TEDMED 2017
Steve McCarroll: How data is helping us unravel the mysteries of the brain
Steve McCarroll: Jak dane pomagają nam odsłonić tajemnice mózgu
Filmed:
Readability: 4.8
1,529,178 views
Genetyk Steve McCarroll chce stworzyć atlas komórek w ciele człowieka, co pozwoli dokładnie zrozumieć działanie poszczególnych genów, zwłaszcza tych w mózgu człowieka. W tej fascynującej prelekcji dzieli się postępami w pracy swojego zespołu. Opowiada między innymi o wynalazku "Drop-seq" - technologii, która pozwoli naukowcom na analizę każdej komórki z osobna, w skali niewyobrażalnej nigdy wcześniej. Opisuje też, jak jego badania mogą prowadzić do opracowania nowych sposobów leczenia chorób umysłowych, np. schizofrenii.
Steve McCarroll - Geneticist
Steve McCarroll is conducting groundbreaking research on the causes of mental illness. Full bio
Steve McCarroll is conducting groundbreaking research on the causes of mental illness. Full bio
Double-click the English transcript below to play the video.
00:12
Nine years ago,
0
785
1704
Dziewięć lat temu
00:14
my sister discovered lumps
in her neck and arm
in her neck and arm
1
2513
3101
moja siostra wyczuła guzki
w szyi i ramieniu.
w szyi i ramieniu.
00:17
and was diagnosed with cancer.
2
5638
1760
Zdiagnozowano u niej raka.
00:20
From that day, she started to benefit
3
8985
3199
Od tamtej pory zaczęła korzystać na tym,
00:24
from the understanding
that science has of cancer.
that science has of cancer.
4
12208
3115
że nauka zaczyna rozumieć tę chorobę.
00:28
Every time she went to the doctor,
5
16206
2099
Przy każdej wizycie u lekarza
00:30
they measured specific molecules
6
18329
2194
badano konkretne molekuły,
00:32
that gave them information
about how she was doing
about how she was doing
7
20547
2881
co dawało obraz jej samopoczucia
00:35
and what to do next.
8
23452
1309
i dalszego postępowania.
00:38
New medical options
became available every few years.
became available every few years.
9
26095
3666
Co kilka lat pojawiały się
nowe możliwości leczenia.
nowe możliwości leczenia.
00:43
Everyone recognized
that she was struggling heroically
that she was struggling heroically
10
31070
4318
Wszyscy rozumieli, że heroicznie walczy
00:47
with a biological illness.
11
35412
1728
z chorobą.
00:50
This spring, she received
an innovative new medical treatment
an innovative new medical treatment
12
38847
3657
Tej rozpoczęła innowacyjne leczenie
00:54
in a clinical trial.
13
42528
1202
w ramach próby klinicznej.
00:55
It dramatically knocked back her cancer.
14
43754
2224
Udało się powstrzymać rozwój choroby.
00:59
Guess who I'm going to spend
this Thanksgiving with?
this Thanksgiving with?
15
47446
2552
Zgadnijcie z kim wkrótce
spędzę Święto Dziękczynienia?
spędzę Święto Dziękczynienia?
01:02
My vivacious sister,
16
50022
2267
Moją żywiołową siostrą,
01:04
who gets more exercise than I do,
17
52313
2629
która ćwiczy znacznie więcej niż ja
01:06
and who, like perhaps
many people in this room,
many people in this room,
18
54966
2859
i która, jak pewnie wiele z was tutaj,
01:09
increasingly talks about a lethal illness
19
57849
2292
coraz częściej mówi o śmiertelnej chorobie
01:12
in the past tense.
20
60165
1263
w czasie przeszłym.
01:14
Science can, in our lifetimes --
even in a decade --
even in a decade --
21
62614
3863
Jeszcze za naszego życia,
a może za 10 lat,
a może za 10 lat,
01:18
transform what it means
to have a specific illness.
to have a specific illness.
22
66501
3207
nauka może zmienić znaczenie
diagnozy danej choroby.
diagnozy danej choroby.
01:24
But not for all illnesses.
23
72055
1534
Jednak nie wszystkich chorób.
01:27
My friend Robert and I
were classmates in graduate school.
were classmates in graduate school.
24
75375
3722
Robert i ja byliśmy przyjaciółmi
na studiach magisterskich.
na studiach magisterskich.
01:31
Robert was smart,
25
79121
1801
Robert był bardzo mądry,
01:32
but with each passing month,
26
80946
1477
ale z miesiąca na miesiąc
01:34
his thinking seemed to become
more disorganized.
more disorganized.
27
82447
3154
tracił jasność umysłu.
01:38
He dropped out of school,
got a job in a store ...
got a job in a store ...
28
86241
3198
Rzucił studia i zatrudnił się w sklepie.
01:41
But that, too, became too complicated.
29
89463
2218
Ale także to zaczęło go przerastać.
01:44
Robert became fearful and withdrawn.
30
92559
2945
Robert stał się strachliwy i wycofany.
01:48
A year and a half later,
he started hearing voices
he started hearing voices
31
96281
2381
Po półtora roku zaczął słyszeć głosy
01:50
and believing that people
were following him.
were following him.
32
98686
2197
i podejrzewał, że ktoś go śledzi.
01:52
Doctors diagnosed him with schizophrenia,
33
100907
2722
Lekarze zdiagnozowali u niego schizofrenię
01:55
and they gave him
the best drug they could.
the best drug they could.
34
103653
2120
i przepisali mu najlepsze
znane im lekarstwo.
znane im lekarstwo.
01:57
That drug makes the voices
somewhat quieter,
somewhat quieter,
35
105797
3008
Sprawiało, że głosy przycichały,
02:00
but it didn't restore his bright mind
or his social connectedness.
or his social connectedness.
36
108829
3989
ale nie przywróciło mu błyskotliwego
myślenia i umiejętności społecznych.
myślenia i umiejętności społecznych.
02:06
Robert struggled to remain connected
37
114270
1856
Robertowi ciężko było utrzymać kontakt
02:08
to the worlds of school
and work and friends.
and work and friends.
