TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Zrozumieć raka dzięki proteomice
Filmed:
Readability: 3.6
465,363 views
Danny Hillis przedstawia naukę, która dostarczy nowych narzędzi badaniom nad rakiem: proteomikę, która zajmuje się badaniem białek naszego ciała. Hillis mówi, że tak jak genomika przedstawia nam listę składników naszego ciała, tak proteomika mówi nam co te składniki produkują. Zrozumienie co dzieje się w twoim ciele na poziomie białek, może doprowadzić do nowatorskiego spojrzenia na to, jak powstaje nowotwór.
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
Muszę przyznać, że jestem trochę podenerwowany,
00:18
because I'm going to say some radical things,
1
3000
3000
ponieważ będę mówił kilka odważnych rzeczy
00:21
about how we should think about cancer differently,
2
6000
3000
o tym, że powinniśmy zacząć myśleć o raku w inny sposób
00:24
to an audience that contains a lot of people
3
9000
2000
przed publicznością składającą się z ludzi,
00:26
who know a lot more about cancer than I do.
4
11000
3000
którzy wiedzą znacznie więcej o raku niż ja.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Ale jednocześnie wbrew temu, nie jestem tak podenerwowany jak powinienem,
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
bo jestem święcie przekonany, że mam rację.
00:35
(Laughter)
7
20000
2000
(Śmiech)
00:37
And that this, in fact, will be
8
22000
2000
Będzie to tak naprawdę sposób,
00:39
the way that we treat cancer in the future.
9
24000
3000
w jaki będziemy leczyć raka w przyszłości.
00:43
In order to talk about cancer,
10
28000
2000
Aby opowiedzieć o raku,
00:45
I'm going to actually have to --
11
30000
3000
będę musiał... --
00:48
let me get the big slide here.
12
33000
3000
pozwólcie, że pokażę wam duży slajd.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
Na początku, będę starał się przedstawić wam inne spojrzenie na genomikę.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Będę starał się umieścić ją w o wiele szerszej perspektywie
00:58
of all the other things that are going on --
15
43000
3000
składającej się z wszystkich nowych wydarzeń --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
a potem opowiedzieć wam o czymś, o czym nie słyszeliście zbyt wiele -- o proteomice.
01:04
Having explained those,
17
49000
2000
Wyjaśnienie tych rzeczy,
01:06
that will set up for what I think will be a different idea
18
51000
3000
przygotuje nas na bardzo oryginalny pomysł,
01:09
about how to go about treating cancer.
19
54000
2000
mówiący o tym, jak można by leczyć raka.
01:11
So let me start with genomics.
20
56000
2000
Pozwólcie, że zacznę od genomiki.
01:13
It is the hot topic.
21
58000
2000
Jest to gorący temat.
01:15
It is the place where we're learning the most.
22
60000
2000
Jest to dziedzina, w której uczymy się najwięcej.
01:17
This is the great frontier.
23
62000
2000
Jest to wielki kamień milowy.
01:19
But it has its limitations.
24
64000
3000
Ale ma ona swoje ograniczenia.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
A szczególnie, prawdopodobnie wszyscy słyszeliście analogię,
01:25
that the genome is like the blueprint of your body,
26
70000
3000
że genom jest jak plan naszego ciała.
01:28
and if that were only true, it would be great,
27
73000
2000
I jeśli byłoby to w 100% prawdą, byłoby świetnie,
01:30
but it's not.
28
75000
2000
ale tak nie jest.
01:32
It's like the parts list of your body.
29
77000
2000
Genom jest jak lista części w twoim ciele.
01:34
It doesn't say how things are connected,
30
79000
2000
Nie mówi on w jaki sposób są one ze sobą połączone,
01:36
what causes what and so on.
31
81000
3000
co mają one robić i tak dalej.
01:39
So if I can make an analogy,
32
84000
2000
Jeśli miałbym to do czegoś porównać,
01:41
let's say that you were trying to tell the difference
33
86000
2000
to powiedzmy, że chcecie znaleźć różnicę
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
pomiędzy dobrą restauracją, zdrową restauracją,
01:46
and a sick restaurant,
35
91000
2000
i niesmaczną restauracją,
01:48
and all you had was the list of ingredients
36
93000
2000
a wszystko co masz, to lista składników,
01:50
that they had in their larder.
37
95000
3000
jakie mają w swojej spiżarni.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Może się tak zdarzyć, że pójdziesz do francuskiej restauracji
01:56
and you looked through it and you found
39
101000
2000
przeglądniesz listę i zauważysz,
01:58
they only had margarine and they didn't have butter,
40
103000
2000
że mają tylko margarynę a nie mają w ogóle masła,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
powiesz wtedy: "Aa, wiem co jest nie tak.
02:02
I can make them healthy."
42
107000
2000
Mogę sprawić, że staną się zdrowsi."
02:04
And there probably are special cases of that.
43
109000
2000
Prawdopodobnie jest wiele przypadków takiego postępowania.
02:06
You could certainly tell the difference
44
111000
2000
Możesz z dokładnością wskazać różnicę
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
pomiędzy chińską a francuską restauracją
02:10
by what they had in a larder.
46
115000
2000
na podstawie zawartości ich spiżarni.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Zatem lista składników coś ci mówi,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
i czasem nawet mówi, że coś jest z czymś nie tak.
02:19
If they have tons of salt,
49
124000
2000
Jeżeli mają całe tony soli kuchennej,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
możesz odgadnąć, że używają jej za dużo, czy coś podobnego.
