TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Kanker begrijpen door proteomica
Filmed:
Readability: 3.6
465,363 views
Danny Hills breekt een lans voor de volgende grens van kankeronderzoek: proteomica, de studie van eiwitten in het lichaam. Zoals Hillis het uitlegt, toont genomica ons een lijst van de ingrediënten van het lichaam - terwijl proteomica ons laat zien wat die ingrediënten produceren. Begrijpen wat er gebeurt in je lichaam op eiwitniveau kan leiden tot een nieuw begrip van hoe kanker ontstaat.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
Ik geef toe dat ik een beetje nerveus ben
00:18
because I'm going to say some radical things,
1
3000
3000
want ik ga nogal wat radicale dingen zeggen
00:21
about how we should think about cancer differently,
2
6000
3000
over hoe we anders moeten gaan denken over kanker.
00:24
to an audience that contains a lot of people
3
9000
2000
En dat voor een publiek met mensen
00:26
who know a lot more about cancer than I do.
4
11000
3000
die er veel meer over weten dan ik.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Maar anderzijds ben ik ook weer niet te zenuwachtig
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
want ik ben er nogal zeker van dat ik gelijk heb.
00:35
(Laughter)
7
20000
2000
(Gelach)
00:37
And that this, in fact, will be
8
22000
2000
Dat dit, in feite, de toekomstige
00:39
the way that we treat cancer in the future.
9
24000
3000
behandelingswijze van kanker zal worden.
00:43
In order to talk about cancer,
10
28000
2000
Om over kanker te praten
00:45
I'm going to actually have to --
11
30000
3000
toon ik jullie even
00:48
let me get the big slide here.
12
33000
3000
deze grote dia.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Ik wil jullie eerst wat vertellen
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
over de plaats van genomica in het grotere geheel
00:58
of all the other things that are going on --
15
43000
3000
van alle andere dingen waar we mee bezig zijn - en daarna over iets
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
waar je niet nog zo veel over hebt gehoord, proteomica.
01:04
Having explained those,
17
49000
2000
Dat zal
01:06
that will set up for what I think will be a different idea
18
51000
3000
tot een ander idee leiden
01:09
about how to go about treating cancer.
19
54000
2000
over kankerbehandeling.
01:11
So let me start with genomics.
20
56000
2000
Eerst genomica.
01:13
It is the hot topic.
21
58000
2000
Het is het hot topic,
01:15
It is the place where we're learning the most.
22
60000
2000
waarover we nu het meest bijleren.
01:17
This is the great frontier.
23
62000
2000
Een grensverleggend onderwerp,
01:19
But it has its limitations.
24
64000
3000
maar met beperkingen.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Je kent waarschijnlijk de analogie van
01:25
that the genome is like the blueprint of your body,
26
70000
3000
het genoom als een blauwdruk van je lichaam.
01:28
and if that were only true, it would be great,
27
73000
2000
Zou geweldig zijn,
01:30
but it's not.
28
75000
2000
maar het klopt niet.
01:32
It's like the parts list of your body.
29
77000
2000
Bekijk het eerder als de onderdelenlijst van je lichaam.
01:34
It doesn't say how things are connected,
30
79000
2000
Het zegt niet hoe de dingen met elkaar in verband staan.
01:36
what causes what and so on.
31
81000
3000
Wat veroorzaakt wat en enzovoort.
01:39
So if I can make an analogy,
32
84000
2000
Ik geef een andere analogie:
01:41
let's say that you were trying to tell the difference
33
86000
2000
je moet onderscheid kunnen maken
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
tussen een goed restaurant
01:46
and a sick restaurant,
35
91000
2000
en een slecht restaurant,
01:48
and all you had was the list of ingredients
36
93000
2000
op basis van de lijst van ingrediënten
01:50
that they had in their larder.
37
95000
3000
die ze in hun voorraadkast hebben.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Als het een Frans restaurant was
01:56
and you looked through it and you found
39
101000
2000
en je vond dat ze alleen
01:58
they only had margarine and they didn't have butter,
40
103000
2000
margarine hadden en geen boter,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
zou je zeggen: "Ah, ik zie wat hier mis is.
02:02
I can make them healthy."
42
107000
2000
Dat breng ik wel in orde."
02:04
And there probably are special cases of that.
43
109000
2000
Waarschijnlijk is dat soms het geval.
02:06
You could certainly tell the difference
44
111000
2000
Zo kan je zeker het verschil vinden
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
tussen een Chinees en een Frans restaurant
02:10
by what they had in a larder.
46
115000
2000
door wat ze in hun voorraadkast hebben.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Dus de lijst van ingrediënten vertelt je iets,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
en soms vertelt ze je dat er iets fout is.
02:19
If they have tons of salt,
49
124000
2000
Als er tonnen zout op de lijst staan,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
kan je wel raden dat ze te veel zout gebruiken.
02:24
But it's limited,
51
129000
2000
Maar het heeft zijn beperkingen.
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
Als je echt wil weten of het een goed restaurant is,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
dan moet je het voedsel proeven, je moet weten wat er in de keuken gebeurt
02:31
you need the product of all of those ingredients.
54
136000
3000
en de samenstelling van alle ingrediënten kennen.