38
116150
2857
ze światem uczelni, pracy i z kolegami.
02:11
He drifted away,
39
119031
1383
Odsuwał się coraz bardziej
02:12
and today I don't know where to find him.
40
120438
2285
i dzisiaj nie mam pojęcia,
gdzie go znaleźć.
gdzie go znaleźć.
02:15
If he watches this,
41
123593
1479
Jeśli to ogląda,
02:17
I hope he'll find me.
42
125962
1628
mam nadzieję, że mnie odszuka.
02:22
Why does medicine have
so much to offer my sister,
so much to offer my sister,
43
130639
4107
Dlaczego medycyna ma tak dużo
do zaoferowania mojej siostrze
do zaoferowania mojej siostrze
02:27
and so much less to offer
millions of people like Robert?
millions of people like Robert?
44
135540
4210
i o tyle mniej milionom ludzi
takich jak Robert?
takich jak Robert?
02:32
The need is there.
45
140952
1290
Potrzeba istnieje.
02:34
The World Health Organization
estimates that brain illnesses
estimates that brain illnesses
46
142266
3153
Światowa Organizacja Zdrowia
szacuje, że choroby umysłowe,
szacuje, że choroby umysłowe,
02:37
like schizophrenia, bipolar disorder
and major depression
and major depression
47
145443
4115
takie jak schizofrenia, choroba afektywna
dwubiegunowa i głęboka depresja
dwubiegunowa i głęboka depresja
02:41
are the world's largest cause
of lost years of life and work.
of lost years of life and work.
48
149582
4971
odbierają nam najwięcej lat życia i pracy.
02:47
That's in part because these illnesses
often strike early in life,
often strike early in life,
49
155807
3561
Częściowo dlatego,
że często pojawiają się wcześnie,
że często pojawiają się wcześnie,
02:51
in many ways, in the prime of life,
50
159392
2181
niejako w kwiecie wieku,
02:53
just as people are finishing
their educations, starting careers,
their educations, starting careers,
51
161597
4464
gdy ludzie kończą edukację,
zaczynają kariery,
zaczynają kariery,
02:58
forming relationships and families.
52
166085
2279
zaczynają budować związki
i zakładać rodziny.
i zakładać rodziny.
03:00
These illnesses can result in suicide;
53
168388
2829
Te choroby mogą kończyć się samobójstwem.
03:03
they often compromise one's ability
to work at one's full potential;
to work at one's full potential;
54
171907
4567
Często nie pozwalają chorym
realizować potencjału w pracy
realizować potencjału w pracy
03:09
and they're the cause of so many
tragedies harder to measure:
tragedies harder to measure:
55
177767
3455
i są przyczyną wielu tragedii
trudnych do opisania:
trudnych do opisania:
03:13
lost relationships and connections,
56
181246
2438
zerwanych związków i kontaktów,
03:15
missed opportunities
to pursue dreams and ideas.
to pursue dreams and ideas.
57
183708
3039
przegapionych okazji
na realizowanie marzeń i pomysłów.
na realizowanie marzeń i pomysłów.
03:19
These illnesses limit human possibilities
58
187533
3005
Te choroby ograniczają możliwości
03:22
in ways we simply cannot measure.
59
190562
2154
w sposób, który trudno zmierzyć.
03:27
We live in an era in which
there's profound medical progress
there's profound medical progress
60
195493
4016
Żyjemy w epoce postępów medycyny
03:31
on so many other fronts.
61
199533
1811
na tak wielu innych frontach.
03:33
My sister's cancer story
is a great example,
is a great example,
62
201368
2547
Świetnym przykładem jest
nowotwór mojej siostry,
nowotwór mojej siostry,
03:35
and we could say the same
of heart disease.
of heart disease.
63
203939
2062
to samo można powiedzieć
o chorobach serca.
o chorobach serca.
03:38
Drugs like statins will prevent
millions of heart attacks and strokes.
millions of heart attacks and strokes.
64
206025
3585
Leki takie jak statyny zapobiegają
milionom zawałów i udarów.
milionom zawałów i udarów.
03:43
When you look at these areas
of profound medical progress
of profound medical progress
65
211047
2945
Jeśli spojrzeć na obszary,
w których medycyna poczyniła
w których medycyna poczyniła
03:46
in our lifetimes,
66
214016
1464
postępy za naszego życia,
03:47
they have a narrative in common:
67
215504
1674
okazuje się, że mają coś wspólnego:
03:50
scientists discovered molecules
that matter to an illness,
that matter to an illness,
68
218067
4548
naukowcy odkryli pewne cząsteczki,
które mają znaczenie podczas choroby
które mają znaczenie podczas choroby
03:54
they developed ways to detect
and measure those molecules in the body,
and measure those molecules in the body,
69
222639
4679
i opracowali sposób, by wykryć
i zmierzyć je w ciele człowieka.
i zmierzyć je w ciele człowieka.
04:00
and they developed ways
to interfere with those molecules
to interfere with those molecules
70
228492
2778
Następnie zaczęli wchodzić
w interakcje z nimi,
w interakcje z nimi,
04:03
using other molecules -- medicines.
71
231294
2048
używając innych cząsteczek - leków.
04:05
It's a strategy that has worked
again and again and again.
again and again and again.
72
233921
4020
Strategia sprawdziła się już wielokrotnie.
04:11
But when it comes to the brain,
that strategy has been limited,
that strategy has been limited,
73
239403
3642
Kiedy jednak chodzi o mózg,
ta strategia ma swoje ograniczenia,
ta strategia ma swoje ograniczenia,
04:15
because today, we don't know
nearly enough, yet,
nearly enough, yet,
74
243069
4602
ponieważ dziś wciąż jeszcze
niezbyt dokładnie wiemy,
niezbyt dokładnie wiemy,
04:19
about how the brain works.
75
247695
1852
jak działa mózg.