02:24
But it's limited,
51
129000
2000
Ale są pewne ograniczenia,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
bo żeby naprawdę powiedzieć, czy dana restauracja jest zdrowa,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
musisz skosztować ich jedzenia, dowiedzieć się, co dzieje się w kuchni,
02:31
you need the product of all of those ingredients.
54
136000
3000
potrzebujesz końcowego produktu utworzonego z tych składników.
02:34
So if I look at a person
55
139000
2000
Zatem jeśli patrzysz na daną osobę
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
oraz na jej genom, jest tak samo.
02:39
The part of the genome that we can read
57
144000
2000
Ta część genomu, którą potrafimy czytać,
02:41
is the list of ingredients.
58
146000
2000
jest listą składników.
02:43
And so indeed,
59
148000
2000
Stąd w rzeczywistości
02:45
there are times when we can find ingredients
60
150000
2000
zdarzają się przypadki, kiedy znajdujemy składniki,
02:47
that [are] bad.
61
152000
2000
które są złe.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Mukowiscydoza jest przykładem choroby,
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
w której, jeśli widzisz zły składnik, masz chorobę,
02:54
and we can actually make a direct correspondence
64
159000
3000
dzięki czemu możemy przyjąć bezpośrednią korelację
02:57
between the ingredient and the disease.
65
162000
3000
pomiędzy składnikiem a daną chorobą.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Ale dla większości przypadków, musisz wiedzieć co dzieje się w kuchni,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
ponieważ zazwyczaj, chorzy ludzie kiedyś byli zdrowymi --
03:05
they have the same genome.
68
170000
2000
mają ten sam genom.
03:07
So the genome really tells you much more
69
172000
2000
Zatem genom, tak naprawdę mówi nam
03:09
about predisposition.
70
174000
2000
bardziej o predyspozycjach.
03:11
So what you can tell
71
176000
2000
Możesz powiedzieć,
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
jaka jest różnica pomiędzy Azjatą a Europejczykiem
03:15
by looking at their ingredients list.
73
180000
2000
patrząc na listę składników.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Ale tak naprawdę, dla większość przypadków nie możesz wskazać
03:20
between a healthy person and a sick person --
75
185000
3000
różnicy pomiędzy zdrową, a chorą osobą --
03:23
except in some of these special cases.
76
188000
2000
poza paroma szczególnymi przypadkami.
03:25
So why all the big deal
77
190000
2000
O co więc chodzi
03:27
about genetics?
78
192000
2000
z tą genetyką?
03:29
Well first of all,
79
194000
2000
Po pierwsze,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
dzięki niej możemy czytać informację genetyczną, co jest fantastyczne.
03:34
It is very useful in certain circumstances.
81
199000
3000
Jest to bardzo przydatne w pewnych przypadkach.
03:37
It's also the great theoretical triumph
82
202000
3000
Genetyka to również wielki
03:40
of biology.
83
205000
2000
teoretyczny triumf biologii.
03:42
It's the one theory
84
207000
2000
Jest to jedyna teoria,
03:44
that the biologists ever really got right.
85
209000
2000
której biolodzy są naprawdę pewni.
03:46
It's fundamental to Darwin
86
211000
2000
Jest to podstawa dla Darwina,
03:48
and Mendel and so on.
87
213000
2000
Mendla i tak dalej.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Przewidzieli oni jej teoretyczne podstawy.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel stworzył pojęcie genu
03:56
as an abstract thing,
90
221000
3000
jako czegoś abstrakcyjnego.
03:59
and Darwin built a whole theory
91
224000
2000
Darwin zaś, zbudował całą teorię,
04:01
that depended on them existing,
92
226000
2000
która bazowała na ich istnieniu.
04:03
and then Watson and Crick
93
228000
2000
Potem Watson i Crick
04:05
actually looked and found one.
94
230000
2000
spojrzeli i go znaleźli.
04:07
So this happens in physics all the time.
95
232000
2000
W fizyce takie zdarzenia mają miejsce cały czas.
04:09
You predict a black hole,
96
234000
2000
Przewidujesz istnienie czarnej dziury,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
spoglądasz przez teleskop i oto jest, dokładnie tak, jak powiedziałeś.
04:14
But it rarely happens in biology.
98
239000
2000
Ale coś takiego rzadko zdarza się w biologii.
04:16
So this great triumph -- it's so good,
99
241000
3000
Jest to więc wielkie zwycięstwo,
04:19
there's almost a religious experience
100
244000
2000
które jest niemal boskim doświadczeniem
04:21
in biology.
101
246000
2000
w biologii.
04:23
And Darwinian evolution
102
248000
2000
Teoria ewolucji Darwina
04:25
is really the core theory.
103
250000
3000
jest tak naprawdę teorią fundamentalną.
04:30
So the other reason it's been very popular
104
255000
2000
Innym powodem, dlaczego genetyka jest bardzo popularna,
04:32
is because we can measure it, it's digital.
105
257000
3000
jest to, że możemy ją mierzyć, jest cyfrowa.
04:35
And in fact,
106
260000
2000
I tak naprawdę,
04:37
thanks to Kary Mullis,
107
262000
2000
dzięki Kary'emu Mullis'owi,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
możesz właściwie zbadać swój genom w kuchni,
04:43
with a few extra ingredients.
109
268000
3000
z kilkoma dodatkowymi składnikami.
04:46
So for instance, by measuring the genome,
110
271000
3000
Na przykład badając genom,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
wiele nauczyliśmy się o tym, jak jesteśmy powiązani z innymi zwierzętami
04:53
by the closeness of our genome,
112
278000
3000
poprzez bliskość naszego genomu,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
oraz jak jesteśmy związani z innymi -- drzewo genealogiczne,
04:59
or the tree of life.