02:34
So if I look at a person
55
139000
2000
Dat is hetzelfde als ik iemands
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
genoom bestudeer.
02:39
The part of the genome that we can read
57
144000
2000
Het deel van het genoom dat we kunnen lezen,
02:41
is the list of ingredients.
58
146000
2000
is de lijst van ingrediënten.
02:43
And so indeed,
59
148000
2000
Zo kunnen we soms
02:45
there are times when we can find ingredients
60
150000
2000
slechte ingrediënten
02:47
that [are] bad.
61
152000
2000
vinden.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Cystische fibrose is zo'n ziekte
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
waar je gewoon met een slecht ingrediënt zit.
02:54
and we can actually make a direct correspondence
64
159000
3000
Hier kunnen we een direct verband leggen
02:57
between the ingredient and the disease.
65
162000
3000
tussen ingrediënt en ziekte.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Maar meestal moet je weten wat er in de keuken gebeurt,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
omdat zieken meestal eerst gezond waren -
03:05
they have the same genome.
68
170000
2000
met hetzelfde genoom.
03:07
So the genome really tells you much more
69
172000
2000
Het genoom vertelt je veel
03:09
about predisposition.
70
174000
2000
over aanleg.
03:11
So what you can tell
71
176000
2000
Je kan het verschil zien
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
tussen een Aziaat en een Europeaan
03:15
by looking at their ingredients list.
73
180000
2000
door te kijken naar hun ingrediëntenlijst.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Maar dat geldt niet voor het verschil
03:20
between a healthy person and a sick person --
75
185000
3000
tussen een gezonde en een zieke -
03:23
except in some of these special cases.
76
188000
2000
behalve in sommige speciale gevallen.
03:25
So why all the big deal
77
190000
2000
Dus waarom al dat gedoe
03:27
about genetics?
78
192000
2000
over genetica?
03:29
Well first of all,
79
194000
2000
Nou allereerst, omdat we
03:31
it's because we can read it, which is fantastic.
80
196000
3000
het kunnen lezen, wat al fantastisch is.
03:34
It is very useful in certain circumstances.
81
199000
3000
Zeer nuttig in bepaalde omstandigheden.
03:37
It's also the great theoretical triumph
82
202000
3000
Het is ook dé grote theoretische zege
03:40
of biology.
83
205000
2000
van de biologie.
03:42
It's the one theory
84
207000
2000
Het is met die theorie
03:44
that the biologists ever really got right.
85
209000
2000
dat biologen de nagel op de kop sloegen.
03:46
It's fundamental to Darwin
86
211000
2000
Ze is van fundamenteel belang voor Darwin,
03:48
and Mendel and so on.
87
213000
2000
Mendel en zo verder.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Het is die ene keer waar ze een theoretische constructie voorspelden.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel zag het gen
03:56
as an abstract thing,
90
221000
3000
als een abstract ding.
03:59
and Darwin built a whole theory
91
224000
2000
Darwin bouwde een hele theorie
04:01
that depended on them existing,
92
226000
2000
die berustte op hun bestaan.
04:03
and then Watson and Crick
93
228000
2000
Dan kwamen Watson en Crick
04:05
actually looked and found one.
94
230000
2000
die naar het gen zochten en het ook vonden.
04:07
So this happens in physics all the time.
95
232000
2000
In de fysica gaat dat altijd zo.
04:09
You predict a black hole,
96
234000
2000
Je voorspelt een zwart gat, je kijkt door
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
je telescoop, en daar is het, net zoals je zei.
04:14
But it rarely happens in biology.
98
239000
2000
Maar dat gebeurt zelden in de biologie.
04:16
So this great triumph -- it's so good,
99
241000
3000
Dit is een grote triomf - zo goed -
04:19
there's almost a religious experience
100
244000
2000
bijna een religieuze ervaring
04:21
in biology.
101
246000
2000
in de biologie.
04:23
And Darwinian evolution
102
248000
2000
Want darwinistische evolutie is echt
04:25
is really the core theory.
103
250000
3000
dé basistheorie van de biologie.
04:30
So the other reason it's been very popular
104
255000
2000
De andere reden waarom genetica zo populair is,
04:32
is because we can measure it, it's digital.
105
257000
3000
haar meetbaarheid, ze is digitaal.
04:35
And in fact,
106
260000
2000
In feite kan je,
04:37
thanks to Kary Mullis,
107
262000
2000
dankzij Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
met een paar extra ingrediënten
04:43
with a few extra ingredients.
109
268000
3000
in principe je genoom meten in je keuken.
04:46
So for instance, by measuring the genome,
110
271000
3000
Door die metingen zijn we veel te weten gekomen
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
over onze verwantschap met andere diersoorten.
04:53
by the closeness of our genome,
112
278000
3000
Door de gelijkenissen in ons genoom weten we
04:56
or how we're related to each other -- the family tree,
113
281000
3000
hoe verwant we aan elkaar zijn - de stamboom
04:59
or the tree of life.
114
284000
2000
of de boom van het leven.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Er zijn nu hopen genetische informatie
05:04
just by comparing the genetic similarity.
116
289000
3000
uit die gelijkenissen af te leiden.
