့ပုံကို
အရင်တုန်းက လေ့လာရင်း
07:34
Previous studies analyzed the correlation
of longevity between twins
141
442988
4530
အဲဒီမေးခွန်းကို ဖြေဖို့ အားထုတ်ခဲ့ကြတယ်။
07:39
to address this question.
142
447542
1442
07:41
They estimated that the genetic
variations account for
143
449411
2667
လူတွေရဲ့ အသက်အရွယ် မတူကွဲပြားရခြင်းရဲ့
07:44
about a quarter of the differences
in life span between individuals.
144
452102
4040
လေးပုံတပုံအတွက် ဗီဇဆိုင်ရာ ကွဲလွဲချက်တွေ
နဲ့ ဆိုင်ခဲ့တယ်လို့ ယူဆခဲ့ကြပါတယ်။
ဒါပေမဲ့ အမွှာတွေဆီမှာ ကျတော့ တူညီဆက်စပ်တဲ့
အကြောင်းအရာတွေ များလှပါတယ်၊
07:48
But twins can be correlated
due to so many reasons,
145
456688
2598
07:51
including various environmental effects
146
459310
2304
ပတ်ဝန်းကျင်ဆိုင်ရာ အကျိုးသက်ရောက်မှု
မျိုးစုံအပါအဝင်
07:53
or a shared household.
147
461638
1622
တအိမ်ထဲမှာ အတူနေရတာ အဆုံးပါပဲ။
ကြီးမားတဲ့ မိသားစု ပင်စည်တွေဟာ
အမွှာများလို နီးစပ်တဲ့ ဆွေမျိုးများ
07:56
Large family trees give us the opportunity
to analyze both close relatives,
148
464411
3753
တို့ကိုသာမက၊
08:00
such as twins,
149
468188
1207
စတုတ္ထဝမ်းကွဲများ အထိကိုတောင် ဝေးလံတဲ့
ဆွေမျိုးတွေကို လေ့လာခွင့်ပေးကြတယ်။
08:01
all the way to distant relatives,
even fourth cousins.
150
469419
2917
အဲဒီလိုနည်းဖြင့် ကျုပ်တို့ဟာ
ဗီဇဆိုင်ရာ ကွဲပြားချက်တွေကို
08:04
This way we can build robust models
151
472749
2689
08:07
that can tease apart the contribution
of genetic variations
152
475462
3708
ပတ်ဝန်းကျင်လို သက်ရောက်မှုများမှ
ခွဲခြားပစ်လို့ ရနိုင်တဲ့ ခိုင်ခံ့တဲ့
08:11
from environmental factors.
153
479194
1717
မော်ဒယ်တွေကို တည်ဆောက်ခွင့် ရလာပါတယ်။
ကျုပ်တို့ရဲ့ ဒေတာကို သုံးပြီး ကျုပ်တို့က
အဲဒါကို ဆန်းစစ်ကြည့်ခဲ့ကြရာ
08:13
We conducted this analysis using our data,
154
481379
2899
08:16
and we found that genetic variations
explain only 15 percent
155
484302
5791
လူအမျိုးမျိုးအကြားက
အသက်အရွယ် ကွဲပြားရမှုကသာ
08:22
of the differences in life span
between individuals.
156
490117
2806
ဗီဇဆိုင်ရာ ကွဲလွဲချက်များကြောင့်
ဖြစ်တယ်လို့ တွေ့ခဲ့ကြတယ်။
08:26
That is five years, on average.
157
494760
2756
အဲဒါဟာ ပျမ်းမျှအားဖြင့်
ငါးနှစ်ခန့်ဖြစ်ပါတယ်။
08:30
So genes matter less than
what we thought before to life span.
158
498316
4708
ဒီတော့ အသက်အရွယ်နဲ့ ပတ်သက်ရင် ဗီဇရဲ့
သက်ရောက်မှုဟာ ထင်ခဲ့ကြတာထက် နည်းပါတယ်။
08:35
And I find it great news,
159
503675
2136
ကျနော့်အတွက် အဲဒါဟာ
တကယ့် သတင်းကောင်းပါ၊
08:38
because it means that
our actions can matter more.