04:22
We need to learn which of our cells
matter to each illness,
matter to each illness,
76
250526
4266
Musimy nauczyć się, które komórki
mają znaczenie w wypadku każdej z chorób
mają znaczenie w wypadku każdej z chorób
04:26
and which molecules in those cells
matter to each illness.
matter to each illness.
77
254816
3570
i które z cząsteczek w nich zawartych
mają znaczenie w danej chorobie.
mają znaczenie w danej chorobie.
04:31
And that's the mission
I want to tell you about today.
I want to tell you about today.
78
259058
2651
To misja, o której chcę
wam dziś opowiedzieć.
wam dziś opowiedzieć.
04:34
My lab develops technologies
with which we try to turn the brain
with which we try to turn the brain
79
262781
3809
Moje laboratorium opracowuje techniki,
które pozwolą przekształcić mózg
które pozwolą przekształcić mózg
04:38
into a big-data problem.
80
266614
1700
w wielką bazę danych.
04:40
You see, before I became a biologist,
I worked in computers and math,
I worked in computers and math,
81
268338
3536
Zanim zostałem biologiem,
pracowałem jako informatyk i matematyk.
pracowałem jako informatyk i matematyk.
04:43
and I learned this lesson:
82
271898
1324
Nauczyłem się wtedy tego:
04:46
wherever you can collect vast amounts
of the right kinds of data
of the right kinds of data
83
274365
4184
tam, gdzie da się zebrać duże ilości
właściwych danych
właściwych danych
04:50
about the functioning of a system,
84
278573
2030
o funkcjonowaniu systemu,
04:53
you can use computers in powerful new ways
85
281365
3618
można użyć komputerów
na wiele fascynujących sposobów,
na wiele fascynujących sposobów,
04:57
to make sense of that system
and learn how it works.
and learn how it works.
86
285007
3225
by zrozumieć system i poznać, jak działa.
05:00
Today, big-data approaches
are transforming
are transforming
87
288256
2522
Dzisiaj metody oparte
na dużej ilości danych zmieniają
na dużej ilości danych zmieniają
05:02
ever-larger sectors of our economy,
88
290802
2483
coraz większe obszary gospodarki.
05:05
and they could do the same
in biology and medicine, too.
in biology and medicine, too.
89
293309
3286
Mogą zrobić to samo
dla biologii i medycyny.
dla biologii i medycyny.
05:08
But you have to have
the right kinds of data.
the right kinds of data.
90
296619
2557
Ale trzeba dysponować
właściwym rodzajem danych,
właściwym rodzajem danych,
05:11
You have to have data
about the right things.
about the right things.
91
299200
2259
który dostarczy informacji
na właściwe temat.
na właściwe temat.
05:13
And that often requires
new technologies and ideas.
new technologies and ideas.
92
301917
3865
To wymaga bardzo często
nowych technologii i pomysłów.
nowych technologii i pomysłów.
05:18
And that is the mission that animates
the scientists in my lab.
the scientists in my lab.
93
306815
3494
To stało się misją naukowców
z mojego laboratorium.
z mojego laboratorium.
05:23
Today, I want to tell you
two short stories from our work.
two short stories from our work.
94
311251
2974
Opowiem wam dzisiaj dwie historie,
które tam się wydarzyły.
które tam się wydarzyły.
05:27
One fundamental obstacle we face
95
315427
3104
Podstawową przeszkodą,
z którą musimy się mierzyć,
z którą musimy się mierzyć,
05:30
in trying to turn the brain
into a big-data problem
into a big-data problem
96
318555
2660
przekształcając mózg
w obiekt dużej ilości danych,
w obiekt dużej ilości danych,
05:33
is that our brains are composed of
and built from billions of cells.
and built from billions of cells.
97
321946
4538
jest fakt, że mózg składa się
z miliardów komórek.
z miliardów komórek.
05:39
And our cells are not generalists;
they're specialists.
they're specialists.
98
327246
3859
Te komórki nie mają
profilu ogólnego, to specjaliści.
profilu ogólnego, to specjaliści.
05:43
Like humans at work,
99
331129
2089
Podobnie jak pracownicy
05:45
they specialize into thousands
of different cellular careers,
of different cellular careers,
100
333242
5274
wybierają jedną z tysięcy różnych
karier dostępnych dla komórek
karier dostępnych dla komórek
05:50
or cell types.
101
338540
1367
czy jeden z ich rodzajów.
05:52
In fact, each of
the cell types in our body
the cell types in our body
102
340796
2571
Każdy typ komórki w organizmie
05:55
could probably give a lively TED Talk
103
343391
1878
mógłby pewnie wygłosić prelekcję TED
05:57
about what it does at work.
104
345293
1542
o tym, czym zajmuje się w pracy.
06:00
But as scientists,
we don't even know today
we don't even know today
105
348422
2370
Jednak my, naukowcy, nie wiemy dziś nawet,
06:02
how many cell types there are,
106
350816
1907
ile tych rodzajów komórek jest,
06:04
and we don't know what the titles
of most of those talks would be.
of most of those talks would be.
107
352747
3277
ani jak brzmiałyby tytuły
większości z tych prelekcji.
większości z tych prelekcji.
06:11
Now, we know many
important things about cell types.
important things about cell types.
108
359809
2970
Wiemy na szczęście wiele istotnych
rzeczy o rodzajach komórek.
rzeczy o rodzajach komórek.
06:14
They can differ dramatically
in size and shape.
in size and shape.
109
362803
2751
Mogą znacznie się różnić
rozmiarem i kształtem.
rozmiarem i kształtem.
06:17
One will respond to a molecule
that the other doesn't respond to,
that the other doesn't respond to,
110
365578
4135
Jeden zareaguje
na daną cząsteczkę, a inny nie,
na daną cząsteczkę, a inny nie,
06:21
they'll make different molecules.
111
369737
1794
każdy wytworzy inny jej rodzaj.
06:23
But science has largely
been reaching these insights
been reaching these insights
112
371555
2521
Nauka w większości przypadków
dokonywała tych odkryć ad hoc,
dokonywała tych odkryć ad hoc,
06:26
in an ad hoc way, one cell type at a time,
113
374100
2943
po jednym rodzaju komórki,
06:29
one molecule at a time.