05:07
Now of course, in medical application,
117
292000
2000
Dat is voor medische toepassingen
05:09
that is very useful
118
294000
2000
natuurlijk zeer nuttig,
05:11
because it's the same kind of information
119
296000
3000
want het is dezelfde soort informatie
05:14
that the doctor gets from your family medical history --
120
299000
3000
die de arts krijgt uit je familie-anamnese -
05:17
except probably,
121
302000
2000
behalve waarschijnlijk dat je genoom veel
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
meer over je medische geschiedenis weet dan jij.
05:22
And so by reading the genome,
123
307000
2000
Door het lezen van het genoom kunnen we veel meer
05:24
we can find out much more about your family than you probably know.
124
309000
3000
over je familie te weten komen dan jij waarschijnlijk weet.
05:27
And so we can discover things
125
312000
2000
Zo kunnen we dingen ontdekken
05:29
that probably you could have found
126
314000
2000
die je waarschijnlijk ook zou kunnen hebben gevonden
05:31
by looking at enough of your relatives,
127
316000
2000
door maar genoeg naar je eigen familieleden te kijken,
05:33
but they may be surprising.
128
318000
3000
maar toch kunnen ze verrassend zijn.
05:36
I did the 23andMe thing
129
321000
2000
Ik deed dat 23andMe ding en was zeer
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
verbaasd te ontdekken dat ik dik en kaal ben.
05:41
(Laughter)
131
326000
7000
(Gelach)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Maar soms kan je er veel nuttiger dingen mee leren.
05:51
But mostly
133
336000
3000
Maar meestal zijn het niet je predisposities
05:54
what you need to know, to find out if you're sick,
134
339000
2000
die je moet kennen om erachter te komen
05:56
is not your predispositions,
135
341000
2000
of je ziek bent, maar wel wat
05:58
but it's actually what's going on in your body right now.
136
343000
3000
er op dit moment aan de gang is in je lichaam.
06:01
So to do that, what you really need to do,
137
346000
2000
Daarvoor moet je
06:03
you need to look at the things
138
348000
2000
kijken naar de dingen
06:05
that the genes are producing
139
350000
2000
die de genen produceren
06:07
and what's happening after the genetics,
140
352000
2000
en naar wat er na de genetica gebeurt.
06:09
and that's what proteomics is about.
141
354000
2000
Dat is waar proteomica over gaat.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Net als genomica gaat over de studie van alle genen,
06:14
proteomics is the study of all the proteins.
143
359000
3000
gaat proteomica over de studie van alle eiwitten.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Eiwitten zijn al die kleine dingen in je lichaam
06:19
that are signaling between the cells --
145
364000
3000
die instaan voor de communicatie tussen de cellen -
06:22
actually, the machines that are operating --
146
367000
2000
je werkend machinepark, zeg maar.
06:24
that's where the action is.
147
369000
2000
Dat is waar de actie is.
06:26
Basically, a human body
148
371000
3000
Kortom, een menselijk lichaam
06:29
is a conversation going on,
149
374000
3000
is een gesprek dat gaande is,
06:32
both within the cells and between the cells,
150
377000
3000
zowel binnen de cellen als tussen de cellen,
06:35
and they're telling each other to grow and to die,
151
380000
3000
en ze vertellen elkaar wanneer ze moeten groeien of sterven.
06:38
and when you're sick,
152
383000
2000
Als je ziek bent,
06:40
something's gone wrong with that conversation.
153
385000
2000
is er iets misgegaan met die conversatie.
06:42
And so the trick is --
154
387000
2000
Daar gaat het om. Maar helaas
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
hebben we nog geen makkelijke manier om dat te meten
06:47
like we can measure the genome.
156
392000
2000
zoals we het genoom kunnen meten.
06:49
So the problem is that measuring --
157
394000
3000
Het probleem is dat meten. Als je probeert om
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
alle eiwitten te meten, is dat een heel bewerkelijk proces.
06:55
It requires hundreds of steps,
159
400000
2000
Het vereist honderden stappen,
06:57
and it takes a long, long time.
160
402000
2000
het duurt lang, zeer lang.
06:59
And it matters how much of the protein it is.
161
404000
2000
Het is belangrijk te weten hoeveel van dat eiwit er is.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Het kan zeer significant zijn als een eiwit voor 10 procent veranderde.
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
Het is dus niet zo'n mooi digitaal iets als DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
In feite ligt ons probleem ergens in het midden
07:09
of this very long stage,
165
414000
2000
van deze zeer lange etappe,
07:11
they pause for just a moment,
166
416000
2000
ze stoppen even,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
ze laten even iets achter in een enzym,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
en plots werken alle metingen vanaf dan
07:17
don't work.
169
422000
2000
niet meer.
07:19
And so then people get very inconsistent results
170
424000
2000
Zo kom je dan tot
07:21
when they do it this way.
171
426000
2000
erg inconsistente resultaten.
07:23
People have tried very hard to do this.
172
428000
2000
We deden ons best.
07:25
I tried this a couple of times
173
430000
2000
Ik probeerde het een paar keer
07:27
and looked at this problem and gave up on it.
174
432000
2000
en gaf het op. Maar
07:29
I kept getting this call from this oncologist
175
434000
2000
ik bleef deze oproep van een oncoloog,
07:31
named David Agus.