114
284000
2000
czy drzewo życia.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Olbrzymia ilość informacji o genetyce
05:04
just by comparing the genetic similarity.
116
289000
3000
pochodzi ze zwykłego porównywania pokrewieństwa genetycznego.
05:07
Now of course, in medical application,
117
292000
2000
Genomika ma jeszcze zastosowanie w medycynie,
05:09
that is very useful
118
294000
2000
które jest bardzo użyteczne,
05:11
because it's the same kind of information
119
296000
3000
bo dostarcza te same informacje,
05:14
that the doctor gets from your family medical history --
120
299000
3000
jakie lekarz znajduje w wywiadzie dotyczącym twojej rodziny --
05:17
except probably,
121
302000
2000
może oprócz drobnych wyjątków,
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
twój genom wie wiele więcej o twoim wywiadzie niż ty.
05:22
And so by reading the genome,
123
307000
2000
Co za tym idzie, poprzez badanie genomu,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
możemy dowiedzieć się o wiele więcej o twojej rodzinie, niż sam wiesz.
05:27
And so we can discover things
125
312000
2000
Możemy odkryć fakty,
05:29
that probably you could have found
126
314000
2000
które pewnie znasz,
05:31
by looking at enough of your relatives,
127
316000
2000
poprzez patrzenie na swoich krewnych,
05:33
but they may be surprising.
128
318000
3000
choć czasem mogą być one zaskakujące.
05:36
I did the 23andMe thing
129
321000
2000
Zrobiłem badanie 23andMe,
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
i byłem bardzo zaskoczony, kiedy dowiedziałem się że jestem gruby i łysy.
05:41
(Laughter)
131
326000
7000
(Śmiech)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Ale czasem dowiedzieć się wielu ciekawszych informacji o sobie.
05:51
But mostly
133
336000
3000
Ale zazwyczaj
05:54
what you need to know, to find out if you're sick,
134
339000
2000
jeśli jesteś chory, nie jest ci potrzebna
05:56
is not your predispositions,
135
341000
2000
wiedza i swoich predyspozycjach,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
ale raczej o tym co dokładnie dzieje się w twoim ciele w danym momencie.
06:01
So to do that, what you really need to do,
137
346000
2000
Aby tego dokonać,
06:03
you need to look at the things
138
348000
2000
to popatrzeć na produkty,
06:05
that the genes are producing
139
350000
2000
które były wytworzone przez geny.
06:07
and what's happening after the genetics,
140
352000
2000
Dobrze wiedzieć co się dzieje oprócz genetyki.
06:09
and that's what proteomics is about.
141
354000
2000
Właśnie tym zajmuje się proteomika.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Tak jak genom jest mieszaniną wiedzy o wszystkich genach,
06:14
proteomics is the study of all the proteins.
143
359000
3000
tak proteomika jest wiedzą o wszystkich białkach.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Białka to wszystkie małe obiekty w twoim ciele,
06:19
that are signaling between the cells --
145
364000
3000
które przekazują informacje między komórkami --
06:22
actually, the machines that are operating --
146
367000
2000
tak naprawdę są urządzeniami kontrolującymi.
06:24
that's where the action is.
147
369000
2000
To tu dzieje się cała akcja.
06:26
Basically, a human body
148
371000
3000
W zasadzie, ludzkie ciało
06:29
is a conversation going on,
149
374000
3000
jest trwającą konwersacją
06:32
both within the cells and between the cells,
150
377000
3000
wewnątrz komórek, oraz pomiędzy komórkami,
06:35
and they're telling each other to grow and to die,
151
380000
3000
które mówią sobie nawzajem czy mają rosnąć, czy obumrzeć.
06:38
and when you're sick,
152
383000
2000
Kiedy jesteś chory,
06:40
something's gone wrong with that conversation.
153
385000
2000
coś jest nie tak z tą właśnie konwersacją.
06:42
And so the trick is --
154
387000
2000
Pułapką jest to,
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
że niestety, nie mamy łatwej drogi, aby je zbadać
06:47
like we can measure the genome.
156
392000
2000
jak jak robimy to z genomem.
06:49
So the problem is that measuring --
157
394000
3000
Problem tkwi w badaniu --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
jeśli chcesz zbadać wszystkie białka, to jest to bardzo czasochłonny proces.
06:55
It requires hundreds of steps,
159
400000
2000
Wamaga on setek etapów,
06:57
and it takes a long, long time.
160
402000
2000
i zabiera długi, długi czas.
06:59
And it matters how much of the protein it is.
161
404000
2000
Znaczenie ma również, z jaką liczbą białek mamy do czynienia.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Bardzo istotne mogłoby być, że białko zmieniło się o 10%,
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
nie jest to więc tak miłe i cyfrowe jak DNA.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
Nasz problem przede wszystkim tkwiłby w kimś
07:09
of this very long stage,
165
414000
2000
który prowadziłby czasochłonny proces pomiarów.
07:11
they pause for just a moment,
166
416000
2000
Białka zatrzymują się na moment,
07:13
and they leave something in an enzyme for a second,
167
418000
2000
i w trakcie sekundy wypuszczają "coś" w postaci enzymu,
07:15
and all of a sudden all the measurements from then on
168
420000
2000
i podczas tak krótkiego czasu,
07:17
don't work.
169
422000
2000
nie da się wykonać wszystkich potrzebnych pomiarów.
07:19
And so then people get very inconsistent results
170
424000
2000
Badając w ten sposób,
07:21
when they do it this way.
171
426000
2000
ludzie dostają sprzeczne wyniki.
07:23
People have tried very hard to do this.
172
428000
2000
Naukowcy bardzo ciężko starali się, aby to osiągnąć.