114
377067
1486
po jednej cząsteczce na raz.
06:31
We wanted to make it possible to learn
all of this quickly and systematically.
all of this quickly and systematically.
115
379854
4731
Chcieliśmy umożliwić
szybką i usystematyzowaną naukę.
szybką i usystematyzowaną naukę.
06:37
Now, until recently, it was the case
116
385673
1748
Do niedawna,
06:39
that if you wanted to inventory
all of the molecules
all of the molecules
117
387445
3076
żeby stworzyć wykaz wszystkich cząsteczek
06:42
in a part of the brain or any organ,
118
390545
2925
w części mózgu czy dowolnego organu,
06:45
you had to first grind it up
into a kind of cellular smoothie.
into a kind of cellular smoothie.
119
393494
3954
trzeba było zmiksować je
w komórkowy koktajl.
w komórkowy koktajl.
06:50
But that's a problem.
120
398678
1230
Ale tu pojawia się problem.
06:52
As soon as you've ground up the cells,
121
400737
2538
Po zmiksowaniu komórek
06:55
you can only study the contents
of the average cell --
of the average cell --
122
403299
3511
można już tylko badać przeciętną komórkę,
06:58
not the individual cells.
123
406834
1595
nie każdą z osobna.
07:01
Imagine if you were trying to understand
how a big city like New York works,
how a big city like New York works,
124
409182
3709
Wyobraź sobie, że chcesz poznać
duże miasto, takie jak Nowy Jork,
duże miasto, takie jak Nowy Jork,
07:04
but you could only do so
by reviewing some statistics
by reviewing some statistics
125
412915
2542
ale jedynym dostępnym
źródłem informacji są statystyki
źródłem informacji są statystyki
07:07
about the average resident of New York.
126
415481
2029
opisujące przeciętnego mieszkańca.
07:10
Of course, you wouldn't learn very much,
127
418637
1979
Oczywiście nie dowiesz się zbyt dużo,
07:12
because everything that's interesting
and important and exciting
and important and exciting
128
420640
3000
bo wszystko, co interesujące,
ważne i ekscytujące,
ważne i ekscytujące,
07:15
is in all the diversity
and the specializations.
and the specializations.
129
423664
2732
zawiera się w różnorodności
i specjalizacjach.
i specjalizacjach.
07:18
And the same thing is true of our cells.
130
426420
2606
To odnosi się także do komórek.
07:21
And we wanted to make it possible to study
the brain not as a cellular smoothie
the brain not as a cellular smoothie
131
429050
4750
Chcieliśmy zbadać mózg
nie w formie komórkowego koktajlu,
nie w formie komórkowego koktajlu,
07:25
but as a cellular fruit salad,
132
433824
2478
ale jako sałatkę owocową,
07:28
in which one could generate
data about and learn from
data about and learn from
133
436326
2604
w której można zdobyć i zanalizować dane
07:30
each individual piece of fruit.
134
438954
1838
każdego kawałka owocu z osobna.
07:34
So we developed
a technology for doing that.
a technology for doing that.
135
442253
2718
Rozwinęliśmy technologię,
która właśnie tym się zajmuje.
która właśnie tym się zajmuje.
07:36
You're about to see a movie of it.
136
444995
1729
Zobaczycie film.
07:41
Here we're packaging
tens of thousands of individual cells,
tens of thousands of individual cells,
137
449477
4028
Tutaj pakujemy dziesiątki tysięcy
odrębnych komórek
odrębnych komórek
07:45
each into its own tiny water droplet
138
453529
2923
we własną malutką kropelkę wody,
07:48
for its own molecular analysis.
139
456476
2211
żeby zanalizować każdą komórkę z osobna.
07:51
When a cell lands in a droplet,
it's greeted by a tiny bead,
it's greeted by a tiny bead,
140
459921
4123
Kiedy komórka znajdzie się w kropelce,
wita ją malutki koralik,
wita ją malutki koralik,
07:56
and that bead delivers millions
of DNA bar code molecules.
of DNA bar code molecules.
141
464068
3694
w który dostarcza miliony
cząsteczek DNA z kodem paskowym.
cząsteczek DNA z kodem paskowym.
08:01
And each bead delivers
a different bar code sequence
a different bar code sequence
142
469115
3308
Każdy koralik przenosi inny kod paskowy
08:04
to a different cell.
143
472447
1243
do różnych komórek.
08:06
We incorporate the DNA bar codes
144
474884
2581
Przenosimy kody paskowe DNA
08:09
into each cell's RNA molecules.
145
477489
3058
w cząsteczki RNA każdej komórki.
08:12
Those are the molecular
transcripts it's making
transcripts it's making
146
480571
2836
Dochodzi do transkrypcji
08:15
of the specific genes
that it's using to do its job.
that it's using to do its job.
147
483431
3103
za sprawą konkretnych genów,
odpowiadających za swoje zadania.
odpowiadających za swoje zadania.
08:19
And then we sequence billions
of these combined molecules
of these combined molecules
148
487383
4207
Następnie sekwencjonujemy miliardy
tych połączonych cząsteczek
tych połączonych cząsteczek
08:24
and use the sequences to tell us
149
492532
2498
i dowiadujemy się,
08:27
which cell and which gene
150
495054
2602
z której komórki i z którego genu
08:29
every molecule came from.
151
497680
1540
pochodzi każda cząsteczka.
08:32
We call this approach "Drop-seq,"
because we use droplets
because we use droplets
152
500561
3292
Tę strategię nazwaliśmy "Drop-seq",
drop jak kropelka, której używamy
drop jak kropelka, której używamy
08:35
to separate the cells for analysis,
153
503877
2575
do wydzielenia komórek do analizy,
08:38
and we use DNA sequences
to tag and inventory
to tag and inventory
154
506476
3445
oraz seq od sekwencji
służącej do opisania, inwentaryzacji
służącej do opisania, inwentaryzacji
08:41
and keep track of everything.
155
509945
1488
i śledzenia wszystkich odkryć.