160
506438
3293
ကျုပ်တို့ရဲ့ လုပ်ဆောင်ချက်တွေက
ပိုအရေးပါတယ်လို့ အဓိပ္ပါယ်ရလို့ပါ။
08:42
Smoking, for example, determines
10 years of our life expectancy --
161
510533
4274
ဥပမာ၊ ဆေးလိပ်သောက်ခြင်းက မျိုးရိုးဗီဇအရ
ရှိရမယ့် အသက်ကို
08:46
twice as much as what genetics determines.
162
514831
2646
ဆယ်နှစ်ခန့် လျှော့ချ ပစ်နိုင်တယ်။
ကျုပ်တို့ဟာ မိသားစုပင်စည်များမှ
ရွှေ့ပြောင်းလျက်
08:50
We can even have more surprising findings
163
518236
2289
ဆွေစဉ်ကားချပ်ကို လေ့လာကြသူတို့အား
DNA အချက်အလက်တွေကို စုစည်းခွင့်ပြုရင်
08:52
as we move from family trees
164
520549
1492
08:54
and we let our genealogists
document and crowdsource DNA information.
165
522065
4732
ပိုလို့ကို အံ့အားသင့်စရာ ရလဒ်တွေကို
ကျုပ်တို့ ရရှိကြလာမှာပါ။
08:58
And the results can be amazing.
166
526821
2024
အဲဒီရလဒ်တွေကို ယုံကြည့်ဖို့တောင်
လွယ်မှာ မဟုတ်ပါဘူး။
09:01
It might be hard to imagine,
but Uncle Bernie and his friends
167
529255
3915
စိတ်ကူးဖို့ မလွယ်ပေမဲ့
Uncle Bernie နဲ့ သူ့မိတ်ဆွေတွေဟာ
လက်ရှိ အချိန်မှာ FBI ထံမှာ ရှိနေတဲ့
DNA အခြေပြု ပြစ်မှုစူးစမ်းရှာဖွေရေး
09:05
can create DNA forensic capabilities
168
533194
2646
09:07
that even exceed
what the FBI currently has.
169
535864
3559
အလားအလာတွေထက်တောင် များစွာ သာလွန်မှာပါ။
ကျုပ်တို့က DNA ကို ကြီးမားတဲ့ မိသားစု
ပင်စည် ပေါ်ကို တင်ပေးလိုက်ရင်၊
09:12
When you place the DNA
on a large family tree,
170
540862
2404
အလင်းတန်းလေးကို တီထွင်ပေးတာနဲ့ တူပါတယ်၊
09:15
you effectively create a beacon
171
543290
2117
၎င်းဟာ ဝေးလံတဲ့ ဆွေမျိုးသားချင်း
ရာချီတို့ကို လင်းလက်လာစေပါမယ်။
09:17
that illuminates the hundreds
of distant relatives
172
545431
2634
09:20
that are all connected to the person
that originated the DNA.
173
548089
3490
ခုနက DNA မှ အစပြုလာခဲ့ကြတဲ့
လူတွေကို ဆက်စပ်ပြသပေးပါမယ်။
အဲဒီလို အလင်းတန်း အများကြီးကို ကြီးမားတဲ့
မိသားစုပင်စည် ပေါ်ကို တင်ပေးလိုက်ရင်၊
09:24
By placing multiple beacons
on a large family tree,
174
552505
2913
09:27
you can now triangulate the DNA
of an unknown person,
175
555442
3720
ကိုယ် လုံးဝမသိရသေးသူရဲ့ DNA ကို
တြိဂံပုံဖွဲ့ တိုင်းနိုင်ပါတယ်။
09:31
the same way that the GPS system
uses multiple satellites
176
559186
3938
GPS စနစ်က ဂြိုဟ်တုအများအပြားကို သုံးပြီး
09:35
to find a location.