07:25
I tried this a couple of times
173
430000
2000
Sam spróbowałem parę razy:
07:27
and looked at this problem and gave up on it.
174
432000
2000
spojrzałem jeszcze na problem i ostatecznie rezygnowałem.
07:29
I kept getting this call from this oncologist
175
434000
2000
Kiedyś dzwonił do mnie pewien onkolog --
07:31
named David Agus.
176
436000
2000
David Agus.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
Umysły Ścisłe dostają mnóstwo telefonów
07:36
from people who want help with their problems,
178
441000
2000
od ludzi, którzy potrzebują pomocy w swoich problemach,
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
i nie sądziłem, że on pewnie i tak oddzwoni,
07:41
so I kept on giving him to the delay list.
180
446000
3000
więc cały czas dodawałem go do listy oczekujących.
07:44
And then one day,
181
449000
2000
I pewnego dnia,
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
zadzwonił do mnie John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
oraz Al Gore tego samego dnia,
07:50
saying return David Agus's phone call.
184
455000
2000
mówiąc, abym oddzwonił do Davida Agnus'a.
07:52
(Laughter)
185
457000
2000
(Śmiech)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Pomyślałem: "Okej, ten gość jest przynajmniej zaradny."
07:56
(Laughter)
187
461000
4000
(Śmiech)
08:00
So we started talking,
188
465000
2000
Kiedy zaczęliśmy rozmawiać,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
powiedział do mnie: "Naprawdę potrzebuję lepszej metody badania białek."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Ja na to: "Spójrz na to. Próbowałem tego.
08:07
Not going to be easy."
191
472000
2000
Nie będzie łatwo."
08:09
He's like, "No, no. I really need it.
192
474000
2000
On na to: "Nie, nie. Ja naprawdę tego potrzebuję.
08:11
I mean, I see patients dying every day
193
476000
4000
To znaczy, codziennie widzę pacjentów
08:15
because we don't know what's going on inside of them.
194
480000
3000
umierających ponieważ, nie wiemy co się dzieje w ich wnętrzu.
08:18
We have to have a window into this."
195
483000
2000
Musimy mieć okno, przez które będziemy mogli tam zaglądnąć."
08:20
And he took me through
196
485000
2000
Zapoznał mnie
08:22
specific examples of when he really needed it.
197
487000
3000
z kilkoma szczególnymi przypadkami, kiedy tego potrzebował.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Wtedy zrozumiałem: wow, to mógłby być prawdziwy przełom
08:27
if we could do it,
199
492000
2000
jeśli bylibyśmy w stanie to robić.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Więc powiedziałem: "Cóż, przyglądnijmy się temu."
08:31
Applied Minds has enough play money
201
496000
2000
Umysły Ścisłe miały na tyle pieniędzy,
08:33
that we can go and just work on something
202
498000
2000
że mogliśmy tylko pracować nad czymkolwiek,
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
bez starania się o czyjeś finansowanie, pozwolenie, czy coś innego.
08:38
So we started playing around with this.
204
503000
2000
Zaczęliśmy się więc z tym bawić.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Kiedy rozpoczeliśmy, zrozumieliśmy, że to był podstawowy problem --
08:43
that taking the sip of coffee --
206
508000
2000
wziąć pierwszy łyk kawy --
08:45
that there were humans doing this complicated process
207
510000
2000
że to ludzie brnęli przez ten skomplikowany proces,
08:47
and that what really needed to be done
208
512000
2000
a to, czego potrzebujemy,
08:49
was to automate this process like an assembly line
209
514000
3000
to zautomatyzowanie tego procesu, i stworzenie linii produkcyjnej
08:52
and build robots
210
517000
2000
poprzez zbudowanie robotów,
08:54
that would measure proteomics.
211
519000
2000
które badałyby zagadnienia proteomiki.
08:56
And so we did that,
212
521000
2000
To właśnie zrobiliśmy.
08:58
and working with David,
213
523000
2000
Pracując z Davidem,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
stworzyliśmy małą firmę nazwaną ostatecznie Proteomika Stosowana,
09:03
which makes this robotic assembly line,
215
528000
3000
która tworzyła linię produkcyjną robotów,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
i, w bardzo spójny sposób, badała białka.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Pokażę wam jak wygląda badanie białek.
09:13
Basically, what we do
218
538000
2000
Nasza praca polega
09:15
is we take a drop of blood
219
540000
2000
na pobraniu od pacjenta
09:17
out of a patient,
220
542000
2000
kropli krwi,
09:19
and we sort out the proteins
221
544000
2000
i posortowaniu białek
09:21
in the drop of blood
222
546000
2000
znajdujących się w tej kropli,
09:23
according to how much they weigh,
223
548000
2000
w zależności od tego ile ważą
09:25
how slippery they are,
224
550000
2000
oraz jak stabilne są,
09:27
and we arrange them in an image.
225
552000
3000
a następnie stworzeniu na podstawie danych wykresu.
09:30
And so we can look at literally
226
555000
2000
Wtedy możemy porównać
09:32
hundreds of thousands of features at once
227
557000
2000
setki tysięcy parametrów na raz,
09:34
out of that drop of blood.
228
559000
2000
na podstawie jednej kropli krwi.
09:36
And we can take a different one tomorrow,
229
561000
2000
Jutro możemy pobrać następną,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
i zobaczycie, że jutrzejsze białka będą inne --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
będą różne po posiłku, czy po śnie.
09:43
They really tell us what's going on there.
232
568000
3000
One naprawdę mówią nam, co się tam dzieje.