176
436000
2000
ene David Agus, ontvangen.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Nu kreeg Applied Minds veel oproepen
07:36
from people who want help with their problems,
178
441000
2000
van mensen die hulp willen voor hun problemen,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
en ik vond het niet nodig om speciaal deze man terug te bellen,
07:41
so I kept on giving him to the delay list.
180
446000
3000
dus zette ik hem op mijn 'niet zo dringend'-lijst.
07:44
And then one day,
181
449000
2000
En dan krijg ik op een dag
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
een telefoontje van John Doerr, Bill Berkman en Al Gore
07:48
and Al Gore on the same day
183
453000
2000
- allemaal op dezelfde dag - om mij aan te manen
07:50
saying return David Agus's phone call.
184
455000
2000
David Agus' telefoontje te beantwoorden.
07:52
(Laughter)
185
457000
2000
(Gelach)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Dus ik had zoiets van "Ok. Deze kerel heeft tenminste een sterk netwerk."
07:56
(Laughter)
187
461000
4000
(Gelach)
08:00
So we started talking,
188
465000
2000
Hij zei: "Ik moet echt
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
een betere manier vinden om eiwitten te meten."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
En ik van: "Heb ik al gedaan.
08:07
Not going to be easy."
191
472000
2000
Zal niet makkelijk zijn."
08:09
He's like, "No, no. I really need it.
192
474000
2000
En hij weer: "Nee, nee. Ik heb dat echt nodig.
08:11
I mean, I see patients dying every day
193
476000
4000
Ik bedoel dat ik elke dag mensen zie sterven
08:15
because we don't know what's going on inside of them.
194
480000
3000
omdat we niet weten wat er in hun lichaam omgaat.
08:18
We have to have a window into this."
195
483000
2000
We hebben een venster nodig om naar binnen te kijken. "
08:20
And he took me through
196
485000
2000
Hij toonde me specifieke
08:22
specific examples of when he really needed it.
197
487000
3000
voorbeelden van wanneer hij dat echt nodig had.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Ik besefte dat het echt een groot verschil zou maken
08:27
if we could do it,
199
492000
2000
als we dat konden doen.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Ik zei: "Nou, laten we eens kijken."
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds heeft genoeg extra geld dat we eraan
08:33
that we can go and just work on something
202
498000
2000
kunnen beginnen te werken zonder dat we iemands financiering,
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
toestemming of wat dan ook nodig hebben.
08:38
So we started playing around with this.
204
503000
2000
Dus begonnen we ermee.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Al doende beseften we dat
08:43
that taking the sip of coffee --
206
508000
2000
dit het fundamentele probleem was -
08:45
that there were humans doing this complicated process
207
510000
2000
dat er mensen met dit ingewikkeld proces bezig waren
08:47
and that what really needed to be done
208
512000
2000
maar wat echt nodig was,
08:49
was to automate this process like an assembly line
209
514000
3000
was dit proces te automatiseren als een assemblagelijn
08:52
and build robots
210
517000
2000
en robots te bouwen
08:54
that would measure proteomics.
211
519000
2000
die de proteomica zouden meten.
08:56
And so we did that,
212
521000
2000
En dat deden we.
08:58
and working with David,
213
523000
2000
Samen met David richtten we een
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
bedrijfje op dat uiteindelijk Applied Proteomics zou heten,
09:03
which makes this robotic assembly line,
215
528000
3000
waar deze gerobotiseerde assemblagelijn wordt gemaakt,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
die op een zeer consistente manier eiwitten meet.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Ik zal je laten zien hoe zo'n eiwitmeting eruit ziet.
09:13
Basically, what we do
218
538000
2000
Wat we doen is
09:15
is we take a drop of blood
219
540000
2000
een druppel bloed
09:17
out of a patient,
220
542000
2000
van een patiënt nemen.
09:19
and we sort out the proteins
221
544000
2000
Dan gaan we van de eiwitten
09:21
in the drop of blood
222
546000
2000
in die druppel bloed uitzoeken
09:23
according to how much they weigh,
223
548000
2000
wat hun massa is,
09:25
how slippery they are,
224
550000
2000
hoe glibberig ze zijn,
09:27
and we arrange them in an image.
225
552000
3000
en dat grafisch voorstellen.
09:30
And so we can look at literally
226
555000
2000
Zo kunnen we letterlijk in één keer naar
09:32
hundreds of thousands of features at once
227
557000
2000
honderdduizenden data kijken
09:34
out of that drop of blood.
228
559000
2000
uitgaande van die ene druppel bloed.
09:36
And we can take a different one tomorrow,
229
561000
2000
De dag erna kunnen we weer een druppel nemen,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
en je zult zien dat je eiwitten anders zullen zijn -
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
dat ze anders zijn nadat je gegeten of geslapen hebt.
09:43
They really tell us what's going on there.
232
568000
3000
Ze vertellen echt wat er daar aan de hand is.
09:46
And so this picture,
233
571000
2000
Deze foto,
09:48
which looks like a big smudge to you,
234
573000
2000
die eruit ziet als een grote vlek,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
is eigenlijk het ding waar ik echt enthousiast over werd
09:54
and made me feel like we were on the right track.
236
579000
2000
en die me liet voelen dat we op het juiste spoor zaten.