Przy każdym przeprowadzonym eksperymencie
08:44
And now, whenever we do an experiment,
156
512727
1976
08:46
we analyze tens of thousands
of individual cells.
of individual cells.
157
514727
3243
analizujemy dziesiątki tysięcy
pojedynczych komórek.
pojedynczych komórek.
08:51
And today in this area of science,
158
519018
2624
Obecnie w tej dziedzinie nauki
08:53
the challenge is increasingly
how to learn as much as we can
how to learn as much as we can
159
521666
4931
wyzwaniem jest odkrywanie coraz więcej
08:58
as quickly as we can
160
526621
1872
w jak najkrótszym czasie
09:00
from these vast data sets.
161
528517
1738
na podstawie ogromnych zestawów danych.
09:04
When we were developing Drop-seq,
people used to tell us,
people used to tell us,
162
532914
2770
Słysząc o "Drop-seq", ludzie powtarzali:
09:07
"Oh, this is going to make you guys
the go-to for every major brain project."
the go-to for every major brain project."
163
535708
4804
"Teraz będą się do was zwracali
z każdym większym badaniem mózgu".
z każdym większym badaniem mózgu".
09:13
That's not how we saw it.
164
541257
1544
My tak nie zakładaliśmy.
09:14
Science is best when everyone
is generating lots of exciting data.
is generating lots of exciting data.
165
542825
4531
Dla nauki najlepsze jest, gdy wszyscy
tworzą jak najwięcej fascynujących danych.
tworzą jak najwięcej fascynujących danych.
09:20
So we wrote a 25-page instruction book,
166
548197
3214
Napisaliśmy 25-stronicową instrukcję,
09:23
with which any scientist could build
their own Drop-seq system from scratch.
their own Drop-seq system from scratch.
167
551435
4578
na podstawie której każdy naukowiec może
zbudować własny "Drop-seq" od podstaw.
zbudować własny "Drop-seq" od podstaw.
09:28
And that instruction book has been
downloaded from our lab website
downloaded from our lab website
168
556037
3697
Instrukcja została ściągnięta
ze strony naszego laboratorium
ze strony naszego laboratorium
09:31
50,000 times in the past two years.
169
559758
2965
50 tys. razy w ciągu ostatnich dwóch lat.
09:35
We wrote software
that any scientist could use
that any scientist could use
170
563598
3052
Napisaliśmy oprogramowanie,
którego może użyć każdy naukowiec
którego może użyć każdy naukowiec
09:38
to analyze the data
from Drop-seq experiments,
from Drop-seq experiments,
171
566674
2898
do zanalizowania danych uzyskanych
z eksperymentów "Drop-seq".
z eksperymentów "Drop-seq".
09:41
and that software is also free,
172
569596
1715
Oprogramowanie również jest darmowe.
09:43
and it's been downloaded from our website
30,000 times in the past two years.
30,000 times in the past two years.
173
571335
4388
Zostało ściągnięte z naszej strony
30 tys. razy w ciągu ostatnich dwóch lat.
30 tys. razy w ciągu ostatnich dwóch lat.
09:48
And hundreds of labs have written us
about discoveries that they've made
about discoveries that they've made
174
576328
4979
Setki laboratoriów kontaktowało się z nami
i pisało o odkryciach, które zrobili,
i pisało o odkryciach, które zrobili,
09:53
using this approach.
175
581331
1443
korzystając z tego podejścia.
09:54
Today, this technology is being used
to make a human cell atlas.
to make a human cell atlas.
176
582798
3560
Obecnie technologia jest używana
do tworzenia atlasu ludzkich komórek.
do tworzenia atlasu ludzkich komórek.
09:58
It will be an atlas of all
of the cell types in the human body
of the cell types in the human body
177
586382
3354
Ma to być atlas wszystkich
typów komórek w ciele człowieka
typów komórek w ciele człowieka
10:01
and the specific genes
that each cell type uses to do its job.
that each cell type uses to do its job.
178
589760
3680
oraz genów określonych dla każdej komórki.
Opowiem wam teraz
o naszym drugim wyzwaniu
o naszym drugim wyzwaniu
10:08
Now I want to tell you about
a second challenge that we face
a second challenge that we face
179
596133
2876
10:11
in trying to turn the brain
into a big data problem.
into a big data problem.
180
599033
2448
w przedstawieniu mózgu jako bazy danych.
10:13
And that challenge is that
we'd like to learn from the brains
we'd like to learn from the brains
181
601505
3279
Wyzwaniem jest zanalizowanie informacji
10:16
of hundreds of thousands of living people.
182
604808
2444
z mózgów setek tysięcy żyjących ludzi.
10:19
But our brains are not physically
accessible while we're living.
accessible while we're living.
183
607998
3704
Nasze mózgi nie są jednak
fizycznie dostępne za życia.
fizycznie dostępne za życia.
10:24
But how can we discover molecular factors
if we can't hold the molecules?
if we can't hold the molecules?
184
612895
3960
Jak odkryć czynniki molekularne,
nie mając komórek?
nie mając komórek?
10:30
An answer comes from the fact that
the most informative molecules, proteins,
the most informative molecules, proteins,
185
618352
4548
Odpowiedzią jest to, że najwięcej
informacji dostarczają białka,
informacji dostarczają białka,
10:34
are encoded in our DNA,
186
622924
1782
które są zakodowane w naszym DNA,
10:36
which has the recipes our cells follow
to make all of our proteins.
to make all of our proteins.
187
624730
4530
gdzie znajdują się przepisy używane
przez nasze komórki do produkcji białek.
przez nasze komórki do produkcji białek.
10:41
And these recipes vary
from person to person to person
from person to person to person
188
629999
4946
Przepisy różnią się w zależności od osoby,
10:46
in ways that cause the proteins
to vary from person to person
to vary from person to person
189
634969
3342
co sprawia, że również białka
różnią się u każdego z nas
różnią się u każdego z nas
10:50
in their precise sequence
190
638335
1787
pod względem dokładnej sekwencji
10:52
and in how much each cell type
makes of each protein.
makes of each protein.