177
563148
1324
တည်နေရာကို ရှာဖွေသလိုပါပဲ။
09:37
The prime example
of the power of this technique
178
565226
3624
ဒီနည်းပညာ စွမ်းဖက်ပုံ အထင်ရှားဆုံး အဓိကက
09:40
is capturing the Golden State Killer,
179
568874
2675
Golden State Killer လို့ နာမည်ပေးခံခဲ့ရတဲ့
09:44
one of the most notorious criminals
in the history of the US.
180
572612
4528
အမေရိက သမိုင်းထဲက နာမည်အဆိုးဆုံး
လူသတ်သမားကို ဖမ်းနိုင်ခဲ့ခြင်းပါပဲ။
09:49
The FBI had been searching
for this person for over 40 years.
181
577164
5892
FBI ဟာ အဲဒီလူကို ဖမ်းဖို့ ရှာကြံနေခဲ့တာ
နှစ်ပေါင်း 40 ကျော်ခဲ့တယ်။
သူတို့ဆီမှာ အဲဒီလူရဲ့
DNA တောင် သူတို့ဆီမှာ ရှိခဲ့တယ်၊
09:55
They had his DNA,
182
583588
1835
09:57
but he never showed up
in any police database.
183
585447
3350
ဒါပေမဲ့ သူ့ကို ဘယ်လိုမှ ခြေရာခံ မရခဲ့ပါ။
10:01
About a year ago, the FBI
consulted a genetic genealogist,
184
589447
4712
လွန်ခဲ့တဲ့တစ်နှစ်လောက်က၊ FBI က
မျိုးရိုးဗီဇပညာရှင်နဲ့
10:06
and she suggested that they submit
his DNA to a genealogy service
185
594183
3950
လာတိုင်ပင်ခဲ့လို့ သူတို့ရဲ့ DNA ကို
ဆွေစဉ်ကားချပ် ဝန်ဆောင်မှုသို့
တင်ပေးပြီး ဝေးလံတဲ့ ဆွေမျိုးတွေကို
ရှာကြည့်ရန် အကြံပေးခဲ့ကြတယ်။
10:10
that can locate distant relatives.
186
598157
2398
10:13
They did that,
187
601117
1156
သူတို့ အဲဒီလို ပြုလုပ်ခဲ့ကြလို့၊
10:14
and they found a third cousin
of the Golden State Killer.
188
602297
3692
Golden State Killer နဲ့ တတိယဝမ်းကွဲ
တော်သူကို ရှာတွေ့ခဲ့တယ်။
10:18
They built a large family tree,
189
606013
2344
သူတို့ဟာ ကြီးမားတဲ့မိသားစု ပင်စည်ကို
ရေးဆွဲခဲ့ကြတယ်၊
10:20
scanned the different
branches of that tree,
190
608381
2102
ပင်စည်ရဲ့ အကိုင်းမျိုးစုံကို
ဆန်းစစ် လေ့လာခဲ့ကြတယ်၊
10:22
until they found a profile
that exactly matched
191
610507
2565
နောက်ဆုံးမှာတော့ သူတို့ အတိအကျ သိခဲ့ကြတဲ့
10:25
what they knew about
the Golden State Killer.
192
613096
2581
Golden State Killer ကို
တွေ့ခဲ့ကြတဲ့ အထိပါပဲ။
10:27
They obtained DNA from this person
and found a perfect match
193
615701
3592
သူတို့ဟာ အဲဒီလူဆီကနေပြီး DNA ကို
ရယူခဲ့ကြရာ သူတို့လက်ထဲမှာ ရှိနေခဲ့တဲ့
10:31
to the DNA they had in hand.
194
619317
2025
DNA နဲ့ ကွက်တိကိုက်နေခဲ့တယ်။
အဲဒါနဲ့ သူတို့ဟာ သူ့ကို ဖမ်းနိုင်ခဲ့ပြီး
နှစ်ပေါင်း များစွာကြာပြီးတဲ့ နောက်မှာ
10:33
They arrested him
and brought him to justice
195
621366
2350
10:35
after all these years.