09:56
So if I zoom into that picture,
237
581000
2000
Als ik inzoom op die foto
09:58
I can just show you what it means.
238
583000
2000
kan ik jullie laten zien wat ze betekent.
10:00
We sort out the proteins -- from left to right
239
585000
3000
We sorteren de eiwitten - van links naar rechts
10:03
is the weight of the fragments that we're getting,
240
588000
3000
staat de massa van de fragmenten die we krijgen.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
En van boven naar beneden geeft ze aan hoe glibberig ze zijn.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Even inzoomen toont het beter.
10:12
And so each of these lines
243
597000
2000
Elk van deze lijntjes vertegenwoordigt een signaal
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
dat we het krijgen van een stukje eiwit.
10:17
And you can see how the lines occur
245
602000
2000
Je kunt zien hoe de lijnen ontstaan
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
in deze kleine groepen van bom, bom, bom, bom, bom, bom.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Dat is omdat we de massa zo precies meten.
10:26
carbon comes in different isotopes,
248
611000
2000
Koolstof komt voor in verschillende isotopen.
10:28
so if it has an extra neutron on it,
249
613000
3000
Als het koolstofatoom een extra neutron heeft,
10:31
we actually measure it as a different chemical.
250
616000
4000
zien we dat als een andere chemische stof.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Dus geeft elk isotoop een ander meetresultaat.
10:38
And so that gives you an idea
252
623000
3000
Dat geeft je een idee
10:41
of how exquisitely sensitive this is.
253
626000
2000
hoe uiterst gevoelig dit is.
10:43
So seeing this picture
254
628000
2000
Het kijken naar deze foto
10:45
is sort of like getting to be Galileo
255
630000
2000
is zoals Galileo voor de eerste
10:47
and looking at the stars
256
632000
2000
keer door een telescoop
10:49
and looking through the telescope for the first time,
257
634000
2000
naar de sterren keek
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
en opeens zeg je: "Wow, het is veel ingewikkelder dan we dachten."
10:54
But we can see that stuff out there
259
639000
2000
Maar we kunnen die dingen daar zien
10:56
and actually see features of it.
260
641000
2000
en de kenmerken ervan registreren.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Dit is het signaal waaruit we proberen om patronen af te leiden.
11:01
So what we do with this
262
646000
2000
We kunnen bijvoorbeeld
11:03
is, for example, we can look at two patients,
263
648000
2000
naar twee patiënten kijken, een die reageerde
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
op een geneesmiddel en een die daar niet op reageerde,
11:08
and ask, "What's going on differently
265
653000
2000
en vragen: "Waarin verschillen
11:10
inside of them?"
266
655000
2000
die van binnen?" We kunnen deze metingen
11:12
And so we can make these measurements precisely enough
267
657000
3000
nauwkeurig genoeg maken dat we de patronen van de twee patiënten
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
op elkaar kunnen leggen en naar de verschillen kunnen kijken.
11:18
So here we have Alice in green
269
663000
2000
Hier hebben we Alice in het groen
11:20
and Bob in red.
270
665000
2000
en Bob in het rood.
11:22
We overlay them. This is actual data.
271
667000
3000
We doen een overlay. Dit zijn de feitelijke gegevens.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
Je kunt zien dat het meeste overlapt en geel kleurt,
11:28
but there's some things that just Alice has
273
673000
2000
maar er zijn enkele dingen die alleen Alice heeft
11:30
and some things that just Bob has.
274
675000
2000
en sommige dingen die alleen bij Bob voorkomen.
11:32
And if we find a pattern of things
275
677000
3000
Als we dan zo'n patroon vinden
11:35
of the responders to the drug,
276
680000
3000
bij degenen die op het geneesmiddel reageren,
11:38
we see that in the blood,
277
683000
2000
dan zien we dat ze in hun bloed
11:40
they have the condition
278
685000
2000
de aanleg hebben om
11:42
that allows them to respond to this drug.
279
687000
2000
te reageren op dit medicijn.
11:44
We might not even know what this protein is,
280
689000
2000
Misschien zouden we niet eens weten wat dit eiwit is,
11:46
but we can see it's a marker
281
691000
2000
maar we kunnen het zien als een merkteken
11:48
for the response to the disease.
282
693000
2000
voor de reactie op de ziekte.
11:53
So this already, I think,
283
698000
2000
Dit alleen al, denk ik, is enorm
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
nuttig voor allerlei vormen van geneeskunde.
11:58
But I think this is actually
285
703000
2000
Maar ik denk dat dit
12:00
just the beginning
286
705000
2000
nog maar het begin is van
12:02
of how we're going to treat cancer.
287
707000
2000
hoe we kanker gaan behandelen.
12:04
So let me move to cancer.
288
709000
2000
Laten we kanker eens onder de loep nemen.
12:06
The thing about cancer --
289
711000
2000
Het probleem met kanker -
12:08
when I got into this,
290
713000
2000
toen ik ermee begon,
12:10
I really knew nothing about it,
291
715000
2000
wist ik er niets van,
12:12
but working with David Agus,
292
717000
2000
maar door te werken met David Agus,
12:14
I started watching how cancer was actually being treated
293
719000
3000
begon ik erop te letten hoe kanker eigenlijk werd behandeld.
12:17
and went to operations where it was being cut out.