191
640146
3151
oraz ilości produkowanego
przez daną komórkę białka.
przez daną komórkę białka.
10:56
It's all encoded in our DNA,
and it's all genetics,
and it's all genetics,
192
644441
3393
Wszystko jest zakodowane w naszym DNA,
wszystko to jest genetyką,
wszystko to jest genetyką,
10:59
but it's not the genetics
that we learned about in school.
that we learned about in school.
193
647858
2817
ale to nie o takiej genetyce
uczyliśmy się w szkole.
uczyliśmy się w szkole.
11:03
Do you remember big B, little b?
194
651572
1983
Pamiętacie duże B i małe b?
11:06
If you inherit big B, you get brown eyes?
195
654260
2400
Jeśli odziedziczysz duże B,
masz brązowe oczy?
masz brązowe oczy?
11:09
It's simple.
196
657085
1223
To proste.
11:11
Very few traits are that simple.
197
659451
3173
Niewiele cech jest tak prostych.
11:15
Even eye color is shaped by much more
than a single pigment molecule.
than a single pigment molecule.
198
663232
4725
Nawet na kolor oczu ma wpływ
więcej niż jedna cząsteczka pigmentu.
więcej niż jedna cząsteczka pigmentu.
11:20
And something as complex
as the function of our brains
as the function of our brains
199
668861
4250
Na coś tak złożonego,
jak działanie naszego mózgu,
jak działanie naszego mózgu,
11:25
is shaped by the interaction
of thousands of genes.
of thousands of genes.
200
673135
3247
składa się oddziaływanie tysięcy genów.
11:28
And each of these genes
varies meaningfully
varies meaningfully
201
676406
2340
Każdy z tych genów różni się
w znacznym stopniu
w znacznym stopniu
11:30
from person to person to person,
202
678770
1838
u każdego człowieka,
11:32
and each of us is a unique
combination of that variation.
combination of that variation.
203
680632
3517
każdy z nas jest unikatową
kombinacją tej wariacji.
kombinacją tej wariacji.
11:37
It's a big data opportunity.
204
685419
2216
To szansa na uzyskanie
ogromnej ilości danych.
ogromnej ilości danych.
11:40
And today, it's increasingly
possible to make progress
possible to make progress
205
688214
3176
Obecnie coraz bardziej
możliwy jest postęp na skalę,
możliwy jest postęp na skalę,
11:43
on a scale that was never possible before.
206
691414
2796
która nie była możliwa nigdy dotąd.
11:46
People are contributing to genetic studies
207
694234
2405
Ludzie wnoszą wkład w naukę o genetyce
11:48
in record numbers,
208
696663
1594
w rekordowych liczbach,
11:51
and scientists around the world
are sharing the data with one another
are sharing the data with one another
209
699085
4087
a naukowcy z całego świata
dzielą się nawzajem danymi,
dzielą się nawzajem danymi,
11:55
to speed progress.
210
703196
1571
by przyspieszyć postęp.
11:57
I want to tell you a short story
about a discovery we recently made
about a discovery we recently made
211
705514
3239
Opowiem wam krótką historię
o niedawno zrobionym odkryciu
o niedawno zrobionym odkryciu
12:00
about the genetics of schizophrenia.
212
708777
1894
w dziedzinie genetyki schizofrenii.
12:03
It was made possible
by 50,000 people from 30 countries,
by 50,000 people from 30 countries,
213
711506
4596
Umożliwiło nam to
50 tysięcy ludzi z 30 krajów,
50 tysięcy ludzi z 30 krajów,
12:08
who contributed their DNA
to genetic research on schizophrenia.
to genetic research on schizophrenia.
214
716126
4700
którzy przekazali nam DNA
do badań genetycznych nad schizofrenią.
do badań genetycznych nad schizofrenią.
12:14
It had been known for several years
215
722406
2096
Od kilku lat wiadomo było,
12:16
that the human genome's largest influence
on risk of schizophrenia
on risk of schizophrenia
216
724526
4111
że największy wpływ na ryzyko
zachorowania na schizofrenię
zachorowania na schizofrenię
12:20
comes from a part of the genome
217
728661
1802
ma jedna część genomu,
12:22
that encodes many of the molecules
in our immune system.
in our immune system.
218
730487
3344
w której zakodowane jest wiele cząsteczek
układu odpornościowego.
układu odpornościowego.
12:25
But it wasn't clear which gene
was responsible.
was responsible.
219
733855
3034
Jednak wciąż nie było wiadomo,
który gen jest odpowiedzialny.
który gen jest odpowiedzialny.
12:29
A scientist in my lab developed
a new way to analyze DNA with computers,
a new way to analyze DNA with computers,
220
737746
4040
Naukowiec z mojego laboratorium wynalazł
nowy sposób komputerowej analizy DNA
nowy sposób komputerowej analizy DNA
12:33
and he discovered something
very surprising.
very surprising.
221
741810
3095
i odkrył coś bardzo zaskakującego.
12:36
He found that a gene called
"complement component 4" --
"complement component 4" --
222
744929
3251
Odkrył, że gen kodujący
białko dopełniacza 4,
białko dopełniacza 4,
12:40
it's called "C4" for short --
223
748204
1799
w skrócie C4,
12:43
comes in dozens of different forms
in different people's genomes,
in different people's genomes,
224
751036
3889
może mieć wiele różnych typów
w genomach różnych osób.
w genomach różnych osób.
12:46
and these different forms
make different amounts
make different amounts
225
754949
3197
Każdy z tych rodzajów wytwarza
odmienne ilości białka C4 w mózgu.
12:50
of C4 protein in our brains.
226
758170
2242
12:52
And he found that the more
C4 protein our genes make,
C4 protein our genes make,
227
760957
3985
Okazało się, że im więcej C4 wytwarza gen,
12:56
the greater our risk for schizophrenia.
228
764966
2112
tym większe ryzyko
wystąpienia schizofrenii.
wystąpienia schizofrenii.
12:59
Now, C4 is still just one risk factor
in a complex system.
in a complex system.