09:46
And so this picture,
233
571000
2000
Ten obrazek,
09:48
which looks like a big smudge to you,
234
573000
2000
który wygląda dla was jak jak wielka smuga,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
jest w rzeczywistości rzeczą, która wywołała u mnie dreszcz emocji,
09:54
and made me feel like we were on the right track.
236
579000
2000
i sprawiła, że poczułem, że jesteśmy na dobrej drodze.
09:56
So if I zoom into that picture,
237
581000
2000
Jeśli powiększymy ten obraz,
09:58
I can just show you what it means.
238
583000
2000
będę mógł pokazać wam co to znaczy.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Porządkujemy białka -- od lewej do prawej
10:03
is the weight of the fragments that we're getting,
240
588000
3000
w zależności od masy fragmentów jakie otrzymujemy.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
A z góry na dół w zależności jak stabilne są.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Powiększamy tutaj wynik, aby pokazać tylko kilka z nich.
10:12
And so each of these lines
243
597000
2000
Każda z tych linii
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
przedstawia jakiś sygnał odebrany od fragmentu białka.
10:17
And you can see how the lines occur
245
602000
2000
Możecie zauważyć, że linie skupiają się
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
w małych grupach jak tu: linia, linia, linia, lina, lina.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Dzieje się tak, ponieważ mierzymy każdą masę tak precyzyjnie, że --
10:26
carbon comes in different isotopes,
248
611000
2000
węgiel występuje w kilku różnych izotopach,
10:28
so if it has an extra neutron on it,
249
613000
3000
więc jeśli ma on dodatkowy neutron,
10:31
we actually measure it as a different chemical.
250
616000
4000
to my go odczytujemy już jako inny związek chemiczny.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
Traktujemy więc każdy izotop, jako inną substancję.
10:38
And so that gives you an idea
252
623000
3000
To daje wam mały zarys,
10:41
of how exquisitely sensitive this is.
253
626000
2000
jak nienagannie czułe jest nasze urządzenie.
10:43
So seeing this picture
254
628000
2000
Patrzenie na ten obrazek,
10:45
is sort of like getting to be Galileo
255
630000
2000
to tak jak być Galileuszem
10:47
and looking at the stars
256
632000
2000
patrzącym po raz pierwszy
10:49
and looking through the telescope for the first time,
257
634000
2000
na gwiazdy przez swój teleskop,
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
i nagle mówisz: "A niech to, to jest bardziej skomplikowane niż sądziłem."
10:54
But we can see that stuff out there
259
639000
2000
Jednak możemy zobaczyć te białka
10:56
and actually see features of it.
260
641000
2000
i przede wszystkim ujrzeć ich właściwości.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Jest to wizytówka organizmu, dla której próbujemy znaleźć reguły.
11:01
So what we do with this
262
646000
2000
Dzięki nim,
11:03
is, for example, we can look at two patients,
263
648000
2000
możemy porównując dwóch pacjentów:
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
jednego, który reaguje na leki, i drugiego, który nie,
11:08
and ask, "What's going on differently
265
653000
2000
zadać pytanie: "Co w ich organizmach
11:10
inside of them?"
266
655000
2000
odbywa się w różny sposób?"
11:12
And so we can make these measurements precisely enough
267
657000
3000
Możemy wykonać pomiary tak dokładnie,
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
aby nałożyć ich wyniki a następnie poszukać różnic.
11:18
So here we have Alice in green
269
663000
2000
Mamy tutaj badania Alice na zielono
11:20
and Bob in red.
270
665000
2000
i Boba na czerwono.
11:22
We overlay them. This is actual data.
271
667000
3000
Nakładamy ich na siebie. Właściwie to ich dane.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
I możecie zobaczyć, że w większości wyniki się pokrywają i są w kolorze żółym,
11:28
but there's some things that just Alice has
273
673000
2000
ale jest kilka właściwości, które ma tylko Alice,
11:30
and some things that just Bob has.
274
675000
2000
i kilka takich, które ma tylko Bob.
11:32
And if we find a pattern of things
275
677000
3000
Jeśli odnajdziemy jak wygląda wzór wyników
11:35
of the responders to the drug,
276
680000
3000
osób, u których leki działają,
11:38
we see that in the blood,
277
683000
2000
zobaczymy z ich krwi,
11:40
they have the condition
278
685000
2000
jakie właściwości ma ich organizm,
11:42
that allows them to respond to this drug.
279
687000
2000
dzięki którym reagują na leki.
11:44
We might not even know what this protein is,
280
689000
2000
Możemy nawet nie wiedzieć co to za białko,
11:46
but we can see it's a marker
281
691000
2000
ale zobaczymy, że jest to marker
11:48
for the response to the disease.
282
693000
2000
odpowiedzi organizmu na chorobę.
11:53
So this already, I think,
283
698000
2000
Moim zdaniem,
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
proteomika już stała się niezwykle użyteczna we wszystkich gałęziach medycyny.
11:58
But I think this is actually
285
703000
2000
Uważam też,
12:00
just the beginning
286
705000
2000
że to dopiero początek,
12:02
of how we're going to treat cancer.
287
707000
2000
sposobu w jaki będziemy leczyć raka.
12:04
So let me move to cancer.
288
709000
2000
Pozwólcie, że przeniosę się do tematu raka.
12:06
The thing about cancer --
289
711000
2000
Trochę o nowotworach --
12:08
when I got into this,
290
713000
2000
kiedy zaczynałem,
12:10
I really knew nothing about it,
291
715000
2000
naprawdę nie wiedziałem o tym nic,
12:12
but working with David Agus,
292
717000
2000
ale pracując z Davidem Agusem,
12:14
I started watching how cancer was actually being treated
293
719000
3000
zacząłem przyglądać się w jaki sposób nowotwory są leczone
12:17
and went to operations where it was being cut out.