294
722000
3000
Ik woonde operaties bij waar het gezwel werd weggesneden.
12:20
And as I looked at it,
295
725000
2000
Door ernaar te kijken,
12:22
to me it didn't make sense
296
727000
2000
werd het me duidelijk dat we kanker
12:24
how we were approaching cancer,
297
729000
2000
niet op een zinvolle manier aanpakten.
12:26
and in order to make sense of it,
298
731000
3000
Om het te begrijpen,
12:29
I had to learn where did this come from.
299
734000
3000
moest ik leren hoe dat komt.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
We behandelen kanker bijna alsof het een besmettelijke ziekte is.
12:36
We're treating it as something that got inside of you
301
741000
2000
We behandelen het alsof we iets dat je
12:38
that we have to kill.
302
743000
2000
binnenkreeg, moeten doden.
12:40
So this is the great paradigm.
303
745000
2000
Dit is het grote paradigma.
12:42
This is another case
304
747000
2000
Dit is een ander voorbeeld waar een theoretisch
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
paradigma in de biologie echt werkte -
12:46
was the germ theory of disease.
306
751000
3000
de theorie over ziektekiemen.
12:49
So what doctors are mostly trained to do
307
754000
2000
Waarin artsen het meest opgeleid zijn,
12:51
is diagnose --
308
756000
2000
is diagnose - dat wil zeggen
12:53
that is, put you into a category
309
758000
2000
je in een categorie onderbrengen -
12:55
and apply a scientifically proven treatment
310
760000
2000
en dan een wetenschappelijk bewezen behandeling
12:57
for that diagnosis --
311
762000
2000
voor die diagnose op je toepassen.
12:59
and that works great for infectious diseases.
312
764000
3000
Dat werkt prima voor infectieziekten.
13:02
So if we put you in the category
313
767000
2000
Als we je in de categorie
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
van syfilis plaatsen, kunnen we je penicilline geven.
13:07
We know that that works.
315
772000
2000
We weten dat dat werkt.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Als je malaria hebt, krijg je kinine
13:11
or some derivative of it.
317
776000
2000
of een afgeleide ervan.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Dat is het fundament van de artsenopleiding.
13:16
and it's miraculous
319
781000
2000
Prima methode, als we te doen hebben
13:18
in the case of infectious disease --
320
783000
3000
met een besmettelijke ziekte -
13:21
how well it works.
321
786000
2000
dan werkt het goed.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Veel mensen hier in het publiek zouden waarschijnlijk
13:26
if doctors didn't do this.
323
791000
2000
niet meer leven als artsen dit niet deden.
13:28
But now let's apply that
324
793000
2000
Maar pas dat nu eens toe
13:30
to systems diseases like cancer.
325
795000
2000
op systeemziekten zoals kanker.
13:32
The problem is that, in cancer,
326
797000
2000
Het probleem is dat bij kanker
13:34
there isn't something else
327
799000
2000
er niets vreemds
13:36
that's inside of you.
328
801000
2000
in je is binnengedrongen.
13:38
It's you; you're broken.
329
803000
2000
Jij bent het zelf waarin iets stuk is gegaan.
13:40
That conversation inside of you
330
805000
4000
Die conversatie binnen in je is op de een
13:44
got mixed up in some way.
331
809000
2000
of andere manier in het honderd gelopen.
13:46
So how do we diagnose that conversation?
332
811000
2000
Hoe diagnosticeren we zo'n conversatie?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Nu doen we dat door te kijken waar in je lichaam de fout optreedt -
13:51
you know, where did it appear? --
334
816000
3000
waar de ziekte zich uit -
13:54
and we put you in different categories
335
819000
2000
en wij brengen je onder in verschillende categorieën
13:56
according to the part of the body.
336
821000
2000
volgens het deel van het lichaam.
13:58
And then we do a clinical trial
337
823000
2000
Dan doen we een klinische proef
14:00
for a drug for lung cancer
338
825000
2000
voor een geneesmiddel voor longkanker,
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
een voor prostaatkanker en een voor borstkanker.
14:05
and we treat these as if they're separate diseases
340
830000
3000
Wij behandelen deze alsof het afzonderlijke ziekten zijn,
14:08
and that this way of dividing them
341
833000
2000
alsof deze manier van indelen
14:10
had something to do with what actually went wrong.
342
835000
2000
iets te maken had met wat er werkelijk is misgegaan.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Natuurlijk heeft dat weinig te maken
14:14
with what went wrong
344
839000
2000
met wat er misging.
14:16
because cancer is a failure of the system.
345
841000
3000
Omdat kanker een falen is van het systeem.
14:19
And in fact, I think we're even wrong
346
844000
2000
Ik denk zelfs dat we verkeerd bezig zijn
14:21
when we talk about cancer as a thing.
347
846000
3000
als we over kanker als over een ding praten.
14:24
I think this is the big mistake.
348
849000
2000
Ik denk dat dat een grote vergissing is.
14:26
I think cancer should not be a noun.
349
851000
4000
Volgens mij zou kanker geen zelfstandig naamwoord mogen zijn.
14:30
We should talk about cancering
350
855000
2000
We zouden moeten praten over 'kankeren'
14:32
as something we do, not something we have.
351
857000
3000
als over een proces, niet als iets wat we hebben.