229
767919
4907
C4 to tylko jeden z czynników
składających się na skomplikowany system.
składających się na skomplikowany system.
13:04
This isn't big B,
230
772850
1989
To nie jest duże B,
13:06
but it's an insight about
a molecule that matters.
a molecule that matters.
231
774863
3557
ale przybliża nam działanie
niezwykle istotnej cząsteczki.
niezwykle istotnej cząsteczki.
13:11
Complement proteins like C4
were known for a long time
were known for a long time
232
779492
3637
Białka dopełniacza, takie jak C4,
były znane od dawna z roli,
były znane od dawna z roli,
jaką pełnią w układzie odpornościowym,
13:15
for their roles in the immune system,
233
783153
1953
13:17
where they act as a kind of
molecular Post-it note
molecular Post-it note
234
785130
2778
która przypomina naklejoną karteczkę,
13:19
that says, "Eat me."
235
787932
1580
z napisem "Zjedz mnie".
13:22
And that Post-it note
gets put on lots of debris
gets put on lots of debris
236
790475
2667
Przyczepia się ją do wielu szczątków
13:25
and dead cells in our bodies
237
793166
2357
i martwych komórek w organizmie,
13:27
and invites immune cells
to eliminate them.
to eliminate them.
238
795547
2490
co nakłania komórki odpornościowe
do ich eliminacji.
do ich eliminacji.
13:30
But two colleagues of mine found
that the C4 Post-it note
that the C4 Post-it note
239
798779
3539
Dwóch moich kolegów odkryło,
13:35
also gets put on synapses in the brain
240
803183
3298
że C4 osiada też na synapsach w mózgu,
13:38
and prompts their elimination.
241
806505
1864
skłaniając do ich eliminacji.
13:41
Now, the creation and elimination
of synapses is a normal part
of synapses is a normal part
242
809154
3266
Powstawanie i eliminacja synaps
jest normalną częścią procesu
jest normalną częścią procesu
13:44
of human development and learning.
243
812444
1854
ludzkiego rozwoju i nauki.
13:46
Our brains create and eliminate
synapses all the time.
synapses all the time.
244
814322
2921
Mózg tworzy i eliminuje synapsy cały czas.
13:49
But our genetic results suggest
that in schizophrenia,
that in schizophrenia,
245
817921
2960
Wyniki naszych badań pokazują,
że w przypadku schizofrenii
że w przypadku schizofrenii
13:52
the elimination process
may go into overdrive.
may go into overdrive.
246
820905
3233
proces eliminacji jest zbyt nasilony.
13:57
Scientists at many drug companies tell me
they're excited about this discovery,
they're excited about this discovery,
247
825185
3929
Naukowcy z wielu firm farmaceutycznych
są podekscytowani tym odkryciem,
są podekscytowani tym odkryciem,
14:01
because they've been working
on complement proteins for years
on complement proteins for years
248
829138
3239
bo od lat badają białka dopełniacza
14:04
in the immune system,
249
832401
1540
w układzie odpornościowym
14:05
and they've learned a lot
about how they work.
about how they work.
250
833965
2206
i dowiedzieli się wiele
o ich sposobie działania.
o ich sposobie działania.
14:08
They've even developed molecules
that interfere with complement proteins,
that interfere with complement proteins,
251
836885
3894
Stworzyli nawet cząsteczki,
które przeszkadzają białkom dopełniacza,
które przeszkadzają białkom dopełniacza,
14:12
and they're starting to test them
in the brain as well as the immune system.
in the brain as well as the immune system.
252
840803
3607
a teraz testują je na mózgu
i układzie odpornościowym.
i układzie odpornościowym.
14:17
It's potentially a path toward a drug
that might address a root cause
that might address a root cause
253
845124
4721
Może tędy wiedzie droga
do opracowania leku,
do opracowania leku,
który będzie działał na przyczynę,
14:21
rather than an individual symptom,
254
849869
2649
a nie na symptom choroby.
14:24
and we hope very much that this work
by many scientists over many years
by many scientists over many years
255
852542
4048
Mamy nadzieję, że ten wieloletni
wysiłek grupy naukowców
wysiłek grupy naukowców
14:28
will be successful.
256
856614
1152
przyniesie rezultaty.
14:31
But C4 is just one example
257
859689
3014
C4 to tylko jeden przykład potencjału
14:34
of the potential for data-driven
scientific approaches
scientific approaches
258
862727
3112
strategii naukowych opartych na danych
14:37
to open new fronts on medical problems
that are centuries old.
that are centuries old.
259
865863
3903
w otwieraniu nowych perspektyw
na problemy medyczne znane od stuleci.
na problemy medyczne znane od stuleci.
14:42
There are hundreds of places
in our genomes
in our genomes
260
870144
2745
Setki miejsc w genomach
14:44
that shape risk for brain illnesses,
261
872913
2585
wpływają na ryzyko
wystąpienia chorób umysłowych,
wystąpienia chorób umysłowych,
14:47
and any one of them could lead us
to the next molecular insight
to the next molecular insight
262
875522
4066
a każde z nich może zawierać
14:51
about a molecule that matters.
263
879612
2020
cząsteczkę, która ma znaczenie.
14:53
And there are hundreds of cell types that
use these genes in different combinations.
use these genes in different combinations.
264
881656
3987
Setki typów komórek używają
genów w różnych kombinacjach.
genów w różnych kombinacjach.
14:57
As we and other scientists
work to generate
work to generate
265
885667
2069
Pracując z innymi naukowcami
nad wygenerowaniem pozostałych
niezbędnych danych
niezbędnych danych
14:59
the rest of the data that's needed
266
887760
2069
15:01
and to learn all that we can
from that data,
from that data,
267
889853
2393
i ucząc się, ile tylko się da,
15:04
we hope to open many more new fronts.
268
892270
2403
mamy nadzieję odkryć nowe perspektywy.
15:08
Genetics and single-cell analysis
are just two ways
are just two ways
269
896483
5079
Genetyka i analiza pojedynczych komórek
to tylko dwa ze sposobów
to tylko dwa ze sposobów
15:13
of trying to turn the brain
into a big data problem.
into a big data problem.