294
722000
3000
i byłem podczas operacji, na których je wycinano.
12:20
And as I looked at it,
295
725000
2000
Kiedy na to popatrzyłem,
12:22
to me it didn't make sense
296
727000
2000
sposób w jaki obchodzimy się z nowotworem
12:24
how we were approaching cancer,
297
729000
2000
nie miał dla mnie sensu.
12:26
and in order to make sense of it,
298
731000
3000
Aby ten sens znaleźć,
12:29
I had to learn where did this come from.
299
734000
3000
musiałem nauczyć się skąd się ono wzięło.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Raka leczymy prawie jak chorobę zakaźną.
12:36
We're treating it as something that got inside of you
301
741000
2000
Leczymy go jak coś, co dostało się do twojego wnętrza
12:38
that we have to kill.
302
743000
2000
i musimy to zabić.
12:40
So this is the great paradigm.
303
745000
2000
Jest to więc wielki paradygmat.
12:42
This is another case
304
747000
2000
To następny przypadek,
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
kiedy teoretyczne założenia biologii doskonale się sprawdzały --
12:46
was the germ theory of disease.
306
751000
3000
była to teoria mówiąca, że zarazki powodują choroby.
12:49
So what doctors are mostly trained to do
307
754000
2000
Zatem to co lekarze umieją najbardziej
12:51
is diagnose --
308
756000
2000
to diagnoza --
12:53
that is, put you into a category
309
758000
2000
czyli przypisanie cię do kategorii --
12:55
and apply a scientifically proven treatment
310
760000
2000
i zastosowanie naukowo sprawdzonej terapii
12:57
for that diagnosis --
311
762000
2000
w odniesieniu do tej diagnozy.
12:59
and that works great for infectious diseases.
312
764000
3000
To wspaniale działa dla chorób zakaźnych.
13:02
So if we put you in the category
313
767000
2000
Umieszczamy cię w kategorii
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
chorych na kiłę, i aplikujemy ci penicyliny.
13:07
We know that that works.
315
772000
2000
Wiemy, że ona działa.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Jeśli masz malarię, dajemy ci chininę,
13:11
or some derivative of it.
317
776000
2000
lub jej pochodną.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Jest to podstawowa rzecz, jakiej lekarze są nauczeni.
13:16
and it's miraculous
319
781000
2000
To jest cudowne
13:18
in the case of infectious disease --
320
783000
3000
w przypadku chorób zakaźnych --
13:21
how well it works.
321
786000
2000
tak dobrze to działa.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Wiele ludzi z widowni pewnie już by nie żyło,
13:26
if doctors didn't do this.
323
791000
2000
jeśli lekarze nie stosowaliby tej metody.
13:28
But now let's apply that
324
793000
2000
Ale teraz zastosujmy to
13:30
to systems diseases like cancer.
325
795000
2000
do chorób układowych jak rak.
13:32
The problem is that, in cancer,
326
797000
2000
Problem jest w tym, że rak,
13:34
there isn't something else
327
799000
2000
nie jest czymś z zewnątrz,
13:36
that's inside of you.
328
801000
2000
co dostało się do organizmu.
13:38
It's you; you're broken.
329
803000
2000
To jesteś ty, twój organizm się popsuł.
13:40
That conversation inside of you
330
805000
4000
Ta rozmowa wewnątrz ciebie
13:44
got mixed up in some way.
331
809000
2000
w jakiś sposób się pomieszała.
13:46
So how do we diagnose that conversation?
332
811000
2000
Jak diagnozujemy tę "rozmowę"?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Cóż, w tym momencie, dzielimy ją na części ciała --
13:51
you know, where did it appear? --
334
816000
3000
wiecie, gdzie się pojawia --
13:54
and we put you in different categories
335
819000
2000
i przypisujemy cię różnym kategoriom
13:56
according to the part of the body.
336
821000
2000
stosownie do części ciała.
13:58
And then we do a clinical trial
337
823000
2000
Następnie robimy próby kliniczne
14:00
for a drug for lung cancer
338
825000
2000
na leczenie na raka płuc,
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
inny na raka prostaty, jeszcze inny na raka piersi,
14:05
and we treat these as if they're separate diseases
340
830000
3000
i leczymy je, jakby były oddzielnymi chorobami
14:08
and that this way of dividing them
341
833000
2000
i ten sposób polegający na podziale nowotworów
14:10
had something to do with what actually went wrong.
342
835000
2000
bazuje na tym, jaki narząd jest chory.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Oczywiście, nie ma to tak wiele wspólnego
14:14
with what went wrong
344
839000
2000
z tym co dokładnie poszło nie tak.
14:16
because cancer is a failure of the system.
345
841000
3000
Ponieważ rak jest awarią całego systemu.
14:19
And in fact, I think we're even wrong
346
844000
2000
I tak naprawdę, uważam, że również mylimy się,
14:21
when we talk about cancer as a thing.
347
846000
3000
kiedy mówimy o raku jako o rzeczy.
14:24
I think this is the big mistake.
348
849000
2000
Sądzę, że jest to duży błąd.
14:26
I think cancer should not be a noun.
349
851000
4000
Uważam, że nowotwór nie powinien być rzeczownikiem.
14:30
We should talk about cancering
350
855000
2000
Powinniśmy mówić o "nowotworzeniu"
14:32
as something we do, not something we have.
351
857000
3000
jako coś, co robimy, nie coś, co mamy.
14:35
And so those tumors,
352
860000
2000
Oczywiście, guzy nowotworowe
14:37
those are symptoms of cancer.