196
623740
1424
တရားစီရင်နိုင်ခဲ့ကြတယ်။
10:38
Since then, genetic genealogists
have started working with
197
626172
3241
အဲဒီအချိန်ကစလျက် မျိုးရိုးဗီဇ
ဆွေစဉ်ကားချပ် ပညာရှင်များဟာ
10:41
local US law enforcement agencies
198
629437
2668
ဒေသခံ အမေရိကန်ဥပဒေ
စိုးမိုးရေးအေဂျင်စီများနဲ့
10:44
to use this technique
in order to capture criminals.
199
632129
3362
လက်တွဲလျက် ရာဇဝတ်ကောင်တွေကို ဖမ်းနိုင်ရန်
အဲဒီနည်းပညာကို သုံးနေကြပါပြီ။
10:47
And only in the past six months,
200
635521
2681
လွန်ခဲ့တဲ့ ခြောက်လ ကာလအတွင်းမှာကို
10:50
they were able to solve
over 20 cold cases with this technique.
201
638226
4296
သူတို့ရဲ့ နည်းကို သုံးပြီး နှစ်များစွာကြာ
အမှုဟေင်း ၂၀ ကို ဖြေရှင်းပေးနိုင်ခဲ့ကြတယ်။
10:56
Luckily, we have people like Uncle
Bernie and his fellow genealogists
202
644203
4636
ကျနော်တို့ဆီမှာ Uncle Bernie လို ဆွေစဉ်
လေ့လာရေး ပညာရှင်တွေ ရှိကြတာ ကံကောင်းတယ်၊
သူတို့ဟာ အပျော်ထမ်း မိမိရဲ့ ဝါသနာအလျောက်
လုပ်ကိုင်နေကြတဲ့ သူတွေ မဟုတ်ကြပါ။
11:01
These are not amateurs
with a self-serving hobby.
203
649045
2994
11:04
These are citizen scientists
with a deep passion to tell us who we are.
204
652602
6419
ပြည်သူတို့ကြားက သိပ္ပံပညာရှင်တွေ ဖြစ်ပြီး
ကျုပ်တို့အက​ြောင်း လေးနက်စွာ လေ့လာသူတွေပါ။
11:11
And they know that the past
can hold a key to the future.
205
659065
4458
ပြီးတော့ အတိတ်ကာလက အနာဂတ်အတွက်
သော့ကို ပေးနိုင်ကြောင်း သူတို့ ယုံကြည်တယ်။
ကျေးဇူးအများကြီးတင်ပါတယ်။
11:16
Thank you very much.
206
664067
1183
11:17
(Applause)
207
665314
3469
(လက်ခုပ်သံများ)
Translated by Myo Aung
Reviewed by Sanda Aung

▲Back to top

ABOUT THE SPEAKER
Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data.

Why you should listen

As a professor and researcher at Columbia University and as CSO of MyHeritage.com, Yaniv Erlich has performed foundational work in genetic privacy and large-scale studies of crowdsourced genomic data. Dubbed a "genome hacker" by the journal Nature, Erlich and his team discovered a privacy loophole enabling reidentification of allegedly anonymous male research participants using just internet searches and their Y chromosome. Later, he discovered that 60 percent of all US individuals with European descent can be identified by forensic genetics using open genetic genealogy databases, which Science magazine called one of the top 10 breakthroughs of 2018.

Erlich is also responsible for the construction of the world's largest family tree, comprising 13 million people, as well as the development of the website DNA.land, which has compiled the genotypes of more than 150,000 donors. He has also worked to discover the genetic bases for several conditions in Israeli families. His team has demonstrated stable DNA data storage, reaching a density of 215 petabyte per gram of DNA. He's been awarded numerous prizes, has published more than 45 papers and authored seven patents.

More profile about the speaker
Yaniv Erlich | Speaker | TED.com
THE ORIGINAL VIDEO ON TED.COM