270
901586
3767
na przekształcenie mózgu w bazę danych.
15:18
There is so much more we can do.
271
906424
2159
Możemy zrobić wiele więcej.
15:21
Scientists in my lab
are creating a technology
are creating a technology
272
909235
3074
Naukowcy z mojego laboratorium
opracowują technikę
opracowują technikę
15:24
for quickly mapping the synaptic
connections in the brain
connections in the brain
273
912333
3196
szybkiego mapowania
połączeń synaps w mózgu,
połączeń synaps w mózgu,
15:27
to tell which neurons are talking
to which other neurons
to which other neurons
274
915553
2938
by określić, które neurony
porozumiewają się z innymi
porozumiewają się z innymi
15:30
and how that conversation changes
throughout life and during illness.
throughout life and during illness.
275
918515
3996
i jak ta komunikacja zmienia się
z wiekiem czy w trakcie choroby.
z wiekiem czy w trakcie choroby.
15:35
And we're developing a way
to test in a single tube
to test in a single tube
276
923467
4520
Opracowujemy sposób,
by przetestować w jednym naczyniu,
by przetestować w jednym naczyniu,
15:40
how cells with hundreds
of different people's genomes
of different people's genomes
277
928011
2718
jak komórki z setkami różnych genomów
15:42
respond differently to the same stimulus.
278
930753
2170
różnie odpowiadają na ten sam bodziec.
15:46
These projects bring together
people with diverse backgrounds
people with diverse backgrounds
279
934248
4903
Te projekty łączą ludzi
z różnych środowisk,
z różnych środowisk,
15:51
and training and interests --
280
939175
2493
o różnej wiedzy i zainteresowaniach,
15:53
biology, computers, chemistry,
math, statistics, engineering.
math, statistics, engineering.
281
941692
5877
jak biologia, komputery, chemia,
matematyka, statystyka, inżynieria.
matematyka, statystyka, inżynieria.
16:00
But the scientific possibilities
rally people with diverse interests
rally people with diverse interests
282
948205
4232
Możliwości naukowe przybliżają
ludzi z różnymi zainteresowaniami
ludzi z różnymi zainteresowaniami
16:04
into working intensely together.
283
952461
2235
i zmuszają do wspólnej, intensywnej pracy.
16:08
What's the future
that we could hope to create?
that we could hope to create?
284
956871
2551
Jaką przyszłość mamy nadzieję stworzyć?
16:12
Consider cancer.
285
960267
1350
Pomyślmy o raku.
16:14
We've moved from an era of ignorance
about what causes cancer,
about what causes cancer,
286
962193
3922
Wyszliśmy z epoki ignorancji
na temat przyczyn raka,
na temat przyczyn raka,
16:18
in which cancer was commonly ascribed
to personal psychological characteristics,
to personal psychological characteristics,
287
966139
6988
kiedy to przypisywano go
osobistym cechom psychologicznym,
osobistym cechom psychologicznym,
16:26
to a modern molecular understanding
of the true biological causes of cancer.
of the true biological causes of cancer.
288
974238
5395
do nowoczesnego zrozumienia
jego przyczyn biologicznych.
jego przyczyn biologicznych.
16:32
That understanding today
leads to innovative medicine
leads to innovative medicine
289
980100
3074
To rozumienie prowadzi
do kolejnych innowacji
do kolejnych innowacji
16:35
after innovative medicine,
290
983198
1696
w dziedzinie medycyny
16:36
and although there's still
so much work to do,
so much work to do,
291
984918
2839
i chociaż wciąż wiele
pozostaje do zrobienia,
pozostaje do zrobienia,
16:39
we're already surrounded by people
who have been cured of cancers
who have been cured of cancers
292
987781
3394
już otaczają nas ludzie wyleczeni z raka,
16:43
that were considered untreatable
a generation ago.
a generation ago.
293
991199
3269
co uchodziło za niewykonalne
zaledwie pokolenie wcześniej.
zaledwie pokolenie wcześniej.
16:48
And millions of cancer survivors
like my sister
like my sister
294
996254
3376
Miliony tych, którzy wygrali walkę
z rakiem, jak moja siostra,
z rakiem, jak moja siostra,
16:51
find themselves with years of life
that they didn't take for granted
that they didn't take for granted
295
999654
4401
dostali lata życia,
których się nie spodziewali,
których się nie spodziewali,
16:56
and new opportunities
296
1004079
1769
oraz nowe możliwości
16:57
for work and joy and human connection.
297
1005872
3930
pracy, radości i przebywania z innymi.
17:03
That is the future that we are determined
to create around mental illness --
to create around mental illness --
298
1011358
4378
Taką przyszłość chcemy stworzyć
także wokół chorób umysłowych,
także wokół chorób umysłowych,
17:08
one of real understanding and empathy
299
1016581
4119
atmosferę zrozumienia i empatii
17:12
and limitless possibility.
300
1020724
1816
oraz nieograniczonych możliwości.
17:15
Thank you.
301
1023159
1190
Dziękuję.
17:16
(Applause)
302
1024374
4062
(Brawa)
ABOUT THE SPEAKER
Steve McCarroll - GeneticistSteve McCarroll is conducting groundbreaking research on the causes of mental illness.
Why you should listen
Steve McCarroll and the scientists in his lab use human genetics, molecular biology and engineering to create new ways of studying the human brain, reveal the ways in which genomes vary from person to person and discover the molecular and cellular processes that underlie brain illness. McCarroll and his team at Harvard have linked schizophrenia to specific gene variations that recruit immune molecules into "pruning" synapses in the brain, a discovery that is leading toward new ways of thinking about the biological basis of schizophrenia and new approaches for discovering medicines.
Prior to leading his lab, McCarroll earned his PhD in neuroscience at the University of California, San Francisco. He is also currently serving as Director of Genetics for the Broad Institute's Stanley Center for Psychiatric Research.
Steve McCarroll | Speaker | TED.com