353
862000
2000
są objawami raka.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Twoje ciało prawdopodobnie "nowotworzy" przez cały czas.
14:42
but there are lots of systems in your body
355
867000
3000
Jest mnóstwo układów w twoim ciele,
14:45
that keep it under control.
356
870000
2000
które potrafią to kontrolować.
14:47
And so to give you an idea
357
872000
2000
Aby łatwiej było wam zrozumieć
14:49
of an analogy of what I mean
358
874000
2000
co mam na myśli mówiąc o traktowaniu
14:51
by thinking of cancering as a verb,
359
876000
3000
nowotworu jako czasownik, podam wam przykład.
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
Wyobraź sobie, że nie wiesz nic o hydraulice,
14:57
and the way that we talked about it,
361
882000
2000
i podobnie jak we wspomnianej metodzie leczenia raka,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
przychodzisz do domu i widzisz cieknącą rurę w kuchni.
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
Mówisz: "Ojej, cały dom w wodzie."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Teraz możesz dokonać podziału. Kiedy hydraulik zapyta: "Gdzie jest woda?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
Odpowiesz: "W kuchni." "Aa, zatem musisz mieć zalanie kuchenne."
15:12
That's kind of the level at which it is.
366
897000
3000
Mniej więcej na tym poziomie jesteśmy.
15:15
"Kitchen water,
367
900000
2000
Zalanie kuchenne?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Cóż, na początku wejdziemy tam i wytrzemy część wody.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Potem, wiecie, że jeśli rozsypiecie Kreta wokół kuchni,
15:22
that helps.
370
907000
3000
to pomoże.
15:25
Whereas living room water,
371
910000
2000
Podczas gdy w przypadku zalanego salonu
15:27
it's better to do tar on the roof."
372
912000
2000
lepiej jest uszczelnić dach."
15:29
And it sounds silly,
373
914000
2000
To brzmi głupio,
15:31
but that's basically what we do.
374
916000
2000
ale dokładnie tak postępujemy.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Nie mówię, że nie powinieneś wytrzeć wody, jeśli masz raka.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Ale twierdze, że nie jest to jest prawdziwy problem;
15:39
that's the symptom of the problem.
377
924000
2000
to objaw problemu.
15:41
What we really need to get at
378
926000
2000
W rzeczywistości musimy zrozumieć,
15:43
is the process that's going on,
379
928000
2000
zachodzący cały czas proces,
15:45
and that's happening at the level
380
930000
2000
który odbywa się na poziomie
15:47
of the proteonomic actions,
381
932000
2000
proteomiki.
15:49
happening at the level of why is your body not healing itself
382
934000
3000
Dzieje się na poziomie, kiedy odpowiadamy na pytanie:
15:52
in the way that it normally does?
383
937000
2000
Dlaczego twój organizm nie leczy się tak, jak zazwyczaj to robi?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Na co dzień, twoje ciało zmaga się z takimi problemami cały czas.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Twój dom, walczy z przeciekami przez cały czas.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Ale sobie z nimi radzi i co jakiś czas rury same się udrożniają.
16:04
So what we need
387
949000
3000
Potrzebujemy
16:07
is to have a causative model
388
952000
4000
modelu przyczynowego
16:11
of what's actually going on,
389
956000
2000
tego, co dzieje się w naszym organizmie.
16:13
and proteomics actually gives us
390
958000
3000
Proteomika daje nam narzędzia,
16:16
the ability to build a model like that.
391
961000
3000
potrzebne do stworzenia tego modelu.
16:19
David got me invited
392
964000
2000
David zaprosił mnie,
16:21
to give a talk at National Cancer Institute
393
966000
2000
abym wygłosił wykład w National Cancer Institute.
16:23
and Anna Barker was there.
394
968000
3000
Była na nim Anna Barker.
16:27
And so I gave this talk
395
972000
2000
Więc wygłosiłem ten wykład
16:29
and said, "Why don't you guys do this?"
396
974000
3000
i zapytałem: "Dlaczego nie stosujecie tego w praktyce?"
16:32
And Anna said,
397
977000
2000
A Anna powiedziała,
16:34
"Because nobody within cancer
398
979000
3000
"Ponieważ nikt zajmujący się rakiem
16:37
would look at it this way.
399
982000
2000
nie patrzy na to w ten sposób.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Ale w najbliższym czasie stworzymy program
16:42
for people outside the field of cancer
401
987000
2000
dla ludzie spoza dziedzin związanych z rakiem,
16:44
to get together with doctors
402
989000
2000
w ramach którego będą się spotykać z lekarzami,
16:46
who really know about cancer
403
991000
3000
którzy poświęcili życie dla nowotworów
16:49
and work out different programs of research."
404
994000
4000
aby razem prowadzić badania naukowe."
16:53
So David and I applied to this program
405
998000
2000
W ten sposób David i ja dołączyliśmy do programu
16:55
and created a consortium
406
1000000
2000
i stworzyliśmy konsorcjum
16:57
at USC
407
1002000
2000
na University of Southern California,
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
które zgromadziło jednych z najlepszych onkologów
17:02
and some of the best biologists in the world,
409
1007000
3000
i biologów na świecie
17:05
from Cold Spring Harbor,
410
1010000
2000
z Cold Spring Harbor Laboratory,
17:07
Stanford, Austin --
411
1012000
2000
ze Stanfordu, Austin --
17:09
I won't even go through and name all the places --
412
1014000
3000
nie jestem w stanie nawet wymienić wszystkich miejsc --
17:12
to have a research project
413
1017000
3000
aby wspólnie poprowadzić projekt badawczy
17:15
that will last for five years
414
1020000
2000
który będzie trwał przez pięć lat,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
gdzie naprawdę będziemy się starali stworzyć proteomiczny model nowotworu.