14:35
And so those tumors,
352
860000
2000
Tumoren zijn
14:37
those are symptoms of cancer.
353
862000
2000
symptomen van kanker.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Je lichaam kankert waarschijnlijk de hele tijd.
14:42
but there are lots of systems in your body
355
867000
3000
Maar allerlei systemen in je lichaam
14:45
that keep it under control.
356
870000
2000
zorgen ervoor dat het onder controle blijft.
14:47
And so to give you an idea
357
872000
2000
Om je een idee te geven
14:49
of an analogy of what I mean
358
874000
2000
geef ik weer een analogie
14:51
by thinking of cancering as a verb,
359
876000
3000
voor kankeren als een werkwoord.
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
Stel dat we niets weten over sanitair
14:57
and the way that we talked about it,
361
882000
2000
en hoe erover te praten.
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
We komen thuis en we vinden een lek in de keuken
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
en zeggen: "Oh, mijn huis staat onder water." We zouden het kunnen indelen.
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
De loodgieter zou zeggen: "Nou, waar is het water?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
"In de keuken. O, dan heb je keukenwater."
15:12
That's kind of the level at which it is.
366
897000
3000
Op dat niveau spreken we bij kanker.
15:15
"Kitchen water,
367
900000
2000
"Keukenwater? Nou, allereerst,
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
gaan we het zoveel mogelijk opdweilen.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Wat ontstopper rondstrooien in de keuken
15:22
that helps.
370
907000
3000
helpt ook.
15:25
Whereas living room water,
371
910000
2000
Terwijl het voor woonkamerwater
15:27
it's better to do tar on the roof."
372
912000
2000
beter is om het dak te asfalteren."
15:29
And it sounds silly,
373
914000
2000
Het klinkt stom, maar dat is
15:31
but that's basically what we do.
374
916000
2000
in essentie wat we doen bij kanker.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Niet dat je je water niet mag opdweilen als je kanker hebt.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Maar dat is niet het echte probleem;
15:39
that's the symptom of the problem.
377
924000
2000
het is een symptoom ervan.
15:41
What we really need to get at
378
926000
2000
Waar we echt moeten toe komen,
15:43
is the process that's going on,
379
928000
2000
is het proces aanpakken dat gaande is
15:45
and that's happening at the level
380
930000
2000
op het niveau
15:47
of the proteonomic actions,
381
932000
2000
van de proteomische acties,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
waarom ons lichaam zichzelf niet meer geneest
15:52
in the way that it normally does?
383
937000
2000
op de manier waarop het dat normaal doet.
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Want normaal is je lichaam de hele tijd bezig met dit probleem.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Je huis gaat dus de hele tijd om met lekken.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Maar het repareert ze. Het raakt er van af.
16:04
So what we need
387
949000
3000
Dus wat we nodig hebben,
16:07
is to have a causative model
388
952000
4000
is een oorzakelijk model
16:11
of what's actually going on,
389
956000
2000
van wat er werkelijk gaande is.
16:13
and proteomics actually gives us
390
958000
3000
Proteomica geeft ons nu echt
16:16
the ability to build a model like that.
391
961000
3000
de mogelijkheid om zo'n model te construeren.
16:19
David got me invited
392
964000
2000
David nodigde me uit om een talk
16:21
to give a talk at National Cancer Institute
393
966000
2000
aan het National Cancer Institute te geven
16:23
and Anna Barker was there.
394
968000
3000
en Anna Barker was er ook.
16:27
And so I gave this talk
395
972000
2000
Ik vroeg:
16:29
and said, "Why don't you guys do this?"
396
974000
3000
"Waarom zijn jullie hier niet mee bezig?"
16:32
And Anna said,
397
977000
2000
Anna antwoordde:
16:34
"Because nobody within cancer
398
979000
3000
"Omdat niemand die met kanker bezig is,
16:37
would look at it this way.
399
982000
2000
er op deze manier naar zou kijken.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Maar we gaan een programma opstellen
16:42
for people outside the field of cancer
401
987000
2000
voor mensen buiten het gebied van kanker
16:44
to get together with doctors
402
989000
2000
om samen te komen met artsen
16:46
who really know about cancer
403
991000
3000
die echt wat weten over kanker
16:49
and work out different programs of research."
404
994000
4000
en om verschillende onderzoeksprogramma's uit te werken. "
16:53
So David and I applied to this program
405
998000
2000
David en ik meldden ons aan voor dit programma
16:55
and created a consortium
406
1000000
2000
en creëerden een consortium
16:57
at USC
407
1002000
2000
op USC met enkele
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
van de beste oncologen ter wereld
17:02
and some of the best biologists in the world,
409
1007000
3000
en sommige van de beste biologen ter wereld,
17:05
from Cold Spring Harbor,
410
1010000
2000
van Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
Stanford, Austin -
17:09
I won't even go through and name all the places --
412
1014000
3000
ik zal zelfs niet ingaan op alle plaatsen -
17:12
to have a research project
413
1017000
3000
om een onderzoeksproject op te starten
17:15
that will last for five years
414
1020000
2000
dat vijf jaar zal duren,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
waarbij we gaan proberen om een model voor kanker te bouwen.