17:20
We're doing it in mice first,
416
1025000
2000
Na początku robimy to na myszach.
17:22
and we will kill a lot of mice
417
1027000
2000
Podczas naszych badań
17:24
in the process of doing this,
418
1029000
2000
zabijemy wiele mysz,
17:26
but they will die for a good cause.
419
1031000
2000
ale zginą dla dobrej sprawy.
17:28
And we will actually try to get to the point
420
1033000
3000
Spróbujemy dojść do punktu,
17:31
where we have a predictive model
421
1036000
2000
w którym będziemy mieli przewidywalny model,
17:33
where we can understand,
422
1038000
2000
w którym zrozumiemy,
17:35
when cancer happens,
423
1040000
2000
kiedy pojawia się nowotwór,
17:37
what's actually happening in there
424
1042000
2000
co się tam właściwie dzieje
17:39
and which treatment will treat that cancer.
425
1044000
3000
i jaka kuracja najlepiej go wyleczy.
17:42
So let me just end with giving you a little picture
426
1047000
3000
Pozwólcie, że zakończę małą ilustracją tego,
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
w jaki sposób będzie wyglądało leczenie raka w przyszłości.
17:48
So I think eventually,
428
1053000
2000
Uważam, że ostatecznie,
17:50
once we have one of these models for people,
429
1055000
2000
kiedy będziemy mieli modele dla ludzi,
17:52
which we'll get eventually --
430
1057000
2000
które w końcu zdobędziemy --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
oczywiście nasza grupa nie przeprowadzi całego tego procesu --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
ale w końcu będziemy mieć bardzo dobry model komputerowy --
17:59
sort of like a global climate model for weather.
433
1064000
3000
coś jak model globalnego klimatu.
18:02
It has lots of different information
434
1067000
3000
Będzie dawał mnóstwo danych
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
na temat tego w jaki sposób odbywa się proteomiczna "rozmowa"
18:08
on many different scales.
436
1073000
2000
na wielu poziomach.
18:10
And so we will simulate
437
1075000
2000
Będziemy symulować
18:12
in that model
438
1077000
2000
za pomocą tego modelu
18:14
for your particular cancer --
439
1079000
3000
twój konkretny przypadek --
18:17
and this also will be for ALS,
440
1082000
2000
będzie go można zastosować również dla stwardnienia zanikowego bocznego,
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
oraz wielu innych chorób
18:22
things like that --
442
1087000
2000
neurodegeneracyjnych --
18:24
we will simulate
443
1089000
2000
stworzymy symulację
18:26
specifically you,
444
1091000
2000
dokładnie ciebie,
18:28
not just a generic person,
445
1093000
2000
nie będzie to ogólny przypadek,
18:30
but what's actually going on inside you.
446
1095000
2000
ale dokładnie to, co dzieje się w twoim organizmie.
18:32
And in that simulation, what we could do
447
1097000
2000
Dzięki tej symulacji
18:34
is design for you specifically
448
1099000
2000
będziemy mogli zaprojektować specjalną terapię
18:36
a sequence of treatments,
449
1101000
2000
składającą się z ciągu wielu kuracji.
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
Będziemy mogli używać bardzo łagodnych i bardzo małych ilości leków.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Może to po polegać na tym, że w jeden dzień nie będziesz mógł jeść,
18:44
or give them a little chemotherapy,
452
1109000
2000
w inny dostaniesz małą chemioterapię,
18:46
maybe a little radiation.
453
1111000
2000
może mała radioterapia.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Oczywiście, czasem będzie trzeba wykonać zabieg operacyjny i tak dalej.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Ale program leczenia będzie dostosowany specjalnie dla ciebie,
18:54
and help your body
456
1119000
3000
aby pomóc twojemu ciału
18:57
guide back to health --
457
1122000
3000
powrócić do zdrowia --
19:00
guide your body back to health.
458
1125000
2000
będzie to swego rodzaju przewodnik, który zaprowadzi cię do zdrowia.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Ponieważ twoje ciało będzie wykonywało większość leczenia samo,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
jeśli tylko nakierujemy działania, które robi źle.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Będzie to coś w rodzaju szyny po złamaniu.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Twój organizm ma wbudowane wiele mechanizmów
19:13
for fixing cancer,
463
1138000
2000
zwalczających nowotwory,
19:15
and we just have to prop those up in the right way
464
1140000
3000
nasza pracę będzie polegała na ich wsparciu w odpowiedni sposób
19:18
and get them to do the job.
465
1143000
2000
oraz zmobilizowaniu ich do pracy.
19:20
And so I believe that this will be the way
466
1145000
2000
Wierzę, że będzie to sposób,
19:22
that cancer will be treated in the future.
467
1147000
2000
w jaki nowotwory będą leczone w przyszłości.
19:24
It's going to require a lot of work,
468
1149000
2000
Będzie to wymagało wiele pracy
19:26
a lot of research.
469
1151000
2000
i wiele badań.
19:28
There will be many teams like our team
470
1153000
3000
Powstanie wiele zespołów takich jak nasz,
19:31
that work on this.
471
1156000
2000
które będą nad tym pracować.
19:33
But I think eventually,
472
1158000
2000
Ale sądzę, że ostatecznie,
19:35
we will design for everybody
473
1160000
2000
zaprojektujemy dla każdego,
19:37
a custom treatment for cancer.
474
1162000
4000
dostosowany sposób leczenia raka.
19:41
So thank you very much.
475
1166000
2000
Dziękuję bardzo.
19:43
(Applause)
476
1168000
6000
(Brawa)
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