17:20
We're doing it in mice first,
416
1025000
2000
We doen het eerst bij muizen.
17:22
and we will kill a lot of mice
417
1027000
2000
We zullen hierbij
17:24
in the process of doing this,
418
1029000
2000
veel muizen doden
17:26
but they will die for a good cause.
419
1031000
2000
maar ze zullen sterven voor een goed doel.
17:28
And we will actually try to get to the point
420
1033000
3000
We gaan proberen
17:31
where we have a predictive model
421
1036000
2000
een voorspellend model op te stellen
17:33
where we can understand,
422
1038000
2000
waarmee we kunnen begrijpen
17:35
when cancer happens,
423
1040000
2000
wanneer kanker optreedt,
17:37
what's actually happening in there
424
1042000
2000
wat er eigenlijk in gebeurt
17:39
and which treatment will treat that cancer.
425
1044000
3000
en waarmee we die kanker kunnen behandelen.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Laat me eindigen met een beeld van hoe
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
de behandeling van kanker er volgens mij in de toekomst zal uitzien.
17:48
So I think eventually,
428
1053000
2000
Ik denk dat uiteindelijk,
17:50
once we have one of these models for people,
429
1055000
2000
eens dat we zo'n model hebben voor mensen,
17:52
which we'll get eventually --
430
1057000
2000
en dat zullen we krijgen - ik bedoel onze groep
17:54
I mean, our group won't get all the way there --
431
1059000
2000
zal daar niet helemaal alleen in slagen -
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
maar uiteindelijk zullen we over een zeer goed computermodel beschikken -
17:59
sort of like a global climate model for weather.
433
1064000
3000
te vergelijken met het globale-klimaatmodel voor het weer.
18:02
It has lots of different information
434
1067000
3000
Het zal hopen informatie verschaffen over welke processen
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
gaande zijn in deze proteomische conversatie
18:08
on many different scales.
436
1073000
2000
op veel verschillende schalen.
18:10
And so we will simulate
437
1075000
2000
We zullen
18:12
in that model
438
1077000
2000
met dat model
18:14
for your particular cancer --
439
1079000
3000
jouw specifieke kanker kunnen simuleren -
18:17
and this also will be for ALS,
440
1082000
2000
en dit zal ook gelden voor ALS,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
of meer van dergelijke systeemneurodegeneratieve ziekten,
18:22
things like that --
442
1087000
2000
dat soort dingen -
18:24
we will simulate
443
1089000
2000
we zullen dit
18:26
specifically you,
444
1091000
2000
voor jou specifiek kunnen simuleren,
18:28
not just a generic person,
445
1093000
2000
en niet alleen voor een gemiddelde persoon,
18:30
but what's actually going on inside you.
446
1095000
2000
we vinden wat er werkelijk in jou gaande is.
18:32
And in that simulation, what we could do
447
1097000
2000
In die simulatie zouden
18:34
is design for you specifically
448
1099000
2000
we voor jou specifiek een opeenvolging van
18:36
a sequence of treatments,
449
1101000
2000
behandelingen kunnen ontwerpen.
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
Zachte behandelingen met zeer kleine hoeveelheden medicijnen.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Het zouden misschien dingen zijn als een dag vasten
18:44
or give them a little chemotherapy,
452
1109000
2000
of wat chemotherapie,
18:46
maybe a little radiation.
453
1111000
2000
misschien wel een beetje straling.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Natuurlijk zal soms een operatie of zo nodig zijn.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Maar het zal een specifiek voor jou ontworpen
18:54
and help your body
456
1119000
3000
programma van behandelingen zijn
18:57
guide back to health --
457
1122000
3000
en het zal je lichaam helpen om
19:00
guide your body back to health.
458
1125000
2000
terug gezond te worden.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Omdat je lichaam zelf het meeste werk zal doen bij het herstelproces
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
als we het gewoon wat ondersteunen als het mis gaat.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Het is het equivalent van gipsen.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Je lichaam heeft in principe heel veel mechanismen
19:13
for fixing cancer,
463
1138000
2000
om van kanker te herstellen.
19:15
and we just have to prop those up in the right way
464
1140000
3000
Die moeten we gewoon op de juiste manier leren activeren
19:18
and get them to do the job.
465
1143000
2000
om ze hun werk te laten doen.
19:20
And so I believe that this will be the way
466
1145000
2000
Ik denk dat dit de manier zal worden
19:22
that cancer will be treated in the future.
467
1147000
2000
waarop kanker in de toekomst zal worden behandeld.
19:24
It's going to require a lot of work,
468
1149000
2000
Het gaat veel werk vereisen,
19:26
a lot of research.
469
1151000
2000
veel onderzoek.
19:28
There will be many teams like our team
470
1153000
3000
Er zullen veel teams zoals het onze
19:31
that work on this.
471
1156000
2000
hieraan gaan werken.
19:33
But I think eventually,
472
1158000
2000
Maar ik denk dat we uiteindelijk
19:35
we will design for everybody
473
1160000
2000
voor iedereen een kankerbehandeling
19:37
a custom treatment for cancer.
474
1162000
4000
op maat gaan kunnen ontwerpen.
19:41
So thank you very much.
475
1166000
2000
Zeer bedankt.
19:43
(Applause)
476
1168000
6000
(Applaus